Currículo
Modelos de Previsão ModP
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 a frequência da UC, o aluno está habilitado a: OA1: Compreender os métodos analíticos: âmbitos de aplicação e procedimentos OA2: Realizar as análises de dados recorrendo à linguagem de programação R OA3: Avaliar e interpretar os resultados das análises de dados
Programa
Introdução a Machine Learning: métodos supervisionados para previsão e classificação. CP1: INTRODUCÃO 1.1 Problemas de previsão 1.2 Problemas de classificação 1.3 Conjuntos de Treino e de Teste 1.4 Validação Cruzada (cross validation) CP2: Regressão Linear 2.1 Regressão Linear Simples 2.2 Regressão Linear Múltipla 2.3 Aplicações com R CP3: Regressão Logística 3.1 Regressão Logística Simples 3.2 Regressão Logística Múltipla 3.3 Aplicações com R CP4: Métodos baseados em Árvores de Decisão 4.1. Construção de Algoritmos de Árvores de Decisão 4.2. Melhoria do Desempenho: Bagging e Boosting 4.3. Algoritmo CART (Classification and Regression Trees) 4.4. Florestas Aleatórias 4.5. Aplicações com R
Método de Avaliação
AVALIAÇÃO de 1ª ÉPOCA Na 1ª Época, a avaliação da Unidade Curricular é feita ao longo do semestre. AVALIAÇÃO AO LONGO DO SEMESTRE - Teste Individual (40%): nota mínima igual a 8 valores; - Trabalho de Grupo (60%): escrita de relatório e código (50%) + apresentação oral (10%). AVALIAÇÃO de 2ª ÉPOCA Na 2ª Época, a avaliação da Unidade Curricular é feita através da realização de um Projeto Individual (100%): escrita de relatório e código (80%) + discussão oral (20%). Em ambas as épocas, o aluno pode ser sujeito a exame oral mesmo que classificação final >= 9,5 valores. Escala 0-20 Atendendo ao carácter eminentemente prático da Unidade Curricular, a avaliação por Exame Final não está contemplada.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 125.0
Carga Total -
Bibliografia
Principal
- Hastie, T.; Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer. Berk, R.A. (2017). Statistical Learning from a Regression Perspective. 2nd ed. Springer. Boehmke, B.; Greenwell, R. (2020). Hands ? on Machine Learning with R. CRC Press.:
Secundária
- Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons. Bradley, E.; Hastie, T. (2016). Computer Age Statistical Inference: Algorithms, Evidence and Data Science. Cambridge University Press. Burger, S. V. (2018). Introduction to Machine Learning with R. O´REILLY. Roiger, R. J. (2020). Just enough R! An interactive approach to machine learning and analytics. CRC Press. Anabela Costa, Lectures notes provided by the lecturer of Course, 2024/ 25.: