Acreditações
O mestrado em Sistemas Integrados de Apoio à Decisão tem a duração de dois anos, correspondentes à obtenção 120 créditos ECTS, repartidos entre: 60 em unidades curriculares obrigatórias, 12 em optativas e 48 na dissertação.
As unidades curriculares optativas são escolhidas (em articulação com a coordenação de curso) em função do perfil de especialização do estudante. As optativas permitem a obtenção de competências nas áreas de Big Data, Machine Learning (ou Aprendizagem Automática) e Análise Multicritério.
Tipicamente, as optativas mais escolhidas são:
- Fundamentos de Bases de Dados (MSIAD)
- Tópicos Avançados em Business Intelligence
- Aprendizagem Automática
- Algoritmos para Big Data
- Processamento Computacional da Língua
- Modelação Computacional dos Sistemas Sociais Complexos
O mestrado implica a realização de uma dissertação predominantemente de âmbito científico correspondente a 48 créditos. No novo plano curricular, a unidade curricular Dissertação em Sistemas Integrados de Apoio à Decisão tem um componente lectiva de 36h, repartidos pelos dois semestres do 2.º ano do curso. Nestas horas estão incluídos dois seminários (com participação obrigatória) de monitorização do progresso dos trabalhos de dissertação.
Plano de Estudos para 2024/2025
| Unidades curriculares | Créditos | |
|---|---|---|
| 1º Ano | ||
|
Análise de Dados para Business Intelligence
6.0 ECTS
|
||
|
Desenho e Desenvolvimento de Aplicações de Business Intelligence
6.0 ECTS
|
||
|
Sistemas de Informação Analíticos I
6.0 ECTS
|
||
|
Tomada de Decisão Baseada em Dados
6.0 ECTS
|
||
|
Extração de Padrões e Conhecimento Guiada por Dados
6.0 ECTS
|
||
|
Gestão de Projectos de Sistemas de Business Intelligence
6.0 ECTS
|
||
|
Sistemas de Informação Analíticos II
6.0 ECTS
|
||
| 2º Ano | ||
|
Text Mining
6.0 ECTS
|
||
|
Dissertação em Sistemas Integrados de Apoio à Decisão
42.0 ECTS
|
Análise de Dados para Business Intelligence
No final do período curricular, o aluno deverá:
OA1.Saber descrever dados uni e multivariados (medidas e gráficos)
OA2. Compreender e saber aplicar os conceitos mais importantes de inferência estatística no âmbito de testes paramétricos e testes não-paramétricos mais adequados a cada situação.
OA3. Saber aplicar um modelo de regressão linear
OA4. Proceder à redução da dimensionalidade dos dados usando Análise em Componentes Principais
OA5. Saber agrupar observações usando técnicas básicas de análise de clusters (métodos hierárquicos e k-médias)
OA6. Saber usar o software estatístico R, em ambiente RStudio, para todas as análises efetuadas
P1. Análise exploratória de dados , uni e bivariados: medidas e representações gráficas apropriadas segundo o tipo dos dados
P2. Análise inferencial. Princípios básicos, estabelecimento das hipóteses, erros e valor-p. Teste a uma, duas e várias médias (teste t e oneway anova). Qui-quadrado de ajustamento e de independência.
P3. Análise Preditiva de Dados Multivariados: Regressão Linear Simples e Múltipla
P4. Análise Descritiva de Dados Multivariados: Análise em Componentes Principais e Análise de Clusters (métodos hierárquicos e k-médias)
Avaliação ao longo do semestre:
2 Exercícios teórico-práticos com peso de 15% cada e ambos com nota mínima de 7,5 valores
Teste final individual com peso de 70% e nota mínima de 7,5 valores.
Classificação final dada pela média ponderada dos instrumentos, arredondada às unidades (mínimo 10 para aprovação).
Avaliação por exame: Uma prova teórica (70%) + uma prova prática (30%).
Title: Bakker, J. D. (2022). Applied Multivariate Statistics in R. Washington, DC: University of 536 Washington. Free access from https://uw.pressbooks.pub/appliedmultivariatestatistics/
Thulin, M. (2024). Modern Statistics with R. Second edition. CRC Press. ISBN 9781032512440, free access from https://www.modernstatisticswithr.com/
Authors:
Reference: null
Year:
Title: Speegle, D., & Clair, B. (2021). Probability, Statistics, and Data: A Fresh Approach Using R (1st ed.). Chapman and Hall/CRC. Free access from https://mathstat.slu.edu/~speegled/_book/
Dias Curto, JJ (2021) Estatística com R, aprenda fazendo : mais de 100 exercícios resolvidos, aplicações com dados reais, 1700 linhas de código em R para resolver, exercícios e aplicações. 1ª ed. ISBN 978-989-33-2076-1
Authors:
Reference: null
Year:
Desenho e Desenvolvimento de Aplicações de Business Intelligence
Para obter sucesso nesta UC o aluno deverá ser capaz de:
OA1. Conhecer os princípios fundamentais de desenho dos diferentes tipos de aplicações de Business Intelligence para a tomada de decisão baseada em dados
OA2. Desenhar reports standard para a tomada de decisão.
OA3. Desenhar dashboards e scorecards para a tomada de decisão.
