Acreditações
A Licenciatura em Ciência de Dados (LCD) está alicerçada na convergência das várias áreas científicas - Matemática, Estatística e Informática – com um plano construído em torno da atividade de projeto, onde se promove uma reflexão prática e teórica, no sentido de dotar o aluno para um pensamento informado, crítico e autónomo perante as várias dimensões dos dados na Sociedade do Conhecimento e em plena Revolução Digital.
A Licenciatura está bem sedimentada na apreensão, compreensão e experimentação nas áreas base de conhecimento, seguida por uma aquisição de progressiva autonomia do estudante e na capacidade de responder a problemas de complexidade crescente.
Com a síntese operada nos dois últimos semestres, consolida-se a coerência de um programa formativo de acordo com uma prática consolidada e a exigência de requisitos profissionais excecionais, de modo a responder aos desafios da sociedade moderna.
Plano de Estudos para 2024/2025
Unidades curriculares | Créditos | |
---|---|---|
Dados na Ciência, Gestão e Sociedade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Álgebra Linear
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Programação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tópicos de Matemática I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Amostragem e Fontes de Informação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise Exploratória de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Estruturas de Dados e Algoritmos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Optimização para Ciência de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tópicos de Matemática II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Escrita de Textos Técnicos e Científicos
2.0 ECTS
|
Optativas > Competências Transversais > Obrigatórias | 2.0 |
Pensamento Crítico
2.0 ECTS
|
Optativas > Competências Transversais > Obrigatórias | 2.0 |
Armazenamento para Big Data
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Estatística Computacional
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos em Gestão de Bases de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Métodos de Aprendizagem Não Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Segurança, Ética e Privacidade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Introdução A Modelos Dinâmicos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Métodos de Aprendizagem Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Optimização Heurística
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Processamento de Big Data
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado em Ciência de Dados I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise de Redes
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Inteligência Artificial Simbólica para Ciência de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Interfaces Web para A Gestão de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Modelação Estocástica
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado em Ciência de Dados II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise da Performance em Gestão
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Final Aplicado em Ciência dos Dados
12.0 ECTS
|
Unidades Curriculares Obrigatórias | 12.0 |
Dados na Ciência, Gestão e Sociedade
Após esta unidade curricular o estudante estará apto a atingir os Objetivos de Aprendizagem (OA):
OA1. Distinguir as diferentes definições e diferentes tipos de dados, bem como as diferentes estratégias de investigação ou negócio que os geram.
OA2. Distinguir quais as principais alegações que conduzem a diferentes interpretações o que são dados.
OA3. Explicar as diferenças entre aproximações quantitativas e qualitativas na geração de dados.
OA4. Examinar as implicações da recolha de dados em Ciência, Gestão e na Sociedade.
OA5. Debater as implicações dos modelos de dados em para as pessoas nas organizações e na sociedade em geral.
Conteúdos Programáticos (CP):
CP1. O que são dados e como pensar com dados.
CP2. Tipos de Problemas tratados em Ciência de Dados e especificidades nos domínios da Ciência, Gestão e Sociedade.
CP3. Diferentes tradições e metodologias de investigação e definições de aquisição de conhecimento.
CP4. Tradução de desafios reais para conceitos técnicos e de acordo com uma linguagem cientificamente orientada.
CP5. A dimensão ética das e nas estratégias de utilização de dados.
CP6. Exposição de casos práticos.
Esta UC é feita apenas por avaliação periódica, não contemplando a modalidade de avaliação por exame.
Componentes da avaliação:
a) Mini-testes (30%): 6 mini-testes (5% cada, a grande maioria para fazer em casa)
b) Projeto (30%): trabalho de grupo
c) Teste final (40%): Prova escrita a realizar no período da 1ª época, 2ª época ou época especial (Art 14º, RGACC)
Requisito de aprovação: Teste final >= 8 valores (em 20 valores)
A nota final do Projeto dependerá do código, dos relatórios e do desempenho dos estudantes na apresentação do trabalho realizado.
A assiduidade não é requisito essencial de aprovação.
Title: Cathy O'Neil, Rachel Schutt, Doing Data Science: Straight Talk from the Frontline, 2014, ISBN: 9781449358655,
Borgman, C. L., Big data, little data, no data: scholarship in the networked world, 2015, ISBN: 9780262529914,
Rob Kitchin, The data revolution: Big data, open data, data infrastructures and their consequences, 2014, https://doi.org/10.4135/9781473909472,
Authors:
Reference:
Year:
Title: Davenport, T., Harris, J., and Morison, R., Analytics at work: smarter decisions, better results. Harvard Business Review Press, USA., 2010, ISBN: 9781422177693,
Turban, E., Sharda, R., Delen, D., Decision Support and Business Intelligence Systems (9th Eds), 2010, ISBN: 978-0136107293,
Davenport, T., Big Data at Work: Dispelling the Myths, Uncovering the Opportunities, 2014, ISBN: 978-1422168165,
Authors:
Reference:
Year:
Fundamentos de Álgebra Linear
OA1. Generalizar a álgebra vetorial do plano e do espaço cartesiano com a introdução de R^n. Conhecer a estrutura de R^n e as interpretações geométricas subjacentes.
OA2. Conhecer a noção de matriz e dominar a álgebra matricial. Resolver e classificar sistemas lineares com recurso a conceitos matriciais.
OA3. Calcular, interpretar e aplicar determinantes de matrizes quadradas.
OA4. Conhecer a noção de espaço vetorial e identificar a presença desta estrutura em outras construções matemáticas (espaços de matrizes e espaços de polinómios). Generalizar os conceitos introduzidos em R^n para este contexto (subespaços, dependência linear de vetores, base e dimensão).
OA5. Identificar funções lineares (e matrizes relacionadas) entre espaços vetoriais. Reconhecer R^n enquanto o protótipo dos espaços vetoriais de dimensão finita.
OA6. Calcular e interpretar valores e vetores próprios. Diagonalizar matrizes. Determinar potências inteiras de matrizes diagonalizáveis.
1. Vetores em R^n
O espaço vetorial R^n. Subespaços vetoriais de R^n. Combinações lineares e independência linear. Bases e dimensão de um subespaço vetorial de R^n. Coordenadas. Produto interno, norma e ângulo, Ortogonalidade.
2. Matrizes
Noção de matriz e notação matricial. Soma e multiplicação escalar. Produto matricial. Transposição. Condensação de matrizes. Rank. Aplicações a sistemas lineares: eliminação de Gauss e critério do rank. Matriz inversa.
3. Determinantes
Definição e propriedades do determinante. Relação com operações elementares. Método da adjunta. Sistemas de Cramer.
4. Funções lineares
Espaço vetorial. Função linear. Kernel e imagem de uma função linear. Teorema da dimensão. Matriz de uma função linear. Espaço das funções lineares. Mudança de base.
5. Valores e vetores próprios
Valores e vetores próprios de um endomorfismo/matriz quadrada. Diagonalização de endomorfismos/matrizes quadradas.
MODALIDADES DE AVALIAÇÃO:
A avaliação do aluno à UC é feita através das seguintes duas modalidades:
A. Avaliação Periódica:
- 3 mini-testes (20% da média aritmética das duas melhores notas entre os três mini-testes; nota mínima de 10.00 valores na média aritmética dos dois melhores mini-testes).
- 2 quizzes online (10% da média aritmética das notas dos quizzes; nota mínima de 10.00 valores na média aritmética dos quizzes).
- Exame final (70%): realização de prova escrita na 1a época ou 2a época de avaliação; nota mínima de 8.00 valores.
