Currículo

Algoritmos para Big Data 02864

Contextos

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Multimédia > Optativas > 1º Ano

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Multimédia > Optativas > 1º Ano

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Sistemas de Informação e Gestão do Conhecimento > Optativas > 1º Ano

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Sistemas de Informação e Gestão do Conhecimento > Optativas > 1º Ano

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Sistemas de Informação e Gestão do Conhecimento > Optativas > 1º Ano

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Multimédia > Optativas > 2º Ano

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Sistemas de Informação e Gestão do Conhecimento > Optativas > 2º Ano

Groupo: Engenharia Informática > 2º Ciclo > Parte Escolar > Ramos > Multimédia > Optativas > 1º Ano

ECTS

6.0 (para cálculo da média)

Objectivos

No final da UC os alunos deverão ser capazes de: OA1: compreender e identificar os problemas associados ao processamento de grandes quantidades de informação OA2: saber aplicar técnicas de aprendizagem supervisionada e não supervisionada em problemas de grande dimensão OA3: compreender as diferentes técnicas dos sistemas de recomendação OA4: saber como realizar a análise de dados a partir de sequências OA5: compreender o que é Deep Learning e as suas técnicas OA6: saber como determinar items frequentes e definir regras de associação OA7: compreender técnicas de processamento de grafos

Programa

CP1 Fundamentos de Big Data CP2 Aprendizagem supervisionada/não supervisionada para larga escala CP3 Sistemas de recomendação CP4 Aprendizagem a partir de sequências CP5 Introdução ao deep learning CP6 Items frequentes e regras de associação CP7 Análise de hiperligações e comunidades em grafos

Método de Avaliação

Esta UC contempla as seguintes modalidades de avaliação: (1) avaliação ao longo do semestre; (2) avaliação por exame. (1) Avaliação ao longo do semestre A nota final é composta por: • Teste escrito individual (70%), com nota mínima de 8,0; • Trabalho de grupo (30%). O trabalho de grupo tem uma entrega intercalar que contará 30% e uma entrega no final do semestre que contará 70%. Quem não entregar a parte correspondente à entrega intercalar passa automaticamente para a modalidade de avaliação por exame. O trabalho terá uma apresentação/discussão oral sendo a nota final individual. (2) avaliação por exame A nota final será a obtida num único exame escrito, incluindo o exame de época especial.

Carga Horária

Carga Horária de Contacto -

Trabalho Autónomo - 113.0

Carga Total -

Bibliografia

Principal

  • Deep Learning, Ian Goodfellow and Yoshua Bengio, 2016, MIT Press. Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale, Ofer Mendelevitch, Casey Stella and Douglas Eadline, Addison-wesley, 2016. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, Sandy Ryza et al., O'Reilly Media, 2017. Learning Spark: Lightning-Fast Big Data Analysis, Holden Karau, A. Konwinski, P. Wendell and M. Zaharia, O'Reilly Media, 2015. Big Data: Algorithms, Analytics, and Applications, Kuan-Ching Li et al., Chapman and Hall/CRC, 2015. Mining of Massive Datasets, A. Rajaraman, J. Ullman, 2011, Cambridge University Press. :

Secundária

  • The elements of statistical learning, Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Springer, 2001. All of Statistics: A concise course in Statistical Inference, L.Wasserman, Springer, 2003. :

Disciplinas de Execução

2015/2016 - 2º Semestre

2016/2017 - 2º Semestre

2017/2018 - 1º Semestre

2018/2019 - 2º Semestre