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
Conhecimentos básicos de probabilidades e estatística, e de programação, nomeadamente através de frequência com aproveitamento em unidades curriculares de Estatística, e de Programação.
Objetivos Gerais / Objectives
A unidade desenvolve competências em metodologias e tecnologias adequadas ao planeamento, execução, e controlo de projetos em Data Science. Terá uma forte vertente aplicada a casos reais.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final da UC o estudante deverá: OA1. Planear projetos de Data Science consoante o contexto do problema OA2. Executar e controlar projetos de Data Science OA3. Desenvolver de forma autónoma sentido crítico para escolher a melhor abordagem para endereçar soluções para problemas específicos de casos do mundo real que envolvam preparação de dados, modelação e avaliação dos resultados
Conteúdos Programáticos / Syllabus
CP1. Introdução a Data Science e principais metodologias. CP2. Identificação de tipos de problema e abordagens possíveis (noções de aprendizagem supervisionada e não supervisionada); CP3. Conceitos de extração, preparação de dados CP4. Modelação e avaliação; Redes Neuronais Redes do tipo Feedforward Algoritmo Backpropagation Otimização de hiperparâmetros Aplicações com R: regressão e classificação Casos de estudo CP5. Aplicações de Business Intelligence & Analytics; CP6. Tecnologias para Data Science.
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; CP2; CP3; CP4 OA2 -> CP3; CP4; CP5; CP6 OA3 -> CP1; CP5; CP6
Avaliação / Assessment
1a época: trabalho de grupo com apresentação e discussão individual, 100% da nota (mínimo 10 val.) 2a época: trabalho individual, 100% da nota (mínimo 10 val.)
Metodologias de Ensino / Teaching methodologies
As aulas são Teórico-Práticas (TP) de forma a poder aliar a aprendizagem teórica à implementação de projetos e aplicação das técnicas em termos práticos
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
Os alunos irão tomar contato in-loco com problemas reais, desenvolvendo pequenos projetos ao longo das aulas e no projeto de avaliação para assegurar que adquiram as competências necessárias ao desenvolvimento autónomo de projetos.
Observações / Observations
Nenhuma.
Bibliografia Principal / Main Bibliography
Roiger, R. J. (2020). Just enough R! An interactive approach to machine learning and analytics. CRC Press Boehmke, B.; Greenwell, R. (2020). Hands ? on Machine Learning with R. CRC Press Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Business Intelligence and Analytics: Systems for Decision Support-(Required). Prentice Hall. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann. Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. " O'Reilly Media, Inc.".
Bibliografia Secundária / Secondary Bibliography
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0 Step-by-step data mining guide.
Data da última atualização / Last Update Date
2024-02-16