B. Avaliação por Exame:
- Exame final (100%): realização de prova escrita na 1a época ou 2º época de avaliação.
REGRAS DA AVALIAÇÃO:
1. As médias aritméticas e a nota do exame são calculados até à centésima. A nota final é arredondada à unidade;
2. O aluno obtém aprovação à cadeira se a nota final for maior ou igual a 10 valores;
3. A nota final do aluno corresponde à melhor nota obtida entre a modalidade A e a modalidade B;
4. O aluno fica automaticamente excluído da modalidade A (avaliação periódica) em qualquer uma das seguintes situações:
4.1 Pelo menos uma das notas mínimas não é atingida;
4.2 Assiduidade inferior a 2/3 do total de aulas (16 aulas);
4.3 Melhoria de nota.
Title: Mendes, S., Notas de Álgebra Linear , v1.5 - 2022, disponível na página da UC.
Mendes, S., Exercícios de Álgebra Linear , disponível na página da UC.
Mendes, S., Introdução ao MATLAB com Aplicações à Álgebra Linear , disponível na página da UC.
Mendes, S., Pedro, M., Sebentas, 2023, Disponível na página Moodle da UC,
Authors:
Reference:
Year:
Title: Strang, G., "Linear Algebra and its Applications" , 4th edition, Cengage Learning, 2006.
Blyth,T.S. and Robertson, E.F. "Basic Linear Algebra", Springer, 2002.
Authors:
Reference:
Year:
Programação
Após a conclusão desta unidade curricular o aluno deverá ficar apto a:
OA1. Desenvolver funções/procedimentos que implementem algoritmos simples.
OA2. Desenvolver código para manipular estruturas vetoriais e objetos.
OA3. Desenvolver classes de objetos simples.
OA4. Escrever e compreender código Python.
CP1. Funções e parâmetros
CP2. Variáveis e estruturas de controlo
CP3. Invocação e recursividade
CP4: Procedimentos e input/output
CP5. Objetos e referências
CP6. Classes de objetos
CP7. Objetos compostos
CP8. Classes de objetos compostos
CP9. Vetores
CP10. Matrizes
Esta UC é feita apenas por Avaliação Periódica, não contemplando a modalidade de avaliação por exame.
Componentes da avaliação:
a) TPCs (15%): 6 mini-testes online, para fazer em casa;
b) TESTE1 (20%): Prova escrita intercalar;
c) PROJETO (25%): Projeto individual;
d) TESTE2 (40%): Prova escrita a realizar em 1º época, 2ª época ou época especial (Artº 14 do RGACC)
Requisito de aprovação: TPCs + PROJETO >= 8 valores (em 20 valores).
A nota final do PROJETO é fixada para cada estudante através de uma prova oral e dependerá do código, dos relatórios e do desempenho do estudante na oral.
A assiduidade não é requisito essencial de aprovação.
Outra informação relevante:
- As perguntas feitas nas provas escritas podem envolver aspectos relativos ao projeto.
- Não é possível obter aprovação apenas através da realização de exame final
- em caso de reprovação, o estudante poderá realizar o TESTE2 na época seguinte, mantendo a nota das restantes componentes
- Quando a melhoria de nota ocorrer num ano letivo diferente daquele em que foi feito o trabalho, a nota das componentes PROJETO, TPCs e TESTE1 é substituída por uma prova prática, a realizar em computador antes ou depois da prova escrita. Os alunos nessas condições que pretendam realizar melhoria de nota devem contactar o coordenador da UC, com uma antecedência mínima de 2 dias antes da prova da 1ª época.
Title: João P. Martins, Programação em Python: Introdução à programação com múltiplos paradigmas, 2013, IST Press, https://istpress.tecnico.ulisboa.pt/produto/programacao-em-python-introducao-a-programacao-utilizando-multiplos-paradigmas/
Authors:
Reference:
Year:
Tópicos de Matemática I
No final da UC o aluno deverá ser capaz de:
OA1: Calcular limites de sucessões
OA2. Calcular derivadas e interpretar o resultado obtido.
OA3. Determinar aproximações lineares e de ordem superior.
OA4. Calcular explicitamente primitivas de algumas funções elementares.
OA5. Usar o teorema fundamental do cálculo na derivação de integrais.
OA6. Utilizar a noção de integral na determinação de áreas, comprimentos, massas, probabilidades, etc.
OA7. Recorrer a métodos numéricos de integração para calcular valores aproximados de integrais.
OA8. Integrar algumas EDOs notáveis.
1. Sucessões
1.1. Primeiras noções
1.2. Convergência
1.3. Alguns limites e resultados úteis
2. Cálculo diferencial em R
2.1. Breve revisão
2.2. Continuidade e limite
2.3. Diferenciabilidade e fórmula de Taylor
2.4. Métodos numéricos
2.4.1. Método do ponto fixo
2.4.2. Método da bissecção
2.4.3. Método de Newton-Raphson
2.4.4. Derivação numérica
3. Cálculo Integral em R
3.1. Métodos gerais de primitivação
3.2. Cálculo de integrais
3.3. Teorema fundamental da Análise
3.4. Integração numérica
3.4.1. Método do ponto médio
3.4.2. Método dos trapézios
4. Equações diferenciais ordinárias
4.1. Equações de varáveis separáveis
4.2. Equações lineares de 1ª ordem
4.3. Métodos numéricos
4.3.1. Método de Euler
4.3.2. Método de Runge-Kutta (RK4)
Aprovação com classificação não inferior a 10 valores numa das modalidades:
- Avaliação periódica: Exame (75%) + trabalhos de grupo sobre cálculo numérico (25%).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.
As notas finais superiores a 16 valores sujeitam-se a homologação através de uma prova oral.
Title: [3] Caputo, H.P., Iniciação ao Estudo das Equações Diferenciais, Livros Técnicos e Científicos Editora, S.A.
[2] Strang, G., "Calculus", Wellesley-Cambridge Press.
[1] Ferreira, J.C., "Introdução à Análise Matemática", Fundação Calouste Gulbenkian.
Authors:
Reference:
Year:
Title: [6] Santos, M.I.R, ?Matemática computacional? (IST).
[5] Suleman, A., ?Notas elementares sobre o cálculo numérico? (disponível no e-learnig).
[4] Suleman, A., ?Apontamentos de aula? (disponível no e-learnig).
Authors:
Reference:
Year:
Amostragem e Fontes de Informação
No final desta UC os estudantes deverão ser capazes de identificar tipos e fontes de informação adequados aos objetivos da investigação (OA1), avaliar de forma crítica a qualidade da informação obtida (OA2), aplicar os principais métodos de amostragem (OA3) e distinguir entre desiged data e big data (OA4).
CP1. Tipos e Fontes de Informação; Qualidade das fontes de informação
CP2. Princípios e aplicações de Amostragem
CP3. Designed Data vs Big Data
Regimes de avaliação: ao longo do semestre ou por exame
Ao longo do semestre:
- Fichas de trabalho (5%)
- Trabalho em grupo: (35%);
- Teste individual (60%); nota mínima 7,5
Por exame: Teste individual (100%)
A equipa docente poderá convocar qualquer estudante para uma prova oral no seguimento da realização de qualquer um dos elementos de avaliação.
Estudantes abrangidos pelo RIIEE deverão contactar o coordenador da UC com vista ao enquadramento dos processos de aprendizagem e avaliação na UC.
Title: Jarrett, C. (2021). Surveys That Work: A Practical Guide for Designing and Running Better Surveys. Rosenfeld Media.
