Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Ciências e Tecnologias da Informação

Departamento / Department

Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

-

Objetivos Gerais / Objectives

Esta UC tem por objetivo apresentar e discutir os principais desafios inerentes à tomada de decisão baseada em dados e à execução de projetos de Business Intelligence e Data Science. A UC pretende também dotar os alunos de conhecimentos sobre as técnicas fundamentais de investigação necessárias à tomada de decisão baseada em dados, como a capacidade crítica na análise dos dados e a visualização e comunicação de resultados. A UC apresenta uma visão integrada e introdutória de todas as áreas abordadas no mestrado em Sistemas Integrados de 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

Para obter sucesso nesta UC o aluno deverá ser capaz de: OA1. Conhecer os diferentes tipos e a evolução dos Sistemas de Apoio à Decisão OA2. Conhecer os princípios fundamentais de Ciência de Dados, e da tomada de decisão e pensamento analítico baseados em dados OA3. Conhecer as características fundamentais dos sistemas de Data Warehouse e Business Intelligece (DW/BI) OA4. Conhecer as técnicas fundamentais de Data Mining OA5. Conhecer os desafios actuais de Big Data Analytics OA6: Identificar o impacto das questões éticas e da qualidade de dados na tomada de decisão baseada em dados OA7. Conhecer os princípios fundamentais da visualização de dados OA8. Aplicar técnicas de programação e análise de dados em Python a casos práticos OA9: Desenvolver um pensamento crítico na exploração, análise e comunicação de dados para a tomada de decisão OA10: Construir e apresentar um poster científico

Conteúdos Programáticos / Syllabus

CP1. Sistemas de Apoio à Decisão: taxonomia, evolução e características fundamentais CP2. Princípios de Ciência de Dados e tomada de decisão baseada em dados CP3. Sistemas de Data Warehouse e Business Intelligence: características fundamentais CP4. Data Mining: técnicas fundamentais CP5. Desafios de Big Data Analytics CP6. Introdução à visualização de dados CP7: A ética e os dados CP8. Introdução ao Python CP9: Discussão e resolução de casos de estudo em Sistemas Integrados de Apoio à Decisão CP10. Desenho de posters científicos

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

A interligação entre os conteúdos programáticos (CP) e os objetivos de aprendizagem (OA) realiza-se da seguinte forma: OA1. Diferentes tipos e a evolução dos Sistemas de Apoio à Decisão: CP1 e 9 OA2. Princípios fundamentais de Ciência de Dados e tomada de decisão: CP2 e 9 OA3. Sistemas DW/BI: CP3 e 9 OA4. Data Mining: CP4 e 9 OA5. Conhecer os desafios actuais de Big Data Analytics: CP5, 7 e 9 OA6: Identificar o impacto das questões éticas e da qualidade de dados na tomada de decisão baseada em dados: CP7 OA7. Conhecer os princípios fundamentais da visualização de dados: CP6, 9 e 10 OA8. Aplicar técnicas de programação e análise de dados em Python a casos práticos: CP8 e 9 OA9: Desenvolver um pensamento crítico na exploração, análise e comunicação de dados para a tomada de decisão: Todos os CP OA10: Construir e apresentar um poster científico: CP9 e 10

Avaliação / Assessment

Dado que a UC tem um carácter eminentemente prático e é uma introdução ao programa de mestrado em SIAD, não existe modalidade de avaliação por exame. A avaliação ao longo do semestre é composta pelas seguintes componentes: - Projeto prático (em grupo, com nota individual) - 50%: inclui a entrega de um poster científico e de um relatório. - Apresentação na sessão de posters (em grupo, com nota individual) - 20% - Revisão por pares de um poster (em grupo): 10% - Assiduidade e participação nas aulas (nota individual): 20% Nota mínima de 10 em todas as componentes da avaliação ao longo do semestre. Os grupos de trabalho são de 2 elementos. Não há possibilidade de realização de projetos individuais. Critérios de elegibilidade para a avaliação ao longo do semestre: assiduidade às aulas mínima de 60% (mínimo de 14 em 24 aulas). É obrigatória a presença de todos os alunos na apresentação final dos projetos práticos, realizados numa sessão de posters. A entrega do projeto prático decorre após o final das aulas. Note-se que esta UC é dada em regime intensivo, a partir do início do semestre, terminando a meio do período letivo. A apresentação final dos projetos na sessão de posters decorre após a última semana de aulas da UC, no período letivo. A avaliação em época especial é composta por uma prova escrita (50%) e um trabalho prático (50%).

Metodologias de Ensino / Teaching methodologies

O processo de ensino-aprendizagem inclui quatro metodologias (ME): ME1: Expositivas, para apresentação do enquadramento teórico. ME2: Demonstrativa ou experimental, para exemplificação dos conceitos teóricos em contextos reais, e para o desenvolvimento do projeto prático. ME3: Participativa, para a discussão crítica de casos de estudo. ME4: Auto-estudo, relacionadas com o trabalho autónomo do aluno, segundo o Planeamento da UC.

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 resultados de aprendizagem são alcançados através de uma combinação de aulas expositivas, discussão de casos, realização de exercícios em aula em Phyton, desenvolvimento do projeto e estudo individual. As aulas expositivas são orientadas para a apresentação da visão integrada e introdutória de todas as áreas abordadas no mestrado em Sistemas Integrados de Apoio à Decisão. O projeto realizado em grupo permite aos alunos aplicarem os conceitos teóricos lecionados num contexto específico. A discussão de casos de estudo permite a aplicação e a discussão participativa e crítica dos conceitos lecionados. A resolução de exercícios em Phyton, em aula e em auto-estudo, permite a consolidação das competências em programação aplicada a ciência de dados. As aulas de apoio ao desenvolvimento do projeto prático oferecem uma oportunidade para os alunos explicarem as suas decisões e refletirem sobre a aplicação dos conceitos lecionados, obtendo feedback formativo. A sessão de posters é realizada em regime de workshop, permitindo aos alunos aplicarem os conhecimentos e refletirem criticamente sobre as diferentes soluções apresentadas para os desafios propostos. O alinhamento entre os objetivos de aprendizagem e cada metodologia de ensino-aprendizagem definidas para a UC é realizado da seguinte forma: ME1: OA1, OA2, OA3, OA4, OA5, OA6, OA7 ME2: OA2, OA4, OA5, OA7, OA8, OA9, OA10 ME3: OA1, OA2, OA3, OA4, OA5, OA7, OA8, OA9, OA10 ME4: Todos os OA.

Observações / Observations

-

Bibliografia Principal / Main Bibliography

- Materiais diversos fornecidos pelos docentes da UC. - Sharda, R., Delen, D., and Turban, F. (2019) Analytics, Data Science, & Artificial Intelligence: Systems for Decision Support (11th Ed). Pearson Education, Inc, USA - Python Data Science Handbook: essential tools for working with Data (2023) (2nd ed.) OReilly Media - Provost, F., and T. Fawcett (2013) Data Science for Business. OReilly Media - Nussbaumer Knaflic, C. (2015) Storytelling with data: a data visualization guide for business professionals. Wiley, USA. - Siegel, E. (2016) Predictive Analytics, 2nd ed. John Wiley & Sons, USA

Bibliografia Secundária / Secondary Bibliography

- Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., and Becker, B. (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA - Tan, P-N., Steinbach, M., and Kumar, V. (2006) Introduction to Data Mining. Addison-Wesley. - Cairo, A. (2016) The Truthful Art: Data, Charts and Maps for Communication. New Riders

Data da última atualização / Last Update Date

2024-09-24