Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Estatística e Análise de Dados
Departamento / Department
Ano letivo / Execution Year
2021/2022
Pré-requisitos / Pre-Requisites
Conhecimento de técnicas/algoritmos de business intelligence & analytics
Objetivos Gerais / Objectives
Apresentar aos alunos ferramentas open source (e.g., R, Python, Knime ou Weka), utilizadas na análise de dados.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1. Introduzir as principais funcionalidades de ferramentas open source. OA2. Realizar tarefas de análise de dados com recurso a ferramentas open source e a dados reais. OA3. Desenvolver a capacidade de estudo, de pesquisa pessoal e de comunicação em analytics.
Conteúdos Programáticos / Syllabus
P1. Introdução às ferramentas open source e ao seu ambiente de trabalho. P2. Tipos de dados e de algoritmos: revisões. P3. Aplicação prática de técnicas de análise de dados estruturados com ferramentas open source. P3.1. Técnicas de estatística descritiva e inferencial. P3.2. Técnicas de visualização de dados. P3.3. Técnicas de agrupamento P3.4. Técnicas de redução da dimensionalidade. P3.5. Técnicas preditivas. P4. Aplicação prática de técnicas para análise de dados não estruturados com ferramentas open source.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (P) com os objetivos de aprendizagem (OA), como a seguir se explicita: P1 -> OA 1, 2, 3 P2 -> AO 1, 2, 3 P3 -> OA 1, 2, 3 P4 -> OA 1, 2, 3
Avaliação / Assessment
Trabalho escrito individual (70%) e sua apresentação (30%)
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência. ME2. Ativas, com realização de trabalhos práticos. ME3. Experimentais, em laboratório de informática, realizando análises sobre dados reais. ME4. Autoestudo, relacionado com o trabalho autónomo. (TA) do aluno, tal como consta no Planeamento das Aulas.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
As metodologias de ensino-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem, pelo que, na grelha a seguir, apresentam-se as principais interligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos. ME1 -> OA 1, 2 ME2 -> OA 2, 3 ME3 -> OA 2, 3 ME4 -> OA 1, 2, 3
Observações / Observations
-
Bibliografia Principal / Main Bibliography
Vasconcelos, J. & Barão, A. (2017) Ciência dos Dados nas Organizações: aplicações em Python, FCA. Silipo, R. (eds) (2019) Practicing Data Science: A Collection of Case Studies, 2nd Edition, Knime Press. Silipo, R. (2019) Knime Beginner?s Luck, Knime Press. Rocha, M. & Ferreira, P. (2017) Análise e Exploração de Dados com R, FCA. Laureano, R. (2020) Testes de Hipóteses e Regressão: o meu manual de consulta rápida, Edições Sílabo.
Bibliografia Secundária / Secondary Bibliography
Field, A., Miles, J. & Field, Z. (2012). Discovering Statistics Using R, 3rd edition, Sage Publications. Costa, E. (2015) Programaçao em Python: fundamentos, e resoluções de problemas, FCA.
Data da última atualização / Last Update Date
2024-02-16