Salganik, M. (2018). Bit by Bit- Social Research in the Digital Age. New Jersey: Princeton University Press.
Stebbins, L. (2005). Student Guide to Research in the Digital Age: How to Locate and Evaluate Information Sources. Libraries Unlimited.
Vicente, P., (2024) Apontamentos de apoio à UC de Amostragem e Fontes de Informação.
Authors:
Reference:
Year:
Title: Vicente, P. (2012). Estudos de mercado e de opinião, Edições Sílabo.
Authors:
Reference:
Year:
Análise Exploratória de Dados
Objetivos de aprendizagem (OA) a desenvolver em articulação com os objetivos gerais:
OA1. Organizar e preparar os dados para análise.
OA2. Saber utilizar e interpretar um conjunto de instrumentos estatísticos no domínio da estatística descritiva.
OA3. Utilizar Excel, R e Jamovi nas aplicações de preparação, análise e representação de dados.
OA4. Adequar os modelos de representação visual a diferentes objetivos, de acordo com as boas práticas de visualização.
OA5. Interpretar e redigir os resultados de uma análise descritiva de dados.
Conteúdos programáticos (CP) articulados com os objetivos de aprendizagem.
CP1. Organização, preparação e transformação de dados
CP2. Análise exploratória de dados
Valores omissos
Codificação e imputação
Gráficos exploratórios
Variáveis aleatórias
Função de distribuição empírica
Distribuição Normal
CP3. Análise descritiva dos dados
Medidas descritivas
Análise uni e bivariada
Medidas de associação
CP4. Representação visual
Introdução aos princípios de representação visual
Estruturas de representação visual
Regime de avaliação: periódica ou por exame
Periódica:
- Exercício individual em R (10%) nota mínima 7,5
- Trabalho de grupo (35%); nota mínima 7,5
- Teste escrito (55%); nota mínima 7,5
Por exame:
- Exame/trabalho prático individual (40%); nota mínima 7,5
- Exame escrito (60%); nota mínima 7,5
Title: Rocha, M. & Ferreira, P.G. (2017) Análise e Exploração de Dados com R. Lisboa, FCA
Reis, E. (1998). Estatística Descritiva, Lisboa, Sílabo,7ª ed.
Carvalho, A. (2017). Métodos quantitativos com Excel, Lisboa, Lidel edições técnicas.
Cairo, A. (2013). The Functional Art: An introduction to information graphics and visualization (Voices That Matter). New Riders.
Brown, D.S. (2022). Statistics and Data Visualization Using R. The Art and Practice of Data Analysis. Sage Publication, Inc.
Barroso, M., Sampaio, E. & Ramos, M. (2003). Exercícios de Estatística Descritiva para as Ciências Sociais, Lisboa, Sílabo.
Authors:
Reference:
Year:
Title: Reis, E. (1998). Estatística Descritiva, Lisboa, Sílabo.
Murteira, B. J. F. (1990). Análise Exploratória de Dados. Estatística Descritiva, McGraw Hill.
Hoaglin, D.C., Mosteller, F & Tukey, J. W. (1992). Análise Exploratória de Dados. Técnicas Robustas, Ed. Salamandra, Lisboa.
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. London, SAGE Publications Ltd.
Dias Curto, J.J., & Gameiro, F. (2016). Excel para Economia e Gestão. Lisboa, Ed. Sílabo.
Carvalho, A. (2017). Gráficos com Excel - 95 Exercícios, Lisboa, FCA.
Alexandrino da Silva, A. (2006). Gráficos e mapas?representação de informação estatística. Lisboa, Lidel edições técnicas.
Authors:
Reference:
Year:
Estruturas de Dados e Algoritmos
No final da UC os alunos deverão ser capazes de:
OA1: identificar e saber implementar a estrutura de dados mais apropriada para um determinado problema;
OA2: saber avaliar e comparar a ordem de desempenho e eficiência de uma dada estrutura de dados e/ou algoritmo para as operações de inserção, remoção e acesso;
OA3: compreender a importância de conceber algoritmos eficientes;
OA4: compreender e saber aplicar os conceitos de implementações com representação estática ou dinâmica;
OA5: compreender e saber aplicar programação por referência (ponteiros);
OA6: perceber as vantagens e desvantagens de algoritmos recursivos.
CP1: Conceitos fundamentais (algoritmo e programa).
CP2: Tipos Abstratos de Dados e Programação Orientada a Objetos.
CP3: Estruturas de dados lineares: pilhas, filas e listas ligadas.
CP4: Recursão.
CP5: Introdução à análise de algoritmos.
CP6: Estruturas de dados hierárquicas: árvores.
CP7: Grafos.
A aprovação nesta unidade curricular (UC) só pode ser conseguida pela modalidade de avaliação periódica ou pela época especial (para os alunos que a ela possam aceder). Não existe para esta UC a modalidade de avaliação por exame.
Elementos de avaliação e respetivas ponderações na nota final:
- teste 1, escrito individual -> 30%, nota mínima de 8 valores, previsto realizar no período de avaliações do 3º trimestre;
- teste 2, escrito individual -> 30%, nota mínima de 8 valores, previsto realizar no período de avaliações da 1a época;
- trabalho 1, individual, com discussão -> 15%, nota mínima de 8 valores;
- trabalho 2, individual, com discussão (eventualmente em grupos de 2 alunos) -> 25%, nota mínima de 8 valores. Assim Nota_final = 30% x Nota_teste1 + 30% x Nota_teste2 + 15% x Nota_trabalho1 + 25% x Nota_trabalho2.
Em Época Especial, os elementos de avaliação e respetivas ponderações na nota final são:
- teste, escrito individual -> 60%, nota mínima de 8 valores, e
- dois trabalhos, individuais -> 15% + 25%, nota mínima de 8 valores em cada um dos trabalhos.
Assim Nota_final_época_especial = 60% x Nota_teste + 15% x Nota_trabalho1 + 25% x Nota_trabalho2.
Para obter aprovação na UC a Nota_final ou a Nota_final_época_especial têm que ser 10 valores em 20 valores.
Title: - J. Wengrow, A Common-Sense Guide to Data Structures and Algorithms, Second Edition. The Pragmatic Bookshelf, 2020.
- M. Goodrich, R. Tamassia, and M. Goldwasser, Data Structures & Algorithms in Python. Wiley, 2013.
Authors:
Reference:
Year:
Title: - B. Miller and D. Ranum, Problem Solving with Algorithms and Data Structures using Python, Second Edition, Release 3.0. 2013.
- T. Cormen, C. Leiserson, R. Rivest, and C. Stein, Introduction to Algorithms, Fourth Edition. MIT Press, 2022.
- Referências adicionais a indicar durante as aulas.
Authors:
Reference:
Year:
Optimização para Ciência de Dados
Ao concluir esta Unidade Curricular o estudante deverá ser capaz de:
OA1. Desenvolver formulações em programação linear, programação linear inteira e programação não linear para a resolução eficiente de problemas complexos em contextos reais.
OA2. Utilizar programas generalistas para determinar soluções para problemas formulados em programação linear, programação linear inteira e programação não linear.
OA3. Fazer a interpretação económica e produzir recomendações baseadas nas soluções obtidas para problemas formulados em programação linear, programação linear inteira e programação não linear.