OA4. Definir indicadores de desempenho com diferentes níveis de agregação
OA5. Conhecer e aplicar os princípios fundamentais de visualização de dados para sistemas de Business Intelligence e de apoio à decisão.
OA6. Comparar e criticar diferentes interfaces de Business Intelligence.
CP1. Ciclo analítico para a tomada de decisão baseada em dados
CP2. Tipos de aplicações de Business Intelligence
CP3. Metodologias de desenho e desenvolvimento de aplicações de BI
CP4. Desenho e desenvolvimento de reports standard
CP5. Desenho de indicadores de desempenho (incluindo KPI)
CP6. Desenho e desenvolvimento de dashboards e scorecards
CP7. Princípios de visualização de dados aplicados ao desenho de interfaces de Business Intelligence
O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo): 80%
- Teste individual (frequência): 20%
Nota mínima de 10 em todas as componentes. Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de trabalhos práticos individuais. Para os alunos do MSIAD, os grupos de trabalho devem ser os mesmos da UC de Sistemas de Informação Analíticos I.
O trabalho prático deve ser entregue no final do período letivo. As orais para a discussão dos trabalhos práticos serão realizadas via Zoom, numa data a combinar com cada grupo. Todas as orais têm de estar concluídas antes da data do teste (frequência) a realizar na 1ª época de avaliação.
Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota, em 1ª época, 2ª época e época especial.
Passam a ser avaliados por exame em 1ª época (contando 100% da nota) os alunos que não cumprirem a nota mínima do trabalho de grupo.
O exame de 2ª época constitui sempre 100% da nota e pode ser realizado: (a) por quem em 1ª época não obteve nota positiva ou não foi avaliado; (b) para melhoria de nota (requer inscrição na secretaria).
Title: - Cardoso, E. (2023) Business Intelligence e a gestão de performance. Iscte.
- R. Kimball, M. Ross, W. Thornthwaite, J. Mundy, and B. Becker (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USAPress, UK
- Nussbaumer Knaflic, C. (2015) Storytelling with data: a data visualization guide for business professionals. Wiley, USA.
- Nussbaumer Knaflic, C. (2019) Storytelling with data: let’s practice! Wiley, USA.
- Wexler, S., Shaffer, J., and Cotgreave, A. (2017) The Big Book of Dashboards: Visualizing Your Data Using Real-World Business Scenarios. Wiley
- Cairo, A. (2016). The Truthful Art: Data, Charts, and Maps for Communication. New Riders.
- Evergreen, Stephanie (2016). Effective Data Visualization: The Right Chart for the Right Data. USA. SAGE Publications Ltd
- Microsoft Power BI Self-paced Learning
https://docs.microsoft.com/en-us/power-bi/guided-learning/
Authors:
Reference: null
Year:
Title: - R. Kaplan, D. Norton (2008) The Execution Premium: Linking Strategy to Operations for Competitive Advantage. Harvard Business School Press. Versão traduzida em Português: Prémio de Execução, Edição de Actual Editora, 2009
- N.G., Olve, J. Roy, M. Wetter (2004) Performance Drivers: a practical guide to using the Balanced Scorecard, John Wiley & Sons, Ltd (original Swedish Edition published in 1997)
- R. Kaplan, D. Norton (2004) Strategy Maps: Converting Intangible Assets into Tangible Outcomes, Harvard Business School Press
- Few, S. (2006) Information Dashboard Design - the effective visual communication of data. O´Reilly.
- Eckerson, W. (2006). Performance Dashboards: Measuring, monitoring and managing your business. John Wiley & Sons.
- Caldeira, J. (2010). Dashboards: Comunicar eficazmente a informação de gestão. Edições Almedina.
- Ware, Colin (2004) Information Visualization: Perception for Design, 2nd Ed, Morgan Kauffman
Authors:
Reference: null
Year:
Sistemas de Informação Analíticos I
Para obter sucesso nesta UC o aluno deverá ser capaz de:
OA1. Conhecer as caraterísticas fundamentais e a evolução dos Sistemas de Apoio à Decisão baseados em dados
OA2. Distinguir os princípios de desenho aplicados aos sistemas operacionais e aos sistemas analíticos
OA3. Conhecer e aplicar técnicas de modelação dimensional para DW/BI
OA4. Conhecer e aplicar os princípios base de modelação dimensional ágil
OA5. Comparar e criticar diferentes modelos dimensionais
OA6. Conhecer as diferentes fases de desenvolvimento de um sistema de DW/BI, segundo a metodologia de R. Kimball
OA7. Conhecer e aplicar os conceitos fundamentais do levantamento de requisitos de um projeto de DW/BI
OA8. Desenhar um modelo dimensional para uma determinada área de negócio com vista ao desenvolvimento de uma aplicação de BI
OA9. Expressar e explicar as decisões de desenho tomadas em cada fase do trabalho prático
CP1. Introdução aos Sistemas de Apoio à Decisão baseados em dados
CP2. Introdução aos sistemas de Data Warehouse e Business Intelligence (DW/BI)
CP3. Processamento Analítico de Dados (OLAP) versus Processamento Transacional de Dados (OLTP)
CP4. Metodologia de R. Kimball para o desenvolvimento de sistemas de DW/BI
CP5. Modelação dimensional: Conceitos fundamentais
CP6. Conceitos de modelação dimensional ágil
CP7. Modelação dimensional: Conceitos avançados
CP8. Levantamento de requisitos para o desenho de modelos dimensionais
CP9. Planeamento e desenho de aplicações de BI
O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo, com nota individual): 70% (entrega parcial vinculativa para continuar em avaliação ao longo do semestre, com avaliação qualitativa)
- Teste individual: 30%
Nota mínima 10 em todas as componentes.
Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de trabalhos práticos individuais. Para os alunos do MSIAD, os grupos devem ser os mesmos para a UC de Desenho e Desenvolvimento de Aplicações de BI.
Alternativa: avaliação por exame final para 100% da nota, em 1ª época, 2ª época e época especial.
O trabalho prático tem uma entrega parcial vinculativa para continuar em avaliação ao longo do semestre, a meio do semestre (tipicamente na aula 15). Cada grupo receberá feedback e uma avaliação qualitativa: A, B, C, D e F (passa a ser avaliado por exame). Todos os elementos do grupo têm que estar presentes na aula de apresentação da entrega parcial do trabalho prático. A data limite de entrega do trabalho prático é na última semana de aulas, no final do período letivo.
As orais para discussão dos trabalhos serão realizadas via Zoom, numa data a combinar com cada grupo. As notas das orais (i.e., a nota da componente do trabalho prático) são individuais. Todas as orais têm que estar concluídas antes da data do teste, que se realiza na 1ª época de avaliação.
Passam a ser avaliados por exame em 1ª época (contando 100% da nota) os alunos que: (a) não entregarem a 1ª parte do trabalho a meio do semestre; ou (b) não cumprirem a nota mínima do trabalho de grupo.
O exame de 2a época constitui sempre 100% da nota e pode ser realizado: (a) por quem, em 1ª época, não obteve nota positiva ou não foi avaliado; e (b) para melhoria de nota (requer inscrição na secretaria).
Title: - Slides das aulas teóricas e exercícios disponibilizados pelos docentes
- Adamson, C. (2010) Star Schema: the complete reference. McGraw-Hill, USA
- Kimball, R. & Ross, M. (2013) The Data Warehouse Toolkit - the definite guide to dimensional modeling (3rd ed.). John Wiley & Sons, USA.
- Corr, L. & Stagnitto, J. (2011) Agile Data Warehouse Design - Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press, UK.
- Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., and Becker, B. (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems (2nd ed.) John Wiley & Sons, USA
- Bakhshi, S. (2023) Expert Data Modeling with Power BI: Enrich and optimize your data models to get the best out of Power BI for reporting and business needs (2nd ed.) Packt Publishing
Authors:
Reference: null
Year:
Title: - Beaulieu, A. (2020) Learning SQL: Generate, Manipulate, and Retrieve Data (3rd ed.) OReilly Media
- Sharda, R., Delen, D., and Turban, F. (2019) Analytics, Data Science, & Artificial Intelligence: Systems for Decision Support (11th Ed). Pearson Education, Inc, USA
- Kimball, R., Ross, M., Becker, B., Mundy, J. & Thornthwaite, W. (2015) The Kimball Group Reader: Relentlessly Practical Tools for Data Warehousing and Business Intelligence Remastered Collection. (2nd ed.). Wiley, USA
- Moss, L., Atre, S. (2003). Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.
Authors:
Reference: null
Year:
Tomada de Decisão Baseada em Dados
Para obter sucesso nesta UC o aluno deverá ser capaz de:
OA1. Conhecer os diferentes tipos e a evolução dos Sistemas de Apoio à Decisão
OA2. Conhecer os princípios fundamentais de Ciência de Dados, e da tomada de decisão e pensamento analítico baseados em dados
OA3. Conhecer as características fundamentais dos sistemas de Data Warehouse e Business Intelligece (DW/BI)
OA4. Conhecer as técnicas fundamentais de Data Mining
OA5. Conhecer os desafios actuais de Big Data Analytics
OA6: Identificar o impacto das questões éticas e da qualidade de dados na tomada de decisão baseada em dados
OA7. Conhecer os princípios fundamentais da visualização de dados
OA8. Aplicar técnicas de programação e análise de dados em Python a casos práticos
OA9: Desenvolver um pensamento crítico na exploração, análise e comunicação de dados para a tomada de decisão
OA10: Construir e apresentar um poster científico
CP1. Sistemas de Apoio à Decisão: taxonomia, evolução e características fundamentais
CP2. Princípios de Ciência de Dados e tomada de decisão baseada em dados
CP3. Sistemas de Data Warehouse e Business Intelligence: características fundamentais
CP4. Data Mining: técnicas fundamentais
CP5. Desafios de Big Data Analytics
CP6. Introdução à visualização de dados
CP7: A ética e os dados
CP8. Introdução ao Python
CP9: Discussão e resolução de casos de estudo em Sistemas Integrados de Apoio à Decisão
CP10. Desenho de posters científicos
Dado que a UC tem um carácter eminentemente prático e é uma introdução ao programa de mestrado em SIAD, não existe modalidade de avaliação por exame.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Projeto prático (em grupo, com nota individual) - 50%: inclui a entrega de um poster científico e de um relatório.
- Apresentação na sessão de posters (em grupo, com nota individual) - 20%
- Revisão por pares de um poster (em grupo): 10%
- Assiduidade e participação nas aulas (nota individual): 20%
Nota mínima de 10 em todas as componentes da avaliação ao longo do semestre. Os grupos de trabalho são de 2 elementos. Não há possibilidade de realização de projetos individuais.
Critérios de elegibilidade para a avaliação ao longo do semestre: assiduidade às aulas mínima de 60% (mínimo de 14 em 24 aulas). É obrigatória a presença de todos os alunos na apresentação final dos projetos práticos, realizados numa sessão de posters.
A entrega do projeto prático decorre após o final das aulas. Note-se que esta UC é dada em regime intensivo, a partir do início do semestre, terminando a meio do período letivo.
A apresentação final dos projetos na sessão de posters decorre após a última semana de aulas da UC, no período letivo.
A avaliação em época especial é composta por uma prova escrita (50%) e um trabalho prático (50%).
Title: - Materiais diversos fornecidos pelos docentes da UC.
- Sharda, R., Delen, D., and Turban, F. (2019) Analytics, Data Science, & Artificial Intelligence: Systems for Decision Support (11th Ed). Pearson Education, Inc, USA
- Python Data Science Handbook: essential tools for working with Data (2023) (2nd ed.) OReilly Media
- Provost, F., and T. Fawcett (2013) Data Science for Business. OReilly Media
- Nussbaumer Knaflic, C. (2015) Storytelling with data: a data visualization guide for business professionals. Wiley, USA.
- Siegel, E. (2016) Predictive Analytics, 2nd ed. John Wiley & Sons, USA
Authors:
Reference: null
Year:
Title: - Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., and Becker, B. (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA
- Tan, P-N., Steinbach, M., and Kumar, V. (2006) Introduction to Data Mining. Addison-Wesley.
- Cairo, A. (2016) The Truthful Art: Data, Charts and Maps for Communication. New Riders
Authors:
Reference: null
Year:
Extração de Padrões e Conhecimento Guiada por Dados
Para obter sucesso nesta UC o aluno deverá ser capaz de:
OA1. Aplicar técnicas de preparação e análise exploratória de dados
OA2. Aplicar técnicas de regressão linear, não linear e logística
OA3. Entender a aplicação de técnicas de classificação como Support Vector Machine e Redes Neuronais e Classificação Bayesiana
OA4. Aplicar técnicas de indução de regras a problemas de extração de conhecimento
OA5. Aplicar técnicas de análise de grupos a problemas de extração de conhecimento
OA6. Perceber como conseguir uma boa modelação
OA7. Conceber modelos de data mining com dados reais
CP1. Introdução ao Data Mining, problemas de decisão e aplicações
CP2. O Processo do ciclo de dados
CP3. Revisão de Estatística descritiva e exploratória
CP4. Revisão das principais técnicas de Regressão linear, não-linear e logística
CP5. Análise de grupos (clustering): técnicas principais e aplicações
CP6. Tree based emsembles
CP7. Técnicas de inferência Bayesianas
CP8. Support Vector Machines (SVM)
CP9. Redes Neuronais
O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo, com nota individual): 60%
- Revisão por pares (em grupo, com nota individual): 10%
- Teste individual: 30%
Nota mínima de 10 em todas as componentes. Os grupos de trabalho são de 2 a 3 elementos. Não há possibilidade de realização de trabalhos práticos individuais.
A entrega do trabalho prático decorre após a última de aulas da UC, no período letivo. Esta UC é dada em regime intensivo, no início do semestre, terminando a meio do período letivo.
As orais para a discussão dos trabalhos práticos serão realizadas com dois grupos em simultâneo, onde cada grupo apresenta a revisão por pares do outro trabalho. O relatório da revisão por pares é entregue no momento da oral. O teste individual será realizado em período letivo, após a última aula da UC.
Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota, em 1ª época, 2ª época e época especial de avaliação.
Passam a ser avaliados por exame em 1ª época (contando 100% da nota) os alunos que não cumprirem a nota mínima do trabalho de grupo ou da revisão por pares.
O exame de 2ª época constitui sempre 100% da nota e pode ser realizado: (a) por quem em 1ª época não obteve nota positiva ou não foi avaliado; (b) para melhoria de nota (requer inscrição na secretaria).
Title: Andrw R. Webb, Keith D. Copsey. Statistical Pattern Recognition, 3rd Ed., Wiley, 2011.
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An Introduction to Statistical Learning with Applications in R. Springer, 2013.
Cathy O'Neil, Rachel Schutt. Doing Data Science: Straight Talk from the Frontline. O'Reilly Media, 2013
Authors:
Reference: null
Year:
Title: 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, 2013
Authors:
Reference: null
Year:
Gestão de Projectos de Sistemas de Business Intelligence
OA1: Escolher o Ciclo de Vida adequado às características de cada projeto de BI
OA2: Identificar e aplicar boas práticas de Gestão de Projeto. Reconhecer a maturidade da Gestão de Projetos de BI.
OA3: Planear, monitorizar, controlar e encerrar a Gestão de um Projeto de Business Intelligence, composto pelas componentes de ETL e de Reporting, percorrendo as várias fases de execução.
OA4: Utilizar uma metodologia ágil para execução de Projetos de BI.
OA5: Ilustrar a gestão da relação com cliente e a gestão de portfolio com projetos reais de BI.
OA6: Identificar e analisar os desafios da ética e do Regulamento Geral de Proteção de Dados no âmbito dos projetos de BI
OA7: Conhecer os elementos, o âmbito e os intervenientes de um programa de governação de dados.
OA8: Comparar diferentes modelos de avaliação de maturidade de Business Intelligence
OA9: Identificar e analisar o impacto dos principais fatores críticos de sucesso de projetos de BI.
CP1: Gestão Ágil de Projetos: SCRUM
CP2: Os Ciclos de Vida de Projeto de BI e suas características.
CP3: Boas práticas de Gestão de Projeto de BI e Modelos de Maturidade de BI.
CP4: O Planeamento da Gestão de um Projeto de BI. As fases de Análise e Desenho de um Projeto de BI.
CP5: A Monitorização e Controlo de um Projeto de BI. As fases de Construção, Pré-Produção, e Produção de um Projeto de BI. Fecho de um Projeto de BI.
CP6: Metodologia ágil de execução de um Projeto de BI.
CP7: Conceitos e casos práticos de Gestão da relação com o Cliente e da Gestão de um Portfolio.
CP8: Ética e Regulamento Geral de Proteção de Dados (RGPD)
CP9: Governação de dados: elementos, âmbito e principais intervenientes.
CP10: Fatores críticos de sucesso de projetos de BI.
O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um projeto.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Projeto (em grupo, com nota individual) (90%): inclui entregas e apresentações intermédias e uma apresentação final.
- Participação nas aulas/realização de exercícios nas aulas: 10%
Nota mínima de 10 nas duas componentes da avaliação ao longo do semestre. Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de projetos individuais.
Critérios de elegibilidade para a avaliação ao longo do semestre: assiduidade às aulas mínima de 60%. É obrigatória a presença de todos os alunos nas aulas que envolvam a realização de exercícios práticos que sejam considerados para avaliação, nas apresentações intermédias e na apresentação final do projeto.
O projeto tem quatro entregas intermédias vinculativas para continuar em avaliação ao longo do semestre e uma apresentação final. Cada grupo receberá feedback informal e formativo sobre as entregas intermédias para permitir melhorar a qualidade do projeto e da apresentação final. Quem não realizar as entregas parciais do projeto passa a ser avaliado por exame.
A apresentação final do projeto decorre na última semana de aulas.
Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota, em 1ª época, 2ª época e época especial.
Title: Plotkin, D. (2021) Data Stewardship - An Actionable Guide to Effective Data Management and Data Governance (2nd Edition). Academic Press, Elsevier.
Ladley, J. (2020) Data Governance - How to Design, Deploy, and Sustain an Effective Data Governance Program (2nd Edition). Academic Press, Elsevier.
Lawrence Corr, Agile Data Warehouse Design: Collaborative Dimensional Modeling, from Whiteboard to Star Schema, ISBN 9780956817204
Ralph Hughes, Agile Data Warehousing Project Management, ISBN 9780123964632
Roger S Pressman, Software Engineering: A Practitioner's Approach, 7th Ed, ISBN 0073375977
Carroll, J. (2012). Agile Project Management in Easy Steps. In Easy Steps.
Information Technology Project Management - 4th Edition, Jack T. Marchewka, John Wiley and Sons, Inc.
A Guide to the Project Management Body of Knowledge Pmbok Guide - 5th Edition: Project Management Institute: Books. (n.d.).
Authors:
Reference: null
Year:
Title: Moss, L., Atre, S. (2003) Business Intelligence Roadmap - the Complete Project Lifecycle for Decision-Support Applications. Addison-Wesley.
DAMA International (2017) DAMA-DMBOK - Data Management Body of Knowledge (2nd Edition). Technics Publications.
Carroll, J. (2012). Effective Project Management in Easy Steps. In Easy Steps.
Meredith, J. R., Mantel, S. J., & Jr. (2011). Project Management: A Managerial Approach. John Wiley & Sons.
Materiais diversos fornecidos pelos docentes da UC.
Authors:
Reference: null
Year:
Sistemas de Informação Analíticos II
Para obter sucesso nesta UC o aluno deverá ser capaz de:
OA1. Entender a missão e os objectivos de um sistema de povoamento de um DW
OA2. Conhecer e aplicar os conceitos avançados de modelação dimensional
OA3. Validar a modelação dimensional a nível conceptual e lógico para uma determinada área de negócio
OA4. Conhecer e descrever a arquitetura básica de um processo de ETL
OA5. Planear o desenvolvimento de um processo de ETL e construir um mapeamento source-to-target
OA6. Conhecer e aplicar técnicas de qualidade de dados e de Data Profiling
OA7. Construir modelos conceptuais de um processo de ETL
OA8. Implementar um processo de ETL com a ferramenta Microsoft SQL Server Integration Services (SSIS)
OA9. Expressar e explicar as decisões de desenho tomadas em cada fase do trabalho prático
OA10. Conhecer e distinguir as diferentes arquiteturas de sistemas de DW/BI e a sua evolução ao longo do tempo
CP1. Conceitos avançados de modelação dimensional: esquemas derivados e agregados
CP2. Validação da modelação conceptual e lógica de sistemas de DW/BI
CP3. Arquitetura básica de um processo de ETL (extração, transformação e carregamento de dados): subsistemas de ETL
CP4. Introdução à ferramenta Microsoft SQL Server Integration Services (SSIS)
CP5. Planeamento de um processo de ETL; mapeamento source-to-target
CP6. Qualidade de dados e técnicas de Data Profiling
CP7. Modelação conceptual de um processo de ETL
CP8. Implementação de um processo de ETL
CP9. Arquiteturas de DW
O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo, com nota individual): 70%
- Teste individual: 30%
Nota mínima 10 em todas as componentes.
Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de trabalhos práticos individuais. Para os alunos do MSIAD, os grupos devem ser preferencialmente os mesmos da UC Sistemas de Informação Analíticos I, uma vez que o ponto de partida para o trabalho prático desta UC é o caso desenvolvido pelo grupo na referida UC.
O prazo para a entrega dos trabalhos práticos é durante o período de avaliação, antes da data de 2ª época. O teste individual é realizado na 1ª época de avaliação.
As orais para discussão dos trabalhos serão realizadas via Zoom, numa data a combinar com cada grupo. As notas das orais (i.e., a nota da componente do trabalho prático) são individuais.
Alternativa: avaliação por exame final para 100% da nota, em 1ª época, 2ª época e época especial.
O exame de 2ª época constitui sempre 100% da nota e pode ser realizado: (a) por quem, em 1ª época, não obteve nota positiva ou não foi avaliado; e (b) para melhoria de nota (requer inscrição na secretaria).
Title: - Kimball, R., Caserta, J. (2004). The Data Warehouse ETL Toolkit - Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data, John Wiley & Sons.
Authors:
Reference: null
Year:
Title: - Inmon, W.H. (1996). Building the Data Warehouse, John Wiley & Sons
- Moss, L., Atre, S. (2003). Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.
- R. Kimball, M. Ross (2013) The Data Warehouse Toolkit - the definite guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA.
- L. Corr, J. Stagnitto (2011) Agile Data Warehouse Design - Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press, UK.
- R. Kimball, M. Ross, W. Thornthwaite, J. Mundy, and B. Becker (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA
- C. Adamson (2010) Star Schema: the complete reference. McGraw-Hill, USA
Authors:
Reference: null
Year:
Text Mining
OA1. Compreender os fundamentos e desafios de Text Mining
OA2. Conhecer técnicas de preparação, limpeza e representação de documentos
OA3. Aplicar métodos de Processamento Computacional da Língua
OA4. Classificar textos usando aprendizagem automática
OA5: Agrupar documentos usando modelos de tópicos
OA6. Aplicar na prática técnicas de Text Mining
OA7: Descrever os conceitos, etapas e métodos principais envolvidos no desenvolvimento de processos de Text Mining
OA8: Explicar o funcionamento de algoritmos avançados para extração de informação e classificação de texto e a sua aplicação no tratamento de casos reais
OA9: Selecionar as técnicas apropriadas para tarefas específicas de análise de texto e avaliar os benefícios e desafios das opções adoptadas
Introdução
CP1: Utilidade de grandes quantidades de texto, desafios e métodos atuais
CP2: Informação não estruturada vs. (semi-)estruturada
CP3: Obtenção e filtragem de informação, extração de informação e Data Mining
Representação de documentos
CP4: Preparação e limpeza de documentos
CP5: Extração de propriedades
CP6: Estratégias de pesagem de termos
CP7: Modelos de espaços vectoriais
CP8: Medidas de similaridade
Processamento Computacional da Língua
CP9: Modelos de língua
CP10: Morfologia e análise morfossintática
CP11: Estruturas complexas: análise sintáctica
CP12: Extração de informação
Classificação de Texto
CP13: Introdução à aprendizagem automática estatística
CP14: Medidas de avaliação
CP15: Classificadores generativos
CP16: Classificadores discriminativos
CP17: Aprendizagem não supervisionada
CP18: Recursos para Text Mining
Casos de Estudo
CP19: Análise de sentimento
CP20: Identificação de tópicos
Apenas é possível obter aprovação a esta UC por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame.
Componentes de avaliação:
a) TESTES (2 mini-testes: 5% cada, teste final: 30%), realizados durante o período letivo;
b) TRABALHOS (2 trabalhos, 30% cada), entregues e apresentados durante o período letivo.
Os trabalhos podem ser realizados individualmente ou em grupo, sendo o número de elementos do grupo definido nos enunciados dos trabalhos.
Não existindo notas mínimas, a nota de TRABALHOS está limitada à nota de TESTES + 6 valores. Exemplos de cálculo da nota final:
TRABALHOS = 20, TESTES = 14 --> Nota Final = 18
TRABALHOS = 20, TESTES = 10 --> Nota Final = 14 (a nota da componente TRABALHOS foi limitada a 16 valores = 10 + 6)
Em caso de reprovação, a nota de TESTES pode ser substituída por uma prova escrita a realizar no período de avaliação correspondente à 1º época, 2ª época ou época especial.
Os estudantes poderão melhorar a nota da componente TESTES através de uma prova escrita, a realizar durante o período de avaliação correspondente à 1ª época. Os estudantes que o pretendam fazer, devem informar os docentes assim que forem divulgadas as notas da avaliação periódica.
A assiduidade não é requisito de aprovação.
Title: Charu C. Aggarwal, Machine Learning for Text, 2018, null, https://link.springer.com/book/10.1007/978-3-319-73531-3
Gabe Ignatow, Rada F. Mihalcea, An Introduction to Text Mining: Research Design, Data Collection, and Analysis — 1st Edition, 2017, null, https://methods.sagepub.com/book/an-introduction-to-text-mining
Dan Jurafsky and James H. Martin, Speech and Language Processing (3rd ed. draft), 2020, null, https://web.stanford.edu/~jurafsky/slp3/
Authors:
Reference: null
Year:
Title: Atefeh Farzindar and Diana Inkpen, Natural Language Processing for Social Media, Second Edition. Synthesis Lectures on Human Language Technologies, 2018, null, https://link.springer.com/book/10.1007/978-3-031-02167-1
Jacob Eisenstein, Introduction to Natural Language Processing, 2019, null, https://mitpress.mit.edu/9780262042840/introduction-to-natural-language-processing/
Authors:
Reference: null
Year:
Dissertação em Sistemas Integrados de Apoio à Decisão
Para obter sucesso nesta UC o/a aluno deverá ser capaz de:
OA1: Realizar corretamente uma pesquisa bibliográfica utilizando todos os recursos disponíveis para o efeito;
OA2: Identificar e formular um problema pertinente para a investigação científica;
OA3: Elaborar uma revisão de literatura relevante e adequada ao problema formulado;
OA4: Fundamentar a solução proposta utilizando as metodologias e os instrumentos de investigação apropriados ao problema em análise;
OA5: Argumentar e discutir criticamente a favor e contra a sua abordagem seguida na dissertação;
OA6: Comunicar por escrito e oralmente o trabalho efetuado e a argumentação elaborada.
A natureza da UC não permite definir um programa com matérias concretas, pois procura aplicar competências já adquiridas para alcançar o objetivo de conclusão da dissertação de mestrado. Não obstante, algumas das matérias constantes da UC compreendem:
CP1: Introdução à investigação
CP2: Formulação do problema e objetivos de investigação (proposta de dissertação e capítulo de Introdução)
CP3: Boas práticas para o desenvolvimento do estado da arte (revisão de literatura)
CP4: Metodologias de investigação: design science, case study, e investigação por questionário
CP5: Boas práticas de escrita científica e apresentação de trabalhos de investigação
A dissertação deverá ser defendida em provas públicas onde se avaliarão a componente técnica, a forma do trabalho escrito e a apresentação e defesa pública. A Dissertação ou Projeto deve ser apresentada de acordo com as normas e prazos estabelecidos pelo Iscte. A presença nas aulas de seminário é fundamental para o desenvolvimento do projeto. Será facultada ao júri da dissertação/projeto a informação sobre a assiduidade de cada aluno/a aos seminários desta UC.
São realizados dois seminários de monitorização da Dissertação ou Projeto com foco no:
1. Projeto de Dissertação e Estado da Arte (no 1º semestre);
2. Relatório de Progresso (no 2º semestre).
Avaliação ao longo do semestre (no 1º semestre) inclui os seguintes entregáveis: proposta de dissertação, capítulo de introdução, capítulo de revisão de literatura, planeamento das fases seguintes e uma apresentação sobre o trabalho em curso.
Avaliação ao longo do semestre (no 2º semestre) inclui os seguintes entregáveis: relatório de progresso e uma apresentação sobre o trabalho em curso.
Em cada semestre, os entregáveis devem ser entregues ao docente coordenador da UC antes dos seminários de monitorização. Os alunos recebem feedback formativo durante os seminários de monitorização e em cada aula de seminário em regime de tutoria.
A presença e participação nos seminários de monitorização é obrigatória.
É obrigatória a entrega de todos os entregáveis da avaliação ao longo do semestre (1º e 2º semestre).
Title: Oates, B. (2006) Researching Information Systems and Computing (1st ed.). Sage Publications- Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA) 2020 Statement. https://www.prisma-statement.org/prisma-2020 - Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A Design Science Research Methodology for Information Systems Research. Journal of Management Information Systems, 24(3), 45–77. https://doi.org/10.2753/MIS0742-1222240302- Patton, M. Q. (2014) Qualitative Research & Evaluation Methods: Integrating Theory and Practice (4th ed.). Sage Publications- Yin, R. (2017) Case Study Research and Applications: Design and Methods (6th ed.). Sage Publications.
Authors: .
Reference:
Year: .
