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
2023/2024
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 sólidos conhecimentos sobre as técnicas fundamentais de investigação necessárias à tomada de decisão baseada em dados. 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 Data Science, 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. Comparar diferentes modelos de avaliação de maturidade de Business Intelligence OA5. Conhecer os factores críticos de sucesso do desenvolvimento de sistemas de DW/BI OA6. Conhecer as técnicas fundamentais de Data Mining OA7. Conhecer os desafios actuais de Big Data Analytics OA8. Conhecer os princípios fundamentais da visualização de dados (percepção visual, visualização de dados estruturados e não-estruturados) OA9. Saber resolver casos com recurso a lingua Python
Conteúdos Programáticos / Syllabus
CP1. Sistemas de Apoio à Decisão: taxonomia, evolução e características fundamentais CP2. Princípios de Data Science e tomada de decisão baseada em dados CP3. Sistemas de Data Warehouse e Business Intelligence: características fundamentais, avaliação de maturidade e fatores críticos de sucesso CP4. Data Mining: técnicas fundamentais CP5. Desafios de Big Data Analytics CP6. Introdução à Visualização de dados - Introdução ao Power BI CP7. Discussão de casos práticos de Data Science CP8. Casos Praticos e Introdução ao Python
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 programáticos estão alinhados com os objectivos de aprendizagem (OA) da UC através das seguintes dependências: CP1 contribui para OA1 CP2 contribui para OA2 CP3 contribui para OA. 3, 4 e 5 CP4 contribui para OA6 CP5 contribui para OA7 CP6 contribui para OA8 CP7 contribui para OA. 1, 2, 6, 7, 8, e 9
Avaliação / Assessment
Dado que a UC tem um carácter eminentemente prático, não existe modalidade de avaliação por exame. Avaliação periódica: - Trabalhos individuais realizados nas aulas (20%): um em Power BI (10%) e outro em Python (10%) - Teste escrito (30%) realizado na última aula da UC. Pode ser repetido em 1ªépoca - Trabalhos de grupo (50%): dois trabalhos de casa (25% cada) realizados por grupos de 3 a 4 alunos e sujeitos a discussão oral Nota mínima 10 valores em cada componente. A avaliação em Época Especial consiste na realização de um trabalho individual sujeito a discussão oral (70%) e num teste escrito (30%).
Metodologias de Ensino / Teaching methodologies
A metodologia de ensino baseada na resolução de casos práticos, é uma abordagem pedagógica que envolve a análise e solução de casos reais ou cenários hipotéticos para promover o aprendizado dos aluno. Os alunos são desafiados a investigar, analisar e resolver problemas do mundo real.
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 teóricas são expositivas e servem para a apresentação dos conceitos fundamentais das diferentes áreas abordadas na UC. As aulas Teórico/práticas (TP) são participativas, promovendo-se a discussão e debate sobre diferentes casos de estudo e artigos científicos. As aulas de Seminário são participativas e são fundamentais para iniciar a ligação dos alunos aos Centros de Investigação do ISCTE-IUL. O alinhamento entre os objectivos de aprendizagem e cada metodologia de ensino-aprendizagem definidas para a UC é realizado da seguinte forma: Expositivas: Todos Participativas: Todos Casos praticos: Todos
Observações / Observations
-
Bibliografia Principal / Main Bibliography
F. Provost, and T. Fawcett (2013) Data Science for Business. O?Reilly Media, Inc. E. Turban, R. Sharda, and D. Delen (2010) Decision Support and Business Intelligence Systems (9th Eds). Pearson Education, Inc, USA S. Few (2006) Information Dashboard Design - the effective visual communication of data. O'Reilly.
Bibliografia Secundária / Secondary Bibliography
Siegel, E. (2013) Predictive Analytics. John Wiley & Sons, USA 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 Ware, C. (2004) Information Visualization: Perception for Design, 2nd Ed, Morgan Kauffman Tufte, E. (1983) The Visual Display of Quantitative Information. Graphics Press
Data da última atualização / Last Update Date
2024-02-16