Conteúdos programáticos (CP):
CP1: Programação Linear
1.1 Modelo Geral de Programação Linear
1.2 Formulação de problemas em Programação Linear
1.3 Resolução gráfica
1.4 Resolução usando software generalista (Solver para Excel)
1.5 Interpretação de resultados e análise de sensibilidade
CP2: Programação Linear Inteira
2.1 Formulação de problemas em Programação Linear Inteira
2.2 Formulação de problemas com variáveis binárias
2.3 Resolução usando software generalista (Solver para Excel)
2.4 Interpretação de resultados
2.5 Algoritmo Branch-and-Bound
CP3: Programação Não Linear
3.1 Formulação de problemas em Programação Não Linear
3.2 Resolução usando software generalista (Solver para Excel)
3.3 Interpretação de resultados
1. Avaliação Periódica:
a) Teste escrito (60%);
b) Trabalho de grupo com discussão (40%);
c) Presença em, pelo menos, 2/3 das aulas.
2. Avaliação por Exame (1.ª e 2.ª Época):
a) Teste escrito (60%);
b) Projecto individual com discussão (40%).
A aprovação (na avaliação Periódica ou por Exame):
i) Requere classificação mínima de 8,5 em cada prova;
ii) Pode ser exigida uma prova oral.
Escala: 0-20 valores.
Title: * Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cengage Learning.
Authors:
Reference:
Year:
Title: * Evans, J. (2021). Business Analytics. 3rd Ed. Global Edition. Pearson.
* Hillier, F.S and Lieberman, G.J. (2015). Introduction to Operations Research, 10th Ed., McGraw-Hill.
* Ragsdale, C.T. (2001). Spreadsheet Modeling & Decision Analysis: A Practical Introduction to management science. 3rd Ed., South-Western College Publishing.
* Wolsey, L.A. (1998). Integer Programming. Wiley.
Authors:
Reference:
Year:
Tópicos de Matemática II
OA1. Calcular derivadas parciais e gradientes (algebricamente e numericamente).
OA2. Determinar aproximações lineares de funções de várias variáveis.
OA3. Determinar e caracterizar pontos críticos de funções de várias variáveis (algebricamente e numericamente).
OA4. Aplicar os conceitos anteriores no contexto de problemas de regressão linear.
OA5. Calcular integrais duplos (algebricamente e numericamente).
OA6. Aplicar o cálculo integral ao cálculo de áreas, volumes e probabilidades.
OA7. Interpretar geometricamente todos os conceitos estudados.
OA8. Implementar em MATLAB alguns dos métodos computacionais desenvolvidos.
1) Cálculo Diferencial.
1.1. Limites e continuidade
1.2. Derivadas parciais.
1.3. Plano tangente e diferenciabilidade.
1.4. Regra da cadeia.
1.5. Cálculo e classificação de pontos críticos.
1.6. Descida do gradiente.
1.7. Regressão linear.
2) Cálculo Integral.
2.1. Integrais duplos.
2.2. Integrais duplos em coordenadas polares.
2.3. Aplicações: áreas e volumes; densidades e massas; teoria das probabilidade.
Aprovação com classificação não inferior a 10 valores numa das modalidades:
- Avaliação periódica: Teste Escrito (80%) + mini-projetos MATLAB (20%).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.
Title: Stewart, J. "Cálculo - Volume 2", Tradução da 8ª edição norte-americana (4ª edição brasileira), Cenage Learning, 2017.
Authors:
Reference:
Year:
Escrita de Textos Técnicos e Científicos
Objetivos de aprendizagem (OA)1: Conhecer os processos básicos da investigação científica;
OA2: Saber resumir um artigo científico e identificar os elementos essenciais;
OA3: Saber como organizar a escrita num trabalho de investigação ou num relatório técnico;
OA4: Familiarizar-se com as normas de escrita científica.
1. Informação; a redacção; a revisão; a redacção final;
2. Estrutura de um texto técnico e científico;
2.1 Elementos pré-textuais;
2.2 Elementos textuais;
2.3 Elementos pós-textuais;
3. Utilização de elementos ilustrativos da argumentação técnica e científica ou de demonstração empírica;
3.1 Inserção de gráficos, quadros e outros elementos ilustrativos e a normalização dos respectivos títulos, fontes de informação e formas gráficas;
4. Normas de referenciação bibliográfica, citação e anotação;
4.1 Normas nacionais e internacionais. As normas adoptadas para a realização de trabalhos, dissertações e teses no ISCTE-IUL;
4.2 Utilização de software específico para a organização e gestão de bibliografias e produção de textos técnicos e científicos (Biblioscape, biblioexpress e End Note).
1. Expositivas: demonstração de casos reais.
2. Participativas: análise e resolução de exercícios práticos e discussão de casos práticos.
3. Activas: realização de trabalhos individuais e de grupo.
4. Auto-estudo: relacionadas com o trabalho autónomo do aluno, tal como consta no Planeamento das Aulas.
1) Avaliação contínua:
a) Realização com sucesso do curso online da UC (obrigatório) - a avaliação do curso pressupõe que o estudante atinja 50% ou mais nas respostas aos quizs que tem que fazer em cada módulo.
b Exercícios autónomos (inclui participação e feed-back de exercícios desenvolvido sob proposta da docente - 30%
c) Elaboração de um trabalho final - 70% da nota final
2) Avaliação por exame:
Realização de um trabalho de avaliação final - 100%
Title: Soares, M. A. (2001). Como Fazer um Resumo. Queluz de Baixo, Barcarena: Editorial Presença
Pereira, M. G. (2012). Artigos Científicos. Como Redigir, Publicar e Avaliar. Brasil: Guanabara Koogan
Nascimento, Z. & Pinto, J.M. (2001). A Dinâmica da Escrita: Como escrever com êxito. Lisboa: Plátano Editora
Madeira, A. C. & Abreu, M. M. (2004). Comunicar em Ciência? Como redigir e apresentar trabalhos científicos. Lisboa: Escolar Editora
Lindemann, K. (2018). Composing Research, Communicating Results: Writing the Communication Research Paper. USA: John Wiley & Sons, Inc
Gastel, B. & Day, R. A. (2016). How to Write and Publish a Scientific Paper (8th Edition). Santa Barbara, California: Greenwood
Cargill, M. & O'Connor, P. (2013). Writing Scientific Research Articles (2nd Edition). UK: Wiley-Blackwell
Brandão, M. L. (2009). Manual para Publicação Científica: Elaborando manuscritos, teses e dissertações. Rio de Janeiro: Elsevier
Authors:
Reference:
Year:
Title: Wolton, D. (2006). É preciso salvar a comunicação. Casal de Cambra: Caleidoscópio
Pereira, A. & Poupa, C. (2008). Como Escrever uma Tese, Monografia ou Livro Científico usando o Word. Lisboa: Edições Sílabo
Munter, M. (2006). Guide to managerial communication: effective business writing and speaking (7th Edition). New Jersey: Prentice Hall
Lipson, C. (2011). Cite Right: A Quick Guide to Citation Styles - MLA, APA, Chicago, the Sciences, Professions and More (2nd Edition). Chicago: University of Chicago Press
Júnior, J. M. (2008). Como Escrever Trabalhos de Conclusão de Curso? Instruções para planejar e montar, desenvolver, concluir, redigir e apresentar trabalhos monográficos e artigos. Petrópolis: Editora Vozes
Hofmann, A. (2016). Scientific Writing and Communication. Papers, Proposals, and Presentations (3rd Edition). Oxford: University Press
Goins, J. (2012). You Are a Writer (so start ACTIHering, L. & Hering, H. (2010). How to Write Technical Reports: Understandable Structure, Good Design, Convincing Presentation. London, New York: SpringerNG like one). United States of America: Tribe Press
Forsyth, P. (2016). How to Write Reports and Proposals. United Kingdom: Kogan Page, Ltd
Estrela, E., Soares, M. A. & Leitão, M. J. (2003). Saber escrever saber falar: um guia completo para usar correctamente a língua portuguesa. Lisboa: Publicações Dom Quixote
Bowden, J. (2011). Writing a Report - How to Prepare, Write and Present Really Effective Reports. United Kingdom: Little, Brown Book Group
Authors:
Reference:
Year:
Pensamento Crítico
O aluno que complete com sucesso esta Unidade Curricular será capaz de:
OA*1- Analisar argumentos tendo em conta a sua estrutura e conteúdo;
OA2 - Argumentar face a uma temática;
OA3 - Identificar a validade dedutiva de proposições;
OA4 - Questionar argumentos, identificando os seus pontos fracos.
* Objectivo de aprendizagem
CP*1 Importância do pensamento crítico
CP2 - Discurso argumentativo
CP3 - Tipos de argumentos e estrutura de argumentos
CP4 - Qualidade dos argumentos e falhas na argumentação
* CP. Conteúdoprogramático
Exposição, exercícios debate, leituras, discussões de casos (em pequenos grupos).
A participação activa nos trabalhos a realizar nas aulas práticas é expectável.
Av. Continua
TPCs- 15% (1 TPC - 5% + 1 TPC - 10%)
Assiduidade/participação - Exercicios em aula + debate grupos- 25%
Trab. Final (60%)
Épocas de Exames
Trabalho Escrito -100%
– Para concluir com sucesso a avaliação contínua, os estudante não podem ter menos de 7 valores em nenhuma das componentes de avaliação assinaladas;
– No caso de UC em que a Avaliação Final contemple um trabalho indicar: a atribuição da avaliação final poderá implicar uma discussão do trabalho final submetido nos prazos de avaliação previamente definidos.
Title: Bowell, T., & Kemp, G. (2002). Critical thinking: a concise guide. London: Routledge.
Weston, A. (2005). A arte de argumentar. Lisboa: Gradiva
Cottrell, S. (2005). Critical Thinking Skills: Developing effective analysis and argument. New York: Palgrave McMillan.
Authors:
Reference:
Year:
Title: Brookfield, S. (1987). Developing critical thinkers: challenging adults to explore alternative ways of thinking and acting. San Francisco: Jossey-Bass.
Morgado, P. (2003). Cem argumentos: A lógica, a retórica e o direito ao serviço da argumentação. Porto: Vida Económica.
Paul, R., & Elder, L. (2001). The miniature guide to critical thinking: concepts and tools. Foundation for Critical Thinking.
Thayer-Bacon, B.J. (2000). Transforming critical thinking: thinking constructively. New York: Teachers College Press.
Authors:
Reference:
Year:
Armazenamento para Big Data
1. Implementar soluções de armazenamento de dados em suporte distribuído e tolerantes a falhas;
2. Manipulação e extracção de grandes quantidades de informação de bases de dados não estruturadas;
3. Desenvolver aptidões sociais (soft skills), nomeadamente Resolução de Problemas, Trabalho de Equipe e Colaboração e Observação Crítica
1. Introdução às Bases de Dados Não Relacionais;
2. Redundância para gerir tolerância a falhas;
3. Distribuição de Dados para gerir grandes volumes de informação;
4. Introdução ao MongoDB;.
5. Desenho de Bases de Dados no MongoDB;
6. Manipulação de estruturas JSON;
7. Extracção de dados no MongoDB.
A avaliação periódica através de teste escrito (nota mínima 7.5 valores) e um trabalho (opcional) que a sere entregues contribui com 30% da nota. O teste coincide com o exame da 1ª época. Existe um exame de 2ª época para os alunos que reprovem ou queiram melhorar a nota, O trabalhos apenas pode contar para a primeira época. A Época Especial consiste exclusivamente num exame escrito.
BibliografiaTitle: NoSQL Database: New Era of Databases for Big data Analytics - Classification, Characteristics and Comparison, A B M Moniruzzaman, Syed Akhter Hossain, 2013 (https://arxiv.org/abs/1307.0191)
MongoDb Homepage
Authors:
Reference:
Year:
Estatística Computacional
Objetivos de aprendizagem (OA) a desenvolver:
OA1: Simular cenários probabilísticos
OA2: Calcular probabilidades condicionadas, diretamente ou por via do teorema de Bayes, e saber verificar a independência de acontecimentos
OA3: Gerar observações (pseudo)aleatórias com distribuição especificada, conhecer as distribuições mais utilizadas e trabalhar com variáveis aleatórias discretas e contínuas
OA4: Compreender o teorema do limite central
OA5: Compreender a diferença entre probabilidade e função de verosimilhança, assim como saber determinar o estimador de máxima verosimilhança para um dado parâmetro do modelo
OA6: Determinar Intervalos de Confiança para estimadores de parâmetros
OA7: Saber escolher o ensaio de hipóteses mais adequado em cada caso, saber escrever as hipóteses nula e alternativa, calcular e compreender o significado do valor-p.
CP1. Teoria das probabilidades: definições, axiomas, probabilidade condicional, probabilidade total e fórmula de Bayes.
CP2. Variáveis aleatórias (VA) univariadas: f.de probabilidade e densidade, f. distribuição, parâmetros caracterizadores.
CP3. VA univariadas comummente utilizadas: características, propriedades e cálculo de probabilidades. Simulação de observações de v.a. com diferentes distribuições.
CP4. VA bi e multivariadas: f. probabilidade e densidade conjunta, f.de distribuição conjunta, covariância, correlação. Independência entre variáveis aleatórias. Distribuição conjunta de uma amostra aleatória simples.
CP5. Distribuições de amostragem: teorema do limite central e distribuições derivadas da Normal
CP6. Estimação de parâmetros: estimação pontual, propriedades dos estimadores, método de máxima verosimilhança, estimação por intervalos.
CP7. Ensaios de hipóteses: racional, probabilidade de significância. Teste para uma e duas médias; teste do qui-quadrado de independência.
Avaliação periódica
Trabalhos de casa: 10 pequenos exercícios (um por semana de aulas, aproximadamente, a entregar por regra em 48h). Consideram-se para a nota os 8 melhores, que valem no total 15% da nota final
Um TPC não entregue é cotado com 0. Nota final do instrumento: média simples das cotações (em %) de cada TPC * 20
2. Um teste teórico-interpretativo intermédio, peso 30%, sem nota mínima
3. Um teste teórico-interpretativo final, peso 30%, nota mínima 9 em 20
4. Um teste pratico em R final, peso 25%, nota minima 7
Avaliação por exame: dois instrumentos
Um teste teórico interpretativo final, peso 60%, nota mínima 9
Um teste pratico em R final, peso 40%, nota minima 7
Condição de aprovação (qualquer um dos regimes): Média final ponderada, arredondada à unidades, de pelo menos 10
Title: Kerns, G.J., IPSUR: Introduction to Probability and Statistics Using R,, 2011, ISBN: 978-0-557-24979-4, https://www.semanticscholar.org/paper/Introduction-to-Probability-and-Statistics-Using-R-Kerns/b2a2c69237387b4c18871d3137667461ff8ea33f
Reis, E., Andrade, M., Calapez, T. & Melo, P., Estatística Aplicada, volume 1. 6ª edição. Lisboa. Edições Sílabo., 2015, ISBN 978-972-618-819-3,
Reis, E., Andrade, M., Calapez, T. & Melo, P., Estatística Aplicada volume 2, 6ª edição, Lisboa. Edições Sílabo., 2016, ISBN 978-972-618-986-2,
Verzani, J., Using R for Introductory Statistics, 2nd Edition, Chapman & Hall/CRC, 2014, eBook ISBN 9781315373089, https://cran.r-project.org/doc/contrib/Verzani-SimpleR.pdf
Authors:
Reference:
Year:
Title: Rohatgi, V.K. and Ehsanes Saleh, A.K. Md, An Introduction to Probability and Statistics, 3rd edition, Wiley Series in Probability and Statistics, 2015, ISBN: 978-1-118-79964-2,
Reis, E., Andrade, M., Calapez, T. & Melo, P., Exercícios de Estatística Aplicada volume 1. 2ª edição, Lisboa. Edições Sílabo., 2012, ISBN 978-972-618-688-5,
Reis, E., Andrade, M., Calapez, T. & Melo, P., Exercícios de Estatística Aplicada volume 2. 2ª edição, Lisboa. Edições Sílabo., 2014, ISBN 978-972-618-747-9,
Authors:
Reference:
Year:
Fundamentos em Gestão de Bases de Dados
O1: Desenvolver mecanismos de Abstracção;
O2: Desenvolver estruturação de informação;
O3: Desenvolver capacidade de utilizar eficazmente extrair informação de bases de dados.
P1 - Desenho de esquemas relacionais
P1.2 Modelo relacional;
P1.2.1 Relações e chaves primárias
P1.2.2 Chaves estrangeiras e regras de integridade
P1.2.3 Optimizações e índices
P1.2.5 Transacções e concorrência
P2 Linguagem S.Q.L
P2.1 Querys Simples;
P2.2 Funções de Agregação;
P2.3 SubQuerys;
P2.4 Triggers e Stored Procedures;
A avaliação periódica através de teste escrito (nota mínima 7.5 valores) e dois trabalhos (opcionais) que a serem entregues cada um contribui com 15% da nota. O teste coincide com o exame da 1ª época. Existe um exame de 2ª época para os alunos que reprovem ou queiram melhorar a nota,. Os trabalhos apenas podem contar para a primeira época. A Época Especial consiste exclusivamente num exame escrito.
BibliografiaTitle: -Ramos, P, Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos, Editora Sílabo, 2ª Edição, 2007
-Perreira, J. Tecnologia de Base de Dados" FCA Editora de Informática, 1998
-Damas, L. SQL - Structured Query Language " FCA Editora de Informática, 2005 (II)
http://plsql-tutorial.com/.
Authors:
Reference:
Year:
Title: -Date, C.J. "An introduction to Database Systems" Addison-Wesley Publishing Company, sexta edição, 1995 (I.2, I.3, I.4, II);
-Booch, G., Rumbaugh, J., Jacobson, I "The Unified Modeling Language User Guide" Addison-Wesley Publishing Company, 1999 (I.1);
-Nunes, O´Neill, Fundamentos de UML, FCA, 2002
Authors:
Reference:
Year:
Métodos de Aprendizagem Não Supervisionada
OA1: Compreender os principais métodos analíticos não supervisionados
OA2: Utilizar R no contexto dos métodos não supervisionados
OA3: Avaliar, validar e interpretar os resultados
CP1: Introdução aos métodos de aprendizagem não supervisionada
CP2: Técnicas de redução da dimensionalidade dos dados
- Análise em componentes principais (ACP)
- Aplicações com R
CP3: Técnicas de clustering:
- Métodos hierárquicos
- Métodos partitivos
- Mapas self-organizing
- Métodos probabilísticos
- Qualidade e validação de soluções de clustering
- Aplicações com R
CP4: Estudos de caso
Os estudantes podem optar por Avaliação Periódica ou Exame Final.
AVALIAÇÃO PERIÓDICA:
- trabalho de grupo com nota mínima de 8 valores (50%)
- teste individual com nota mínima 8 valores (50%)
A aprovação requer uma frequência mínima de 80% das aulas e nota mínima de 10.
EXAME:
O Exame Final corresponde a um exame escrito. Os alunos devem obter uma nota mínima de 10 para passar.
Title: James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An Introduction to Statistical Learning: with applications in R, New York: Springer.
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education.
Authors:
Reference:
Year:
Title: Wedel, M., Kamakura, W. A. (2000), Market Segmentation. Conceptual and Methodological Foundations (2nd edition), International Series in Quantitative Marketing. Boston: Kluwer Academic Publishers.
Lattin, J., D. Carroll e P. Green (2003), Analyzing Multivariate Data, Pacific Grove, CA: Thomson Learning.
Kohonen, T. (2001). Self-Organizing Maps. Third edition, Springer.
Hennig, C., Meila, M., Murtagh, F., Rocci, R. (eds.) (2016), Handbook of Cluster Analysis, Handbooks of Modern Statistical Methods. Boca Raton: Chapman & Hall/CRC.
Aggarwal, C. C., Reddy, C. K. (eds.) (2014), Data Clustering: Algorithms and Applications. Boca Raton: CRC Press.
Authors:
Reference:
Year:
Segurança, Ética e Privacidade
OA1. Reconhecer os principais problemas de segurança em sistemas baseados em software, respetivas causas e consequências.
OA2. Identificar e descrever os serviços de segurança necessários para implementar uma determinada política de proteção da informação com base em análise de risco.
OA3. Conhecer os quadros regulatórios nos domínios da proteção de dados pessoais e da vida privada, com especial foco no Regulamento Geral de Proteção de Dados.
OA4. Refletir ética e criticamente sobre as implicações das tecnologias e do tratamento de dados nos indivíduos e na sociedade, abordando os decorrentes desafios que se colocam nos domínios da segurança da informação, da proteção de dados pessoais e da privacidade.
CP1. Segurança da Informação: Fundamentos de segurança – segurança dos dados; Vulnerabilidades e ameaças em segurança; IRM – Information Risk Management; Criptografia e PKI.
CP2. Privacidade e proteção de dados pessoais: O RGPD e a Lei 58/2019; Técnicas de anonimização e pseudonimização.
CP3. Ética: A ética e o desenvolvimento tecnológico; Ética na computação; Desafios na Ciência de Dados; Responsabilidade na Engenharia; Ética normativa e estudo de caso.
A avaliação é contínua, e inclui:
- 1º teste (40%) [CP1]
- 2º teste (25%) [CP2]
- Trabalho em grupo (32,5%) [CP3]
- A assiduidade do aluno nas aulas (2,5%) [CP2,CP3]. Para obter 100% na componente de assiduidade, o aluno deve frequentar um mínimo de 70% das aulas.
Cada um dos testes e o trabalho individual tem classificação mínima de 7 valores.
Exame final em 1º e 2º época para quem não for aprovado por avaliação contínua:
- Prova escrita 100% [CP1, CP2, CP3]
Title: Andress, J. (2014). The Basics of Information Security: Understanding the Fundamentals of InfoSec in Theory and Practice. Syngress.
Kim, D., Solomon, M. (2016). Fundamentals of Information Systems Security. Jones & Bartlett Learning.
Cannon, J.C. Privacy in Technology: Standards and Practices for Engineers and Security and IT Professionals. Portsmouth: AN IAPP Publication, 2014.
Breaux, Travis. Introduction to IT Privacy: A Handbook for Technologists. Portsmouth: An IAPP Publication, 2014.
Whitman, M., & Mattord, H. (2013). Management of information security. Nelson Education.
