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

2023/2024

Pré-requisitos / Pre-Requisites

Conhecimentos básicos de programação, probabilidades e estatística, e álgebra linear.

Objetivos Gerais / Objectives

O objetivo geral desta UC é dar formação nas tecnologias, técnicas e algoritmos que permitem extrair modelos e conhecimento a partir de grandes quantidades de informação.

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 os alunos deverão ser capazes de: OA1: compreender e conhecer as principais plataformas para processamento de grandes quantidades de informação OA2: compreender e saber aplicar os modelos de programação/computação distribuídos OA3: compreender as etapas associadas a um projeto de machine learning para grandes quantidades de informação OA4: aplicar técnicas de aprendizagem supervisionada ou não supervisionada em problemas de grande dimensão OA5: compreender o que é Deep Learning e as suas técnicas OA6: saber como realizar a análise de dados a partir de sequências

Conteúdos Programáticos / Syllabus

CP1: Plataformas computacionais para big data CP2: Pipeline de machine learning para big data CP3: Aprendizagem supervisionada/não supervisionada para larga escala CP4: Introdução do Deep learning CP5: Aprendizagem a partir de sequências

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 OA2: CP1 OA3: CP2 OA4: CP3 OA5: CP4 OA6: CP5

Avaliação / Assessment

A avaliação pode ser realizada de duas formas: periódica [1] ou exame final [2]. [1] A avaliação periódica consiste em: - 1 testes escrito individual com um peso na nota final de 60% e nota mínima de 8 em 20 para obter aprovação na UC; - 1 trabalho (de grupo) com um peso na nota final de 40%. [2] O exame final é composto por parte teórica e prática realizadas no Iscte-IUL (ver detalhes obrigatórios no campo Observações).

Metodologias de Ensino / Teaching methodologies

As aulas são teórico-práticas, alternando entre a exposição dos assuntos teóricos e a realização de exercícios.

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

O alinhamento entre cada instrumento de avaliação e os objectivos definidos para a UC é realizado da seguinte forma: Teste: todos os objetivos; Trabalho: todos os objectivos ou Exame: todos os objectivos

Observações / Observations

A parte prática do exame final avaliará os conhecimentos práticos necessários ao desenvolvimento de projetos de complexidade semelhante à do trabalho considerado para avaliação periódica. Os alunos que entregaram projeto durante a avaliação periódica poderão optar por não realizar a parte prática do exame final. Nesse caso, a nota da parte prática será a nota do trabalho. A realização da parte prática requer a inscrição por email para o docente, com pelo menos dois dias úteis de antecedência. Por razões logísticas a realização da prova prática poderá não ser no dia da prova teórica.

Bibliografia Principal / Main Bibliography

- Mining of Massive Datasets, A. Rajaraman, J. Ullman, 2011, Cambridge University Press. - Big Data: Algorithms, Analytics, and Applications, Kuan-Ching Li et al., Chapman and Hall/CRC, 2015. - Learning Spark: Lightning-Fast Big Data Analysis, Holden Karau, A. Konwinski, P. Wendell and M. Zaharia, O'Reilly Media, 2015. - Understanding Deep Learning, Prince, Simon JD., MIT press, 2023. - Advanced Analytics with Spark: Patterns for Learning from Data at Scale, Sandy Ryza et al., O'Reilly Media, 2017. - Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale, Ofer Mendelevitch, Casey Stella and Douglas Eadline, Addison-wesley, 2016.

Bibliografia Secundária / Secondary Bibliography

- All of Statistics: A concise course in Statistical Inference, L.Wasserman, Springer, 2003. - The elements of statistical learning, Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Springer, 2001. -- Deep Learning, Ian Goodfellow and Yoshua Bengio, 2016, MIT Press.

Data da última atualização / Last Update Date

2024-02-16