Currículo
Algoritmos para Big Data 02864
Contextos
Groupo: Escola de Tecnologias e Arquitetura > Optativas
Groupo: Escola de Tecnologias e Arquitetura > Optativas > Departamento de Ciências e Tecnologias da Informação > 2º Ciclo
ECTS
6.0 (para cálculo da média)
Objectivos
No final da UC, os alunos deverão ser capazes de: - OA1: Compreender e identificar problemas associados ao processamento de dados em larga escala. - OA2: Compreender e aplicar técnicas para encontrar itens de informação semelhantes. - OA3: Compreender e aplicar técnicas para determinar itens de informação frequentes e definir regras de associação. - OA4: Compreender técnicas para redução de dimensionalidade de dados. - OA5: Aplicar técnicas de aprendizagem automática - agrupamento e classificação - em problemas com dados em larga escala. - OA6: Compreender e aplicar técnicas para análise de dados em grafos de grande dimensão. - OA7: Compreender o funcionamento de sistemas de processamento contínuo de dados em tempo real. - OA8: Aplicar técnicas para análise de dados a partir de sequências de dados. - OA9: Compreender e aplicar técnicas para construção de sistemas de recomendação.
Programa
CP1 - Fundamentos de Big Data. CP2 - Similaridade de itens. CP3 - Itens frequentes e regras de associação. CP4 - Redução de dimensionalidade de dados. CP5 - Aprendizagem automática para dados em larga escala. CP6 - Análise de grafos de grande dimensão. CP7 - Processamento e análise de dados em tempo real. CP8 - Sistemas de recomendação.
Método de Avaliação
A UC pode ser realizada através de 2 modalidades de avaliação: 1 - Avaliação ao longo do semestre A avaliação ao longo do semestre é composta por: - (80%) Componente teórica, constituída por dois testes: o 1º teste a realizar a meio do semestre, em data a definir, e o 2º teste a realizar na primeira data da época de exame. A incidência de conteúdos programáticos em cada um dos testes é diferente, não havendo repetição de conteúdos programáticos a avaliar do 1º para o 2º teste; - (20%) Componente prática, constituída por trabalhos de laboratório individuais. A nota final é calculada através de uma média ponderada destas duas componentes, de acordo com os pesos apresentados. Ambos os testes têm o mesmo fator de ponderação. A avaliação da componente prática é feita através de questionários _online_ a realizar na plataforma de e-learning. Cada questionário incidirá sobre uma ficha laboratorial, sendo obrigatória a presença em pelo menos uma das aulas afetas a essa ficha laboratorial para que a avaliação do questionário seja válida. Se determinado questionário não for considerado para avaliação, a respetiva cotação será 0 valores para efeitos de cálculo da nota da componente prática. 2 - Avaliação por exame final A avaliação por exame final é composta por um único exame a realizar em qualquer das épocas de exame disponíveis, que corresponderá a 100% da nota final.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 113.0
Carga Total -
Bibliografia
Principal
- Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale, Ofer Mendelevitch, Casey Stella and Douglas Eadline, Addison-wesley, 2016. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, Sandy Ryza et al., O'Reilly Media, 2017. Learning Spark: Lightning-Fast Big Data Analysis, Holden Karau, A. Konwinski, P. Wendell and M. Zaharia, O'Reilly Media, 2015. Big Data: Algorithms, Analytics, and Applications, Kuan-Ching Li et al., Chapman and Hall/CRC, 2015. Mining of Massive Datasets, A. Rajaraman, J. Ullman, 2011, Cambridge University Press.:
Secundária
- :