Katz, J., & Lindell, Y. (2014). Introduction to modern cryptography. CRC press.
Ethics, Technology, and Engineering: An Introduction (2011). Ibo van de Poel, Lamber Royakkers, Wiley-Blackwell.
European Union Agency for Fundamental Rights, The Handbook on European data protection law, 2018:, 2019, http://fra.europa.eu/sites/default/files/fra_uploads/fra-coe-edps-2018-handbook-data-protection_en.pdf, http://fra.europa.eu/sites/default/files/fra_uploads/fra-coe-edps-2018-handbook-data-protection_en.pdf
Authors:
Reference:
Year:
Title: A. Barreto Menezes Cordeiro, Direito da Proteção de Dados à luz do RGPD e da Lei n.º 58/2019, Edições Almedina., 2020, Cordeiro (2020)
Sara Baase, A gift of fire : social, legal, and ethical issues for computing technology, 2013, -
Whitman, M., Mattord, H. (2017). Principles of Information Security. Course Technology.
Bowman, Courtney. The Architecture of Privacy: On Engineering Technologies that Can Deliver Trustworthy Safeguards. O?Reilly Media, 2015.
Anderson, R. J. (2010). Security engineering: a guide to building dependable distributed systems. John Wiley & Sons.
Zúquete, A. (2018). Segurança em redes informáticas. FCA-Editora de Informática.
Regulamentos e orientações da Comissão Europeia relativos à Proteção de Dados, https://ec.europa.eu/info/law/law-topic/data-protection_en
Bynum, Terrell Ward, and Simon Rogerson, (2004), Computer Ethics and Professional Responsibility: Introductory Text and Readings. Oxford: Blackwell, 2004.
Grupo do Artigo 29, Parecer 05/2014 sobre técnicas de anonimização do grupo de trabalho de proteção de dados do artigo 29.º, de 10 de Abril de 2014, 2014, -, https://ec.europa.eu/justice/article-29/documentation/opinion-recommendation/files/2014/wp216_pt.pdf
Enisa, Orientações da Enisa sobre técnicas de pseudonimização e boas práticas, 2019, -, https://www.enisa.europa.eu/publications/pseudonymisation-techniques-and-best-practices
UE, Proposta do regulamento do parlamento europeu e do conselho que estabelece regras harmonizadas em matéria de inteligência artificial (regulamento inteligência artificial) e altera determinados atos legislativos da União, 2023, -, https://eur-lex.europa.eu/legal-content/PT/TXT/?uri=CELEX%3A52021PC0206
Outros textos a indicar e distribuídos pelo docente ao longo do semestre.
Authors:
Reference:
Year:
Introdução A Modelos Dinâmicos
OA1. Entender a correlação entre variáveis, o modelo de regressão linear simples e múltipla
OA2. Métodos de estimação dos parâmetros (OLS e ML)
OA3. Análise dos pressupostos do modelo de regressão, testes de hipótese e diagnóstico.
OA4. Operador lag, estacionaridade, teste de raiz unitária, outliers e variáveis dummy, modelos ARIMA.
OA5. Extensões do modelo de regressão linear: modelos não-lineares e dinâmicos.
OA6. Programação básica e computação com R e Python.
OA7. Aplicação dos conceitos estudados; conjunto de treino/teste e previsão, extracção de informação e valor para dados do mundo real.
P1. Modelos de Regressão
P1.1. Correlação
P1.2. Regressão linear simples
P1.3. Regressão linear múltipla
P2. Estimação e inferência, OLS e ML
P3. Pressupostos dos resíduos
P3.1. Testes de hipótese e diagnóstico
P3.2. Casos práticos
P4. Modelos ARMA/ARIMA/SARIMAX
P4.1. Operador lag, estacionaridade, teste de raiz unitária, outliers, variáveis dummy
P4.2. Ruído Branco, Modelos ARMA, ARIMA, SARIMAX
P4.3. Metodologia de Box-Jenkins, Previsão
P5. Extensões do modelo clássico de regressão
P5.1. Regressão não-linear
P5.2. Casos práticos
P6. Programação básica e computação com R
P7. Aplicações para dados e situações reais
P7.1. Conjunto treino/teste, previsão e forecasting
P7.2. Casos práticos
A avaliação periódica inclui a realização de:
a) Teste individual com ponderação de 60%.
b) Trabalho de grupo com ponderação de 40%.
A avaliação periódica exige a presença em, pelo menos, 80% das aulas.
Os alunos em avaliação periódica que não obtenham a nota mínima de 8,5 valores no teste individual e de 10 valores no trabalho deverão realizar um exame final (nota mínima de aprovação: 10 valores).
Title: - Ficheiros (slides e scripts) da UC a disponibilizar no e-learning/Fenix
- Rob J Hyndman and George Athanasopoulos, (2018), Forecasting: principles and practice, 2nd Edition, OTexts Melbourne ("fpp2" package CRAN)
- Tom Alby, (2024), Data Science in Practice, CRC Press.
- Bruce P., Bruce A., and Gedeck P., (2020), Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, 2nd Edition, O' Reilly Media, Inc.
- Robert I. Kabacoff, (2022), R in Action: Data analysis and graphics with R, Third Edition, Manning Publications Co.
Authors:
Reference:
Year:
Title: Eric Goh Ming Hui, (2019), Learn R for Applied Statistics, Apress.
Daniel J. Denis, (2020), Univariate, Bivariate, and Multivariate Statistics Using R: Quantitative Tools for Data Analysis and Data Science, JohnWiley & Sons, Inc.
Authors:
Reference:
Year:
Métodos de Aprendizagem Supervisionada
OA1: Compreender os métodos de aprendizagem supervisionada: âmbitos de aplicação e procedimentos
OA2: Utilizar software R para realizar as análises de dados
OA3: Avaliar e interpretar os resultados das análises de dados
CP1: Sobre Aprendizagem Supervisionada
Tipologias
Dados para aprendizagem
Funções objetivo
Avaliação e seleção de modelos
Notas sobre inferência estatística
CP2: Métodos de Regressão
K- Nearest Neighbor
Árvores de Regressão (algoritmo CART)
CP3: Métodos de Classificação
Naive Bayes
K-Nearest-Neighbor
Regressão Logística
Árvores de Classificação (algoritmo CART)
A metodologia de ensino-aprendizagem (ME) inclui quatro componentes:
ME1: Expositiva, para apresentação dos quadros teóricos de referência
ME2: Experimental, mediante uso de software para efetuar análises de dados
ME3: Ativa, mediante a realização de um trabalho de grupo
ME4: Auto-estudo, relacionado com o trabalho autónomo do aluno, tal como consta no Planeamento de Aulas
|
AVALIAÇÃO PERIÓDICA:
- quiz online realizado em grupo (40%) com nota mínima de 9 valores
- teste individual (60%) com nota mínima 9 valores.
A aprovação requer nota mínima de 10 valores.
EXAME:
1ª parte - teste individual (60%)
2ª parte - teste individual online com análises de dados efetuadas com a ferramenta de software usada nas aulas (40%).
Os alunos devem obter uma nota mínima de 9 valores em cada parte do exame e nota mínima (ponderada) de 10 valores para aprovação.
Title: Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R. Springer.
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: Springer.
Lantz, B. (2023). Machine Learning with R: Learn techniques for building and improving machine learning models, from data preparation to model tuning, evaluation, and working with big data. 4th Edition. Packt Publishing.
Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons.
Authors:
Reference:
Year:
Title: Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R (2012). Great Britain: Sage Publications, Ltd, 958.
