Currículo
Métodos Analíticos Aplicados à Gestão 04301
Contextos
Groupo: Tecnologias Digitais e Gestão - 2023 > 1º Ciclo > Unidades Curriculares Obrigatórias
Groupo: Tecnologias Digitais e Gestão - 2023 > 1º Ciclo > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
Após frequência bem sucedida na unidade curricular, os estudantes deverão ser capazes de: OA1. Conhecer os diferentes tipos de problemas analíticos para a Gestão. OA2. Identificar tipos de dados estruturados e não estruturados e como os recolher e tratar OA3. Saber aplicar e interpretar uma analise exploratória de segmentação de dados usando software. OA4. Saber aplicar e interpretar uma análise e avaliação utilizando modelos de regressão ou classificação de dados usando software. OA5. Saber fazer uma análise de texto e sentimentos usando software. OA6. Saber implementar as técnicas adequadas para cada tipo de problemas na Gestão.
Programa
CP1. Introdução aos principais problemas de análise de dados para a Gestão CP2. Tipos de Dados Estruturados e Não Estruturados. Recolha e Tratamento CP3. Modelos Exploratórios de Dados. Segmentação CP4. Modelos Preditivos. Técnicas de Regressão e de Classificação CP5. Análise de Texto e Sentimentos.
Método de Avaliação
1) Avaliação ao longo do semestre: - Teste individual (60%). - Trabalho de grupo (40%). Aprovação: a) mín. 7,5 valores em cada um dos elementos de avaliação; b) classificação final mín. 10 valores; c) É exigida uma assiduidade mínima não inferior a 3/4 das aulas. 2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores. 3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores. Escala: 0-20 valores.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 113.0
Carga Total -
Bibliografia
Principal
- Torgo, L. (2011). Data mining with R: learning with case studies. Chapman and Hall/CRC.Crawley. Tattar, P., Ojeda, T., Murphy, S. P., Bengfort, B., & Dasgupta, A. (2017). Practical Data Science Cookbook. Packt Publishing Ltd.:
Secundária
- Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. " O'Reilly Media, Inc.". Miller, T. W. (2015). Marketing data science: modeling techniques in predictive analytics with R and Python. FT Press. Mathur, P. (2018). Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. " O'Reilly Media, Inc. O'Neil, C., & Schutt, R. (2013). Doing data science: Straight talk from the frontline. " O'Reilly Media, Inc.".: