Currículo

Análise Preditiva 03632

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1. Descrever e demonstrar a aplicação de técnicas de classificação: árvores de decisão, regras proposicionais e redes neuronais OA2. Descrever e demonstrar a aplicação de técnicas de regressão: regressão linear, árvores de decisão e redes neuronais OA3. Aplicar, em plataformas analíticas, técnicas de classificação e regressão para resolver problemas reais de negócio

Programa

P1. Técnicas de classificação P1.1. Árvores de decisão e regras proposicionais P1.2 Redes neuronais: algoritmo backpropagation P1.3 Outros algoritmos para classificação P2. Técnicas de regressão P2.1. Regressão linear P2.2. Árvores de decisão P2.3 Redes neuronais: algoritmo backpropagation P2.4. Outros algoritmos para regressão P3. Aplicações de classificação e regressão em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics; ou outro

Método de Avaliação

1) Avaliação ao longo do semestre: a) Teste individual (50%) - OA 1, 2. b) Trabalho de projeto aplicado em grupo com apresentação digital (50%) e possível discussão - OA 1, 2, 3 Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 2/3 das aulas. 2) Avaliação por exame (todas as épocas): Trabalho de projeto aplicado individual, a realizar numa semana, com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambos. Escala: 0-20 valores.

Carga Horária

Bibliografia

Principal

• Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (Wiley Series on Methods and Applications in Data Mining), 2nd edition, Wiley. ISBN: 978-1-118-11619-7. Lopez, C. (2022). Machine Learning. Supervised Learning with SPSS Modeler, Scientific Books. ISBN: 978-1471018046. Quinn, J. (2020). The Insider' Guide to Predictive Analytics, Smart Vision Europe. ISBN: 978-1838058104. Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions, 2nd edition, Springer. ISBN: 978-3030543372. Witten, I., Frank, E., Hall, M. & Pal, C. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 4th edition, Morgan Kaufmann. ISBN: 978-0128042915.:

Secundária

• Gama, J., Carvalho, A., Faceli, K., Lorena, A., & Oliveira, M. (2012). Extração de Conhecimento de Dados: Data Mining, Edições Sílabo. Hair, J.F., Black, W.C., Babin, B.J. & Anderson, R.E. (2010). Multivariate Data Analysis, 7th edition, Prentice Hall. Hastie, T., Tibshirani, R., Friedman, J., Hastie, T., Friedman, J., & Tibshirani, R. (2009). The Elements of Statistical Learning, Vol. 2, Springer. Laureano, R. (2020). Testes de Hipóteses e Regressão: o Meu Manual de Consulta Rápida, Edições Sílabo. McCormick, K., Abbott, D., Brown, M., Khabaza. T., & Mutchler, S. (2013). IBM SPSS Modeler Cookbook, Packt Rocha, M., Cortez, P. & Neves, J. (2008). Análise Inteligente de Dados - Algoritmos e Implementação em Java, FCA. Salcedo, J. & McCormick, K. (2017). IBM SPSS Modeler Essentials: Effective techniques for building powerful data mining and predictive analytics solutions, Packt. Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, FCA. Vasconcelos, J., & Barão, A. (2017). Ciência dos Dados nas Organizações: Aplicações em Python, FCA.:

Disciplinas de Execução

2020/2021 - 2º Semestre

2021/2022 - 2º Semestre

2022/2023 - 2º Semestre

2023/2024 - 2º Semestre

2024/2025 - 2º Semestre