Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
04505
Acrónimo :
MB
Ciclo :
2.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
Português

Carga Horária / Course Load


Semestre :
2
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
24.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
25.0h/sem
Trabalho Autónomo :
125.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


Estatística e Análise de Dados

Departamento / Department


Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year


2023/2024

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. Compreender 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


1. Teorema de Bayes e paradigma Bayesiano 2. Modelação gráfica e hierárquica 3. Inferência Bayesiana 4. Optimização Bayesiana 5. Regressão linear e classificação Bayesianas 6. 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


Esta ""demonstração de coerência"" decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: OA1: CP1, CP2, CP3, CP4, CP5 e CP6 OA2: CP3, CP4 e CP5 OA3: CP2, CP3, CP4, CP5 e CP6

Avaliação / Assessment


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. | Os estudantes podem optar por Avaliação Periódica ou Exame Final. AVALIAÇÃO PERIÓDICA: - 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. AVALIAÇÃO POR EXAME A avaliação por exame, em qualquer uma das épocas legalmente determinadas, consiste numa prova escrita de peso 100%, sendo a nota mínima 10.

Metodologias de Ensino / Teaching methodologies


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 objectivos de aprendizagem. Na grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino-aprendizagem (ME) e os respectivos objectivos de aprendizagem (OA). ME1: OA1, OA2, OA3 ME2: OA1, OA2, OA3 ME3: OA2, OA3 ME4: OA2, OA3 ME5: OA1, OA2, OA3

Observações / Observations


·

Bibliografia Principal / Main Bibliography


Códigos R / python Vários artigos científicos Slides aulas 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.

Data da última atualização / Last Update Date


2024-02-16