Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Ciências e Tecnologias da Informação
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2020/2021
Pré-requisitos / Pre-Requisites
N/A
Objetivos Gerais / Objectives
Identificar, discutir e aplicar conceitos e tecnologias associados aos sistemas de Business Intelligence, com um particular destaque para com sistemas de Data Warehouses e de Data Mining.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Um/a aluno/a que frequente com sucesso a UC irá: OA1: Identificar e aplicar conhecimento descoberto a partir de bases de dados OA2: Adquirir competências críticas para escolher e aplicar as técnicas mais adequadas perante um problema para o qual existem dados OA3: Desenvolver soluções autónomas para problemas do mundo real que envolvam preparação de dados, modelação, e avaliação de resultados OA4: Propor soluções para suporte à decisão
Conteúdos Programáticos / Syllabus
CP1: Introdução ao Business Intelligence, Data Mining, metodologia CRISP-DM CP2: Sistemas de Dataware houses e OLAP CP3: Adaptive Business Intelligence CP4: Previsão e Optimização CP5: Data Mining: classificação, regressão, segmentação CP6: Modelos de Aprendizagem (e.g. Árvores de decisão, Redes Neuronais) CP7: Apresentação de Diversos Casos de Estudo CP8: Ferramentas (Dataware houses, OLAP, BI, Data Mining), como por exemplo o WEKA e o R CP9: Projecto
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes
OA1: CP1; CP4; CP5; CP6 OA2: CP1; CP5; CP6; CP7; CP9 OA3: CP1; CP7; CP8; CP9 OA4: CP2; CP3; CP7
Avaliação / Assessment
Aval. contínua: 60% de trabalho de grupo + 40% teste Aval. final: 60% de trabalho individual + 40% prova escrita Nota mínima em cada componente: 9 valores Nota mínima final: 10 val.
Metodologias de Ensino / Teaching methodologies
Aulas teóricas (método expositivo com diversos métodos activos) e Aulas práticas (execução de projecto em grupo).
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
O aluno tem obrigatoriamente de realizar duas componentes para poder ter avaliação positiva à UC: prática e teórica. As aulas compreendem um alinhamento entre o ensino teórico e a aplicação prática através de experiências que servem como base para o projeto.
Observações / Observations
Nenhuma
Bibliografia Principal / Main Bibliography
E. Turban, R. Sharda, J. Aronson and D. King, Business Intelligence ? A Managerial Approach, Prentice Hall, 2008. M. Rocha, P. Cortez e J. Neves, Análise Inteligente de Dados - Algoritmos e Implementação em Java, FCA, 2008. M.F. Santos e C. Azevedo, Data Mining - Descoberta de Conhecimento em Bases de Dados, FCA, 2006. I. Witten and E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2nd edition, Morgan Kaufmann, 2005. Z. Michalewicz, M. Schmidt, M. Michalewicz and C. Chiriac, Adaptive Business Intelligence, Springer-Verlag, Leipzig, Germany, 2007.
Bibliografia Secundária / Secondary Bibliography
I. Witten and E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2nd edition, Morgan Kaufmann, 2005. Z. Michalewicz, M. Schmidt, M. Michalewicz and C. Chiriac, Adaptive Business Intelligence, Springer-Verlag, Leipzig, Germany, 2007.
Data da última atualização / Last Update Date
2024-02-16