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

Conhecimentos básicos em probabilidades e estatística e de programação, nomeadamente através de frequência com aproveitamento em unidades curriculares de Estatística e de Programação.

Objetivos Gerais / Objectives

Introduzir os conceitos fundamentais em Ciência de Dados (CD), o que é um projeto em CD, quais as metodologias de projeto apropriadas e sua sistematização e porque é necessário limpar e transformar dados. Serão ainda abordadas as temáticas de ética em CD e será efetuada a introdução às Redes Neuronais Artificiais.

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

Após uma conclusão com sucesso desta UC, cada estudante será capaz de: OA1. Definir conceitos fundamentais em Ciência de Dados. OA2. Explicar quais as tarefas de um projeto de Ciência de Dados e que tipos de análises podem ser produzidas. OA3. Definir as metodologias de projetos existem em Ciência de Dados e definir qual o plano de projeto que se adequa ao contexto e tarefas de um dado problema. OA4. Explicar os conceitos de Rede Neuronal Artificial, Engenharia de Dados e Optimização de hiperparâmetros.

Conteúdos Programáticos / Syllabus

Os conteúdos programáticos (CP) são os seguintes: CP1: Conceitos e definições fundamentais em Ciência de Dados. CP2: Discussão das vertentes ética e regulamentar do uso e tratamento de dados. CP3: Metodologias de projeto em Ciência de Dados: quais são, em que consistem e como as aplicar. CP4: Preparação clássica de dados estruturados. CP5: Redes Neuronais Artificiais: perceptrão, MLP, backpropagation e otimização de hiperparametros.

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

Os objetivos de aprendizagem concordam com o conjunto de conteúdos programáticos descrito: CP1 proporciona elementos todos os OA, introduzindo amaioria dos conceitos fundamentais (OA1) que sustentam as definições em OA2 e OA4 e as metodolgias de OA3. CP2 proporciona elementos a OA1 e OA3, explicitando as questões indicadas em OA3, realçando o papel dos conceitos em OA2 e a importância de CP3 neste contexto. CP3 proporciona elementos a OA3, onde serão esolhidos estudos de caso relevantes para os objetivos de aprendizagem. CP4 consolida OA2 e OA3 e prepara OA4, mais uma vez, escolhendo estudos de caso ilustrativos das técnicas a abordar.. CP5 define e ilustra OA4, não apenas pela liustração prática, mas também reforçando a aprendizagem dos conceitos e competências indicadas em OA2 e OA3.

Avaliação / Assessment

Sendo uma unidade curricular de cariz "aprender fazendo", a avaliação deverá ser, preferencialmente, ao longo ao do semestre, desenvolvendo um trabalho de grupo. Este trabalho será apresentado existirá uma discussão dirigida por parte da equipa docente (apresentação com peso de 20% + discussão com peso de 20% + relatório com peso de 30%) (nota mínima: 10 valores). Existirá ainda um teste individual (peso de 30%). No caso de o ou a estudante estar justificadamente impossibilitado(a) de realizar avaliação ao longo do semestre, poderá submeter-se à aprovação em 2.ª época, apresentando e defendendo um trabalho individual (100% da nota, com nota mínima de 10 valores).

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem: MEA1: Ilustrativas, para exemplificação dos conceitos teóricos, de preferência em contextos reais. Se possível haverá ainda recurso a palestras convidadas. MEA2: Argumentativas, com apresentação e discussão do trabalho. MEA3: Participativas e Ativas, com realização do trabalho de investigação e de pequenos exercícios em aula. MEA4: Experimentais, desenvolvendo e explorando casos práticos. MEA5: Autoestudo por parte do aluno.

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 aulas são Teórico-Práticas (TP) de forma a poder aliar a aprendizagem teórica com aprendizagem baseada em projeto que levará à aplicação prática das técnicas e conceitos aprendidos. Os alunos irão tomar contato com problemas reais, desenvolvendo pequenos subprojetos ao longo das aulas para assegurar que adquiram as competências necessárias ao desenvolvimento autónomo de projetos em CD.

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

Voeneky, S., Kellmeyer, P., Mueller, O., & Burgard, W. (Eds.). 2022. The Cambridge Handbook of Responsible Artificial Intelligence: Interdisciplinary Perspectives. Cambridge: Cambridge University Press. 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.

Data da última atualização / Last Update Date

2024-07-25