Currículo

Projeto Aplicado em Ciência de Dados 03603

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1: Aplicar metodologias adequadas ao desafio em causa OA2: Desenvolver competências em limpeza, pré-processamento e integração de dados reais OA3: Transformar, sumarizar e visualizar dados de forma eficaz OA4: Analisar dados e interpretar resultados de forma crítica OA5: Comunicar resultados de forma clara e estruturada

Programa

CP1: Análise preliminar de dados. Exploração de bibliotecas para manipulação, limpeza, visualização e tratamento de dados reais, com foco na preparação dos dados para análise. CP2: Análise de Variáveis e Engenharia de Atributos. Identificação de variáveis-chave e aplicação de técnicas de seleção e transformação eficazes para melhorar a precisão do modelo e a qualidade global da análise. CP3: Visualização de dados univariados e multivariados. CP4: Análise, interpretação e comunicação eficaz dos resultados para apoiar a tomada de decisões baseada em dados. CP5: Desenvolvimento de um projeto aplicado utilizando dados do mundo real, abrangendo todas as etapas do processo analítico — desde a definição do problema até à apresentação e defesa de soluções baseadas em dados.

Método de Avaliação

Considerando a natureza prática do curso, a avaliação é realizada continuamente ao longo do semestre e não inclui exame final. A avaliação baseia-se em dois componentes principais: a) Quizzes online de grupo, com consulta a.1) Dois quizzes online, de grupo, realizados em aula (5% cada); a.2) Um quiz online, de grupo, abrangendo os conteúdos do curso (30%); b) Projeto de grupo (60%); b.1) Progresso e participação no Projecto de grupo decorrente de acompanhemento semanal (10%); b.2) Relatório final escrito e apresentação oral (50%); Requisito mínimo: Os alunos devem obter uma nota mínima de 9 (escala de 0 a 20) em cada componente para serem aprovados no curso.

Carga Horária

Bibliografia

Principal

• Field Cady, The Data Science Handbook, 2017, DOI:10.1002/9781119092919, https://onlinelibrary.wiley.com/doi/book/10.1002/9781119092919 Bradley Boehmke & Brandon Greenwell, Hands-On Machine Learning with R, 2020, https://bradleyboehmke.github.io/HOML/, https://bradleyboehmke.github.io/HOML/ Jake VanderPlas, Python Data Science Handbook, 2016, O'Reilly Media, Inc., https://jakevdp.github.io/PythonDataScienceHandbook/ José Braga de Vasconcelos e Alexandre Barão, Ciência Dos Dados Nas Organizações - Aplicações Em Python, 2017, FCA Editora, Trevor Hastie , Robert Tibshirani , Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction, 2016, https://link.springer.com/book/10.1007/978-0-387-84858-7, https://hastie.su.domains/Papers/ESLII.pdf James, G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to Statistical Learning with Applications in R (1st Ed.), 2013, Springer,:

Secundária

• Glenn J. Myatt and Wayne P. Johnson, Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining", Second Edition, 2014, John Wiley & Sons, Inc., :

Disciplinas de Execução