Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Ciência de Dados

Departamento / Department

ISCTE

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

-

Objetivos Gerais / Objectives

Compreender e aplicar os métodos analíticos a problemas concretos de Previsão e Classificação, no âmbito do apoio à decisão.

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

Após a frequência da UC, o aluno está habilitado a: OA1: Compreender os métodos analíticos: âmbitos de aplicação e procedimentos OA2: Realizar as análises de dados recorrendo à linguagem de programação R OA3: Avaliar e interpretar os resultados das análises de dados

Conteúdos Programáticos / Syllabus

Introdução a Machine Learning: métodos supervisionados para previsão e classificação. CP1: INTRODUCÃO 1.1 Problemas de previsão 1.2 Problemas de classificação 1.3 Conjuntos de Treino e de Teste 1.4 Validação Cruzada (cross validation) CP2: Regressão Linear 2.1 Regressão Linear Simples 2.2 Regressão Linear Múltipla 2.3 Aplicações com R CP3: Regressão Logística 3.1 Regressão Logística Simples 3.2 Regressão Logística Múltipla 3.3 Aplicações com R CP4: Métodos baseados em Árvores de Decisão 4.1. Construção de Algoritmos de Árvores de Decisão 4.2. Melhoria do Desempenho: Bagging e Boosting 4.3. Algoritmo CART (Classification and Regression Trees) 4.4. Florestas Aleatórias 4.5. Aplicações com R

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

A demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: OA1 - Todos os conteúdos programáticos OA2 - Todos os conteúdos programáticos OA3 - Todos os conteúdos programáticos

Avaliação / Assessment

AVALIAÇÃO de 1ª ÉPOCA Na 1ª Época, a avaliação da Unidade Curricular é feita ao longo do semestre. AVALIAÇÃO AO LONGO DO SEMESTRE - Teste Individual (40%): nota mínima igual a 8 valores; - Trabalho de Grupo (60%): escrita de relatório e código (50%) + apresentação oral (10%). AVALIAÇÃO de 2ª ÉPOCA Na 2ª Época, a avaliação da Unidade Curricular é feita através da realização de um Projeto Individual (100%): escrita de relatório e código (80%) + discussão oral (20%). Em ambas as épocas, o aluno pode ser sujeito a exame oral mesmo que classificação final >= 9,5 valores. Escala 0-20 Atendendo ao carácter eminentemente prático da Unidade Curricular, a avaliação por Exame Final não está contemplada.

Metodologias de Ensino / Teaching methodologies

As aulas da Unidade Curricular são teórico-práticas. Nestas aulas serão aplicadas diversos modelos e metodologias de ensino. As aulas teórico-práticas permitem utilizar metodologias de ensino expositivas, experimentais e de discussão. A Metodologia Expositiva (ME1) é utilizada para apresentar os quadros teóricos de referência de forma que os alunos adquiram os conceitos das metodologias mencionadas nos conteúdos programáticos. A Metodologia Experimental (ME2) é utilizada para aplicar os métodos analíticos adequados para determinar soluções de qualidade para problemas de previsão e de classificação. Esta metodologia será aplicada em aula e na resolução do trabalho de grupo, recorrendo à linguagem de programação R. A Metodologia de Discussão (ME3) é utilizada para avaliar e interpretar os resultados das análises de dados. Além das metodologias já mencionadas, o Trabalho Autónomo dos alunos é relevante para a aquisição e o desenvolvimento das competências. O Trabalho Autónomo consiste na leitura da bibliografia, na resolução de exercícios e na resolução do trabalho de grupo. O Planeamento de Aulas inclui linhas orientadoras para o Trabalho Autónomo.

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 (ME) visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem (OA). Os objetivos de aprendizagem consistem na aquisição de competências sobre métodos analíticos adequados para determinar soluções de qualidade para problemas de previsão e de classificação, avaliar e interpretar os resultados das análises de dados. Na grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino (ME) e os respetivos objetivos de aprendizagem (OA): ME1 – Objetivos de aprendizagem OA1 e OA3 ME2 – Objetivo de aprendizagem OA2 ME3 – Objetivos de aprendizagem OA1, OA2 e OA3 Com exceção da utilização do software R, todos os objetivos de aprendizagem serão avaliados no teste individual. No trabalho de grupo, todos os objetivos de aprendizagem são avaliados.

Observações / Observations

Os estudantes abrangidos pelo “Regulamento de Estudantes com Estatuto Especial” deverão contactar o docente da UC, ou o Coordenador da mesma, na primeira semana de aulas de cada semestre, com vista ao enquadramento dos processos de aprendizagem e de avaliação na Unidade Curricular.

Bibliografia Principal / Main Bibliography

Hastie, T.; Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer. Berk, R.A. (2017). Statistical Learning from a Regression Perspective. 2nd ed. Springer. Boehmke, B.; Greenwell, R. (2020). Hands ? on Machine Learning with R. CRC Press.

Bibliografia Secundária / Secondary Bibliography

Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons. Bradley, E.; Hastie, T. (2016). Computer Age Statistical Inference: Algorithms, Evidence and Data Science. Cambridge University Press. Burger, S. V. (2018). Introduction to Machine Learning with R. O´REILLY. Roiger, R. J. (2020). Just enough R! An interactive approach to machine learning and analytics. CRC Press. Anabela Costa, Lectures notes provided by the lecturer of Course, 2024/ 25.

Data da última atualização / Last Update Date

2024-07-29