Currículo

Programação para Ciência dos Dados 04328

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1 Conhecer as características principais e funcionalidades da linguagem de programação Python OA2 Saber executar e depurar aplicações em Python OA3 Compreender os principios da ciência de dados e o modelo Cross-Industry Standard Process for Data Mining (CRISP-DM) OA4 Caracterizar as principais famílias de algoritmos usados em Aprendizagem Automática OA5 Saber recolher e preparar dados para modelação OA6 Compreender e saber explicar os fundamentos da aprendizagem supervisionada, não supervisionada e por reforço OA7 Conceber, desenvolver e testar técnicas algoritmicas de aprendizagem automática na resolução de problemas práticos e reais, em Python OA8 Desenvolver a autoaprendizagem, revisão por pares, trabalho em equipa, expressão verbal e oral

Programa

C1 Introdução à sintaxe e estrutura da linguagem de programação (Python 3) C2 Ambientes integrados de desenvolvimento em Python. Execução e depuração de programas C3 Primitivas de controlo, variáveis, expressões e declarações. Objetos e classes de objetos. C4 Funções, módulos e pacotes. C5 Operações sobre ficheiros. Interpretação dados JSON, XML C6 Operações sobre bases de dados. Web scrapping C7 Introdução à ciência dos dados. Discussão de problemas e casos práticos. Ciclo dos dados e exploração de dados C8 Tipos de aprendizagem automática C9 Modelo o Cross-Industry Standard Process for Data Mining (CRISP-DM) C10 Recolha e preparação de dados. Avaliação de resultados C11 Aprendizagem Não Supervisionada C12 Aprendizagem Supervisionada C13 Aprendizagem por Reforço

Método de Avaliação

Presença obrigatória do aluno em 90% de todas as atividades do curso. Pesos da avaliação: - Trabalhos práticos individuais, 8 dos quais obrigatórios (40%). - Projeto (em grupos de 2), com discussão oral (35%). - 25% - Mini-testes. O aluno dispensa o exame com 10 valores. Em caso de reprovação na época normal o aluno acede ao exame da época de recurso.

Carga Horária

Bibliografia

Principal

• Larose, D., Larose, C. Data Mining and Predictive Analytics. 2nd Edition, John Wiley & Sons. 2015 Hastie, T.; Tibshirani, R., Friedman, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer. 2017 Ethem Alpaydin. Introduction to Machine Learning. MIT Press (2010).ISBN 026201243X. Kenneth Reitz, Tanya Schlusser, The Hitchhiker's Guide to Python: Best Practices for Development, 1st Edition, 2016, ISBN-13: 978-1491933176, https://docs.python-guide.org/ João P. Martins, Programação em Python: Introdução à programação com múltiplos paradigmas, IST Press, ISBN: 9789898481474. 2015:

Secundária

• John Zelle, Python Programming: An Introduction to Computer Science, Franklin, Beedle & Associates Inc, 2016, ISBN-13 ? : ? 978-1590282755 Eric Matthes, Python Crash Course, 2Nd Edition: A Hands-On, Project-Based Introduction To Programming, No Starch Press,US, 2019, ISBN-13 ? : ? 978-1593279288 David Beazley, Brian Jones, Python Cookbook: Recipes for Mastering Python 3, O'Reilly Media, 2013, ISBN-13 ? : ? 978-1449340377 João Pedro Neto, Programação, Algoritmos e Estruturas de Dados, Escolar Ed., 3ª Edição, 2014. ISBN: 9789725924242:

Disciplinas de Execução

2023/2024 - 2º Semestre

2024/2025 - 2º Semestre