Currículo

Extracção de Conhecimento de Dados Empresariais 00684

Contextos

Groupo: Sistemas Integrados de Apoio à Decisão > 2º Ciclo > Parte Escolar > Unidades Curriculares Obrigatórias

ECTS

6.0 (para cálculo da média)

Objectivos

No final da UC o estudante deverá: OA1. Identificar e por em prática metodologias de descoberta de conhecimento com base em dados de negócio OA2. Adquirir a capacidade de análise crítica para escolher e aplicar a técnica de modelação mais adequada perante um problema para o qual existam dados para explorar OA3. Desenvolver de forma autónoma soluções para problemas específicos de casos do mundo real que envolvam preparação de dados, modelação e avaliação dos resultados

Programa

CP1. Introdução à extração de conhecimento a partir de dados (Data Mining) e principais metodologias. CP2. Aplicação de modelos de aprendizagem supervisionada e não supervisionada; CP3. Problemas de classificação e métricas; CP4. Problemas de regressão e métricas; CP5. Problemas de predição e métricas; CP6. Tratamento e preparação de dados; CP7. A importância da seleção das variáveis adequadas; CP8. Utilização do software open source R para proceder à modelação básica e análise de dados; CP9. Visualização de dados: princípios básicos e ferramentas; CP10. Adaptive Business Intelligence.

Método de Avaliação

As aulas são Teórico-Práticas (TP) de forma a poder aliar a aprendizagem teórica à aplicação das técnicas em termos práticos através da ferramenta R | Aval. Contínua: 4 testes (TI), 10% cada Um trabalho de grupo(TF) discutido intergrupos, na 1ª época (60%). Nota Final=TIx40%+TFx60%. Min.Testes:8val;Trabalho:9val. Alternativa - Aval. 1ª época: trabalho individual (T) min.9val- inscrição até um mês antes do final das aulas e discussão oral -60%. Um exame(E) min.8val, na data da 1ª época -40%. Nota Final=Tx60%+Ex40%. Avaliação 2ª época: Trabalho de grupo (60%) + Exame (40%) OU Trabalho individual 1ª época (60%) + Exame (40%)

Carga Horária

Carga Horária de Contacto -

Trabalho Autónomo - 113.0

Carga Total -

Bibliografia

Principal

Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss 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. :

Secundária

M. Rocha & P. Ferreira. Análise e exploração de dados com R. FCA. P. Cortez (2014). Modern optimization with R. Springer. P. Cortez (2015). A tutorial on using the rminer R package for data mining tasks. https://repositorium.sdum.uminho.pt/bitstream/1822/36210/1/rminer-tutorial.pdf Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O'Reilly. :