Currículo
Metodologias e Tecnologias para Ciência de Dados MTCD
Contextos
Groupo: Ciência de Dados - 2023 > 2º Ciclo > Parte Escolar > Percursos > Titulares de 1.º Ciclo noutras Áreas
ECTS
6.0 (para cálculo da média)
Objectivos
Após uma conclusão com sucesso desta UC, cada estudante será capaz de: OA1. Definir conceitos fundamentais em Ciência de Dados. OA2. Explicar quais as tarefas de um projeto de Ciência de Dados e que tipos de análises podem ser produzidas. OA3. Definir as metodologias de projetos existem em Ciência de Dados e definir qual o plano de projeto que se adequa ao contexto e tarefas de um dado problema. OA4. Explicar os conceitos de Rede Neuronal Artificial, Engenharia de Dados e Optimização de hiperparâmetros.
Programa
Os conteúdos programáticos (CP) são os seguintes: CP1: Conceitos e definições fundamentais em Ciência de Dados. CP2: Discussão das vertentes ética e regulamentar do uso e tratamento de dados. CP3: Metodologias de projeto em Ciência de Dados: quais são, em que consistem e como as aplicar. CP4: Preparação clássica de dados estruturados. CP5: Redes Neuronais Artificiais: perceptrão, MLP, backpropagation e otimização de hiperparametros.
Método de Avaliação
Sendo uma unidade curricular de cariz "aprender fazendo", a avaliação deverá ser, preferencialmente, ao longo ao do semestre, desenvolvendo um trabalho de grupo. Este trabalho será apresentado existirá uma discussão dirigida por parte da equipa docente (apresentação com peso de 20% + discussão com peso de 20% + relatório com peso de 30%) (nota mínima: 10 valores). Existirá ainda um teste individual (peso de 30%). No caso de o ou a estudante estar justificadamente impossibilitado(a) de realizar avaliação ao longo do semestre, poderá submeter-se à aprovação em 2.ª época, apresentando e defendendo um trabalho individual (100% da nota, com nota mínima de 10 valores).
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 125.0
Carga Total -
Bibliografia
Principal
- Roiger, R. J. (2020). Just enough R! An interactive approach to machine learning and analytics. CRC Press. Boehmke, B.; Greenwell, R. (2020). Hands-on Machine Learning with R. CRC Press. Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Business Intelligence and Analytics: Systems for Decision Support-(Required). Prentice Hall. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann. 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.".:
Secundária
- Voeneky, S., Kellmeyer, P., Mueller, O., & Burgard, W. (Eds.). 2022. The Cambridge Handbook of Responsible Artificial Intelligence: Interdisciplinary Perspectives. Cambridge: Cambridge University Press. 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.: