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
2020/2021
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
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 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
OA1 ? Todos os CP OA2 - Todos os CP OA3 - Todos os CP
Avaliação / Assessment
1ª época Trabalho de grupo com apresentação e discussão individual (100% da nota final) - Aprovação: nota final mínima=10 valores 2ª época Trabalho individual (100% da nota final) - Aprovação: nota final mínima=10 valores
Metodologias de Ensino / Teaching methodologies
A metodologia de ensino-aprendizagem (ME) inclui quatro componentes: ME1: Expositiva, para apresentação dos quadros teóricos de referência ME2: Experimental, em laboratório de informática, efetuando análises de dados com R ME3: Ativa, mediante a realização de um trabalho de grupo ME4: Auto-estudo, relacionado com o trabalho autónomo do aluno, tal como consta no Planeamento de 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
ME1- OA1, OA3 ME2- OA2[ ME3- OA1, OA2, OA3 ME4- OA1, OA2, OA3
Observações / Observations
Devido à atual situação provocada pela COVID-19, o processo de avaliação poderá sofrer algumas adaptações. Quaisquer eventuais adaptações serão anunciadas oportunamente.
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.
Data da última atualização / Last Update Date
2024-02-16