Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
480 - Informática
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2024/2025
Pré-requisitos / Pre-Requisites
NA
Objetivos Gerais / Objectives
The "Python for Data Analysis and Analytics" course provides students with a comprehensive understanding of Python for data analysis and analytics in various domains, including the health sector. Students will gain proficiency in analyzing and visualizing data using Python and develop a solid foundation in machine learning algorithms for classification and regression tasks, such as linear regression, decision trees, naive Bayes, support vector machines, and logistic regression. Through hands-on practice and real-world projects, students will apply these techniques to diverse datasets, honing their practical skills. Ethical considerations in data analytics and emerging trends in the field will also be explored.
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 princípios e conceitos de análise de dados. OA2: Aplicar técnicas de manipulação e limpeza de dados para preparar datasets para análise. OA3: Avaliar os desafios e as oportunidades da análise de dados. OA4: Explorar estudos de casos de sucesso e melhores práticas de análise de dados. OA5: Desenvolver competências de pensamento crítico para avaliar o impacto da análise de dados. OA6: Aplicar bibliotecas e ferramentas Python para manipulação, visualização e análise eficazes de dados. OA7: Aplicar técnicas de visualização de dados apropriadas para comunicar conhecimentos. OA8: Aplicar algoritmos de aprendizagem automática para análise de dados e análise preditiva. OA9: Avaliar o desempenho de modelos de aprendizagem automática utilizando métricas específicas do domínio. OA10: Demonstrar considerações éticas na análise de dados, privacidade OA10: Demonstrar considerações éticas na análise de dados de saúde, privacidade.
Conteúdos Programáticos / Syllabus
PC1. Introdução à análise de dados: Conceitos chave e importância. PC2. Tecnologias e Tendências: IoT, Big Data, IA, ML, Cloud Computing. PC3. Manipulação e limpeza de dados: Técnicas de pré-processamento de dados. PC4. Análise Exploratória de Dados: Análise e visualização de dados. PC5. Seleção e engenharia de características: Métodos de seleção de características relevantes. PC6. Algoritmos de Aprendizagem Automática: Modelos de classificação e regressão na análise de dados. PC7. Avaliação de modelos e métricas de desempenho: Avaliação da eficácia de modelos. PC8. Visualização de dados: Comunicar os conhecimentos de forma eficaz. PC9. Considerações éticas: Privacidade, segurança e tratamento responsável de dados em análises. PC10. Tendências futuras: Tecnologias emergentes e seu impacto na análise de dados
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 conteúdos do PC1 abrangem conceitos básicos análise de dados, permitindo que os estudantes alcancem o OA1. PC2 orientado ao OA3; PC3 orientado ao OA2; PC4 orientado ao OA2, OA7 e OA8; PC5 orientado ao OA2; PC6 orientado ao OA6, OA7, OA8 e OA9, PC7 orientado ao OA9; PC8 orientado ao OA4 e OA5, PC9 orientado ao OA10; PC10 orientado ao OA4 e OA5.
Avaliação / Assessment
Entrega de 10 tarefas, respondendo aos critérios de cada solicitação do docente, com o peso de 50% da nota final e classificação mínima de 8,5 valores. As tarefas incluem atividades, desenvolvidas individualmente ou em grupo, nas sessões síncronas e em sessões assíncronas agendadas pelo docente, bem como intervenções em fóruns de discussão mediados. - Projeto de aplicação previamente estabelecido pelo docente e respetiva discussão oral em grupo, com o peso de 50% na nota final e classificação mínima de 8,5 valores. A média final terá de ser igual ou superior a 9,5 valores. De acordo com o Regulamento Geral de Avaliação de Conhecimentos e Competências do Iscte, esta UC é classificada como UC de projeto, pelo que não contempla avaliação por exame.
Metodologias de Ensino / Teaching methodologies
A UC adotará como metodologia de ensino e aprendizagem central a Aprendizagem Baseada em Estudos de Caso, combinada com Aprendizagem Baseada em Tarefas. A gamificação será utilizada como estratégia de motivação e envolvimento dos estudantes. Esta abordagem pedagógica está articulada com o modelo pedagógico do Iscte, em que o estudante é considerado um agente ativo no seu processo de aprendizagem, o conhecimento é trabalhado como uma ferramenta para a construção e desenvolvimento de mais conhecimento e é aplicado em diversos contextos.
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 foram selecionadas de forma a corresponder aos objetivos de aprendizagem da UC. Através de uma combinação de momentos de aprendizagem online síncrona e assíncrona, os estudantes irão realizar tarefas com diferentes níveis de apoio e orientação docente, analisar vários casos de estudo, aplicar conhecimentos teóricos e desenvolver competências de resolução de problemas e pensamento crítico. O docente dará feedback (corretivo e/ou cognitivo) sobre as tarefas e estudos de caso. Esta abordagem permitirá que os estudantes estabeleçam conexões entre os conhecimentos teóricos e práticos, melhorando a compreensão e a aplicação dos conceitos aprendidos. Como estratégia motivadora, a unidade curricular incluirá a gamificação ao longo do semestre, onde serão atribuídos pontos à medida que os estudos de caso forem analisados com sucesso.
Observações / Observations
Assíncrona: T=2; TP=14 Síncrona: TP=8; OT=1
Bibliografia Principal / Main Bibliography
Python for Data Analysis
Python Data Analysis
Python Data Science Handbook: Essential Tools for Working with Data
Hands-On Exploratory Data Analysis with Python
Bibliografia Secundária / Secondary Bibliography
Data da última atualização / Last Update Date
2024-06-07