Title: - Oliveira, L. A. (2011) Dissertação e Tese em Ciência e Tecnologia segundo Bolonha: Guia de boas práticas. Lidel
- Oliveira, L. A. (2018) Escrita Científica: da folha em branco ao texto final. Lidel
Authors:
Reference: null
Year:
Optativas recomendadas
Tecnologias da transformação digital com as seguintes Unidades Curriculares:
03691 | Blockchain
03557 | Gestão de Processos de Negócio
03746 | Laboratório de Internet das Coisas
04401 | Tecnologias Disruptivas
03579 | Internet das Coisas para Cidades Inteligentes
Internet das coisas (4 das seguintes Unidades Curriculares):
03209 | Fundamentos de Ciência dos Dados
03746 | Laboratório de Internet das Coisas
03691 | Blockchain
03579 | Internet das Coisas para Cidades Inteligentes
04401 | Tecnologias Disruptivas
Computational Data Science com as seguintes Unidades Curriculares:
03363 | Inteligência Computacional e Otimização
02864 | Algoritmos para Big Data
02870 | Text Mining (obrigatória)
03209 | Fundamentos de Ciência dos Dados
Optativas recomendadas*
1.º Semestre (1.º ano uma Unidade Curricular livre e 2.º ano tem duas Unidades Curriculares de especializações)
02864 | Algoritmos para Big Data (ISTA | CTP)
03203 | Fundamentos de Governação das Tecnologias de Informação (ISTA | SI)
03746 | Laboratório de Internet das Coisas (ISTA | CTP)
03209 | Fundamentos de Ciência dos Dados (ISTA | SI)
02198 | Processamento Computacional da Língua (ISTA | IA)
03363 | Inteligência Computacional e Otimização (ISTA | Mat)
03579 | Internet das Coisas para Cidades Inteligentes
2.º Semestre (escolher duas Unidades Curriculares de especialização)
03691 | Blockchain
03557 | Gestão de Processos de Negócio (GPN)
04401 | Tecnologias Disruptivas
Notas:
- Na escolha das Optativas os estudantes devem certificar-se de que não existe sobreposição de horário com as UC obrigatórias.
- O funcionamento de uma UC optativa depende de um número mínimo de inscrições.
- Existe limite máximo de inscrições numa UC como optativa.
Objetivos
O Mestrado em Sistemas Integrados de Apoio à Decisão (MSIAD) tem por missão dotar o mercado de profissionais habilitados a gerir, especificar, implementar e usar com sucesso sistemas que apoiem os processos de decisão, devidamente integrados na gestão da informação organizacional. Os objetivos gerais definidos para MSIAD são:
- Dar formação avançada e abrangente nos diferentes tipos de Sistemas de Apoio à Decisão, integrados na arquitetura global de Sistemas de Informação de uma organização.
- Promover a integração e complementaridade de conhecimentos das áreas da informática, da gestão e dos métodos quantitativos;
- Gerar investigação na área científica de Business Intelligence, fomentando a partilha de conhecimento, de métodos e de resultados, entre as empresas e as universidades.
As unidades curriculares do MSIAD permitem aos estudantes adquirirem os seguintes conhecimentos e competências:
- Possuir uma formação teórica-prática abrangente nos diferentes tipos de Sistemas de Apoio à Decisão (SAD) e integrada na arquitetura global de sistemas de nformação de uma organização, incluindo os SAD baseados em dados, em conhecimento e em modelos;
- Conceber, implementar e explorar sistemas de Data Warehouse (DW) e de Business Intelligence;
- Possuir conhecimentos profundos de técnicas de modelação dimensional para DW;
- Possuir conhecimento e perícia na especificação, desenvolvimento e gestão de sistemas de povoamento de DW – ETL (Extract, Transform, and Load).
- Possuir conhecimento profundo de sistemas de informação estratégicos para a gestão de performance das organizações e apoio à tomada de decisão estratégica;
- Conceber e desenvolver sistemas de informação estratégicos e de gestão de performance, aplicando as abordagem de Balanced Scorecard e ABC/ABM;
- Aplicar técnicas de análise de dados a problemas específicos;
- Desenvolver sistemas para extração de conhecimento a partir de dados empresariais aplicando técnicas de Data Mining;
- Conhecer as principais metodologias para a gestão de risco nas organizações;
- Compreender o processo de tomada de decisões em Marketing;
- Conceber e desenvolver aplicações de Customer Intelligence (CRM Analítico)
- Possuir conhecimentos sobre os principais modelos utilizados na gestão de projetos de SI/TI (sistemas de informação/tecnologias de informação), tradicionais e ágeis;
- Planear, monitorizar, controlar e encerrar a gestão de um projeto de Business Intelligence;
- Possuir conhecimentos sobre as tecnologias necessárias ao desenvolvimento de processos de Text Mining;
- Aplicar métodos e algoritmos apropriados para a resolução de problemas nas áreas de processamento computacional da língua, classificação de texto e representação de documentos;
- Conhecer as tendências e desafios atuais de Big Data Analytics;
- Aplicar métodos de análise multicritério a problemas específicos.
Estes objetivos de aprendizagem são operacionalizados através dos objetivos específicos de cada unidade curricular, que se encontram especificados na respetiva FUC (Ficha de Unidade Curricular). A medição do seu grau de cumprimento é realizada em cada unidade curricular, na respetiva FUC, da qual constam as metodologias de avaliação utilizadas em cada objetivo específico.