Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Estatística e Análise de Dados

Departamento / Department

Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Aprendizagem automática, R, estatística, optimização numérica

Objetivos Gerais / Objectives

O1. O paradigma Bayesiano O2. Aprendizagem Bayesiana O3. Tomada de decisão Bayesiana O4. Aplicações na aprendizagem estatística

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

OA1. Characterizar os conceitos básicos da modelação Bayesiana OA2. Aplicar modelos de regressão, classificação e optimização Bayesiana no apoio à tomada de decisão OA3. Aplicar a abordagem Bayesiana na aprendizagem estatística

Conteúdos Programáticos / Syllabus

CP1. Teorema de Bayes e paradigma Bayesiano CP2. Modelação gráfica e hierárquica CP3. Inferência Bayesiana CP4. Optimização Bayesiana CP5. Regressão linear e classificação Bayesianas CP6. Modelos Bayesianos com factores latentes

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

O conteúdo da unidade curricular está alinhado com os objetivos de aprendizagem especificados, garantindo uma compreensão abrangente e a aplicação prática da modelação Bayesiana. O OA1 é alcançado através de uma introdução ao Teorema de Bayes e ao paradigma Bayesiano (CP1), exploração de modelos gráficos e hierárquicos (CP2), inferência Bayesiana (CP3), otimização Bayesiana (CP4), regressão e classificação Bayesiana (CP5) e modelos Bayesianos com fatores latentes (CP6). O OA2 é apoiado pelo conteúdo sobre inferência Bayesiana (CP3), otimização (CP4) e regressão e classificação (CP5), enfatizando seu uso na tomada de decisões. O OA3 é coberto pela integração de modelos gráficos e hierárquicos (CP2), inferência Bayesiana (CP3), otimização (CP4), regressão e classificação (CP5) e modelos com fatores latentes (CP6), facilitando a aplicação da abordagem Bayesiana à aprendizagem estatística. Esta estrutura garante que todos os objetivos de aprendizagem sejam alcançados.

Avaliação / Assessment

Os estudantes podem optar por Avaliação ao longo do semestre ou Exame Final. AVALIAÇÃO AO LONGO DO SEMESTRE: - trabalho de grupo com nota mínima de 8 valores (50%) - teste individual com nota mínima 8 valores (50%) A aprovação requer uma nota mínima de 10. EXAME: O Exame Final corresponde a um exame escrito. Os alunos devem obter uma nota mínima de 10 para passar.

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência. ME2. Participativas, com análise e resolução de exercícios de aplicação. ME3. Ativas, com realização de trabalhos de grupo ME4. Experimentais, em laboratório, com desenvolvimento e exploração de ?modelos? em computador ME5. Auto-estudo, 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 (ME) propostas são coerentes e adequadas para atingir os objetivos de aprendizagem (OA) da unidade curricular. As metodologias expositivas (ME1) abordam os OA1, OA2 e OA3, permitindo a apresentação e compreensão dos conceitos teóricos fundamentais da modelação Bayesiana. As metodologias participativas (ME2) também abrangem os OA1, OA2 e OA3, facilitando a aplicação prática dos conceitos através da análise e resolução de exercícios. As metodologias ativas (ME3) e experimentais (ME4) estão alinhadas com os OA2 e OA3, proporcionando aos alunos a oportunidade de desenvolver competências práticas através de trabalhos de grupo e exploração de modelos em laboratório. Finalmente, o auto-estudo (ME5) está relacionado com os OA1, OA2 e OA3, incentivando o trabalho autónomo do aluno para reforçar a compreensão e aplicação dos conhecimentos adquiridos. Assim, estas metodologias garantem uma abordagem abrangente e integrada para alcançar os objetivos de aprendizagem da unidade curricular.

Observações / Observations

·

Bibliografia Principal / Main Bibliography

Reich, B. J., S. K. Ghosh (2019), Bayesian Statistical Methods, Boca Raton: Chapman and Hall/CRC McElreath, R. (2020), Statistical Rethinking: A Bayesian Course with Examples in R and Stan, CRC Press. Levy, R., Mislevy, R. J. (2016), Bayesian Psychometric Modeling, 1st Edition. Boca Raton: Chapman and Hall/CRC Kruschke, J. K. (2015), Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Academic Press / Elsevier.

Bibliografia Secundária / Secondary Bibliography

Durr, O., B. Sick (2020), Probabilistic deep Learning, Manning Publications Co. Theodoridis, S. (2020),Machine Learning: A Bayesian and Optimization Perspective, Elsevier Ltd. Martin, O., R. Kumar, J. Lao (2022), Bayesian Modeling and Computation in Python, CRC Press. Heard, N. (2021), An Introduction to Bayesian Inference, Methods and Computation, Berlin: Springer Cham. Albert, J., H. Jingchen (2020), Probability and Bayesian Modeling, Boca Raton: CRC Press/Taylor & Francis Group. Códigos R / python Slides aulas

Data da última atualização / Last Update Date

2024-08-01