Authors:
Reference:
Year:
Optimização Heurística
Objectivos de aprendizagem (OA):
OA1- Discutir os desafios enfrentados em problemas reais de otimização, nomeadamente nos de grande dimensão
OA2 - Explicar e discutir as metodologias disponíveis para resolver problemas de otimização difíceis
OA3 - Formular e especificar métodos de solução eficazes para resolver problemas de otimização
OA4 - Usar ferramentas avançadas para resolver problemas de otimização
Conteúdos programáticos (CP):
CP1. OTIMIZAÇÃO MULTIOBJETIVO
1.1. Conceitos básicos
1.2. Metodologias
CP2. METAHEURÍSTICAS
2.1. Conceitos e terminologia
2.2. Algoritmos com uma única solução inicial
2.3. Algoritmos Genéticos
1ª época:
i) Trabalhos Individuais (TI): 50%
- TI 1: 25%
- TI 2: 25%
ii) Projeto de Grupo (até 5 estudantes): 50%;
Nos Trabalhos Individuais (TI1 e TI2) e no Projeto de Grupo pode ser necessária discussão oral.
2ª época
i) Projeto Individual: 100% (pode ser necessária discussão oral).
Em ambas as épocas, o aluno pode ser sujeito a exame oral mesmo que classificação final >= 9,5 valores.
Title: - Ke-Lin Du; M. N. S. Swamy (2018). Search and Optimization by Metaheuristics: Techniques and and Algorithms Inspired by Nature. Birkhäuser.
- Gutierrez, A. M; Ramirez-Mendoza, R. A.; Flores, E. M.; Ponce-Cruz, P; Espinoza, A.A. O.; Silva, D. C. B. (Eds.) (2020). A Practical Approach to Metaheuristics using LabVIEW and MATLAB (R). Taylor & Francis Ltd.
- Lobato, F. S.; Valder, S. Jr. (2017). Multi-Objective Optimization Problems: Concepts and Self-Adaptive Parameters with Mathematical and Engineering Applications. Springer Cham.
- Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cemgage Learning.
- Burke, E. K.; Kendall, G. (Eds.) (2014). Search Methodologies: Introductory Tutorials in Optimization and Decision Support, 2nd edition, Springer.
- Siarry, P. (Ed.) (2016). Metaheuristics, Springer.
- Ehrgott, M. (2005). Multicriteria Optimization, 2nd edition, Springer.
Authors:
Reference:
Year:
Title: - Open Access documents such as instructor notes, book chapters, research articles, and tutorials that will be provided via Moodle.
Authors:
Reference:
Year:
Processamento de Big Data
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: compreender e saber aplicar os modelos de programação/computação distribuídos
OA3: saber aplicar técnicas de redução de dimensionalidade
OA4: aplicar técnicas de aprendizagem supervisionada ou não supervisionada em problemas de grande dimensão
OA5: compreender e saber aplicar algoritmos de recomendação
OA6: compreender as diferentes técnicas para extrair informação de grafos de grandes dimensões
CP1: Programação para larga escala
CP2: Aprendizagem automática para larga escala
CP3: Sistemas de recomendação
CP4: Análise de hiperligações
A avaliação pode ser realizada de duas formas: periódica [1] ou exame final [2].
[1] A avaliação periódica consiste em:
- 1 teste escrito individual com um peso na nota final de 60%, com uma nota mínima de 8 em 20 para obter aprovação na UC;
- 1 trabalho (em grupo) com um peso na nota final de 40%.
[2] O exame final é composto por parte teórica e prática, realizadas no Iscte-IUL (ver detalhes obrigatórios no campo Observações).
Title: - 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.
Authors:
Reference:
Year:
Title: - 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.
Authors:
Reference:
Year:
Projeto Aplicado em Ciência de Dados I
OA1 - Aprender técnicas de limpeza, pré-processamento, engenharia e integração de dados
OA2 - Identificar a metodologia apropriada para o problema a resolver.
OA3 - Compreender e interpretar os resultados.
OA4 - Comunicar os resultados de forma correta (relatório e apresentação oral)
CP 1 Metodologia para desenvolvimento de um projeto com enfâse em Ciência de Dados.
CP 2 Bibliotecas (Python) para manipulação, visualização e tratamento de dados.
CP 3 Feature Engineering e compreensão das variáveis/dados
CP 4 Metodologias para comunicação e disseminação de resultados.
CP 5 Desenvolvimento do projeto.
Dada a natureza aplicada deste unidade curricular, não existirá avaliação por exame.
A avaliação será composta por:
1 - Um teste intercalar: 25%;
2 - Apresentações orais: 25%.;
3 - Projeto com relatório final e apresentação em workshop: 50%.
A aprovação requer uma nota mínima ponderada de 10 valores
Title: (1) Artigos científicos em conformidade com os temas específicos aos problemas em que os alunos vão desenvolver o seu projeto
(2) Ficheiros (slides, scripts e notebooks) da UC a disponibilizar no Moodle
(3) Wes McKinney (2022), Python for Data Analysis, 3rd Edition, O'Reilly Media, Inc. (https://wesmckinney.com/book/, https://github.com/wesm/pydata-book)
(4) Marek Gagolewski (2023), Minimalist Data Wrangling with Python, CC BY-NC-ND 4.0. (https://datawranglingpy.gagolewski.com/)
Authors:
Reference:
Year:
Title: (1) Matt Harrison and Theodore Petrou (2020), Pandas 1.x Cookbook, Second Edition, Packt>.
(2) Suresh Kumar Mukhiya and Usman Ahmed (2020), Hands-On Exploratory Data Analysis with Python, Packt>. (https://github. com/PacktPublishing/hands-on-exploratory-data-analysis-with-python)
Authors:
Reference:
Year:
Análise de Redes
Ao concluir esta unidade curricular o aluno deve estar apto para:
OA1. Caracterizar as redes com base em medidas de associação, agrupamento, distância, centralidade e heterogeneidade. Avaliar a robustez das redes;
OA2. Obter a rede de co-ocorrência associada a uma rede em que se representam relações. Analisar redes com pesos associados às ligações;
OA3. Escolher e caracterizar modelos de redes aleatórias;
OA4. Detetar comunidades e avaliar os métodos de detecção de comunidades.
1. Conceitos Básicos
Elementos de uma rede, subredes, densidade e grau. Redes Bipartidas.
2. Small Worlds
Correlação de Grau. Caminhos e distâncias. Conectividade. Seis Graus de Separação. Coeficientes de Clustering.
3. Hubs e Heterogeneidade de Pesos
Medidas de centralidade, Heterogeneidade baseada no Grau, Robustez, Decomposição de Core e Heterogeneidade de Pesos
4. Redes Aleatórias
Geração de Redes Aleatórias e caracterização. Modelo de Watts-Strogatz, Configuration Model e Modelos de Preferência.
5. Comunidades
Conceitos, Problemas Relacionados, Métodos de Detecção de Comunidades (Remoção de Pontes, Otimização de Modularidade, Propagação de Etiquetas). Métodos de Avaliação.
Duas opções:
1.Avaliação Periódica:
• trabalhos de grupo (40%);
• teste final (60%).
Nota (teste final) >= 8.5;
Presença em, pelo menos, 2/3 das aulas.
2. Avaliação em Exame:
• projecto individual (40%);
• exame (60%).
Nota (exame) >= 8.5;
Em ambas as opções:
• Se classificação final >=9.5, poderão ser sujeitos a um exame oral.
• Aprovação se média ponderada >= 9.5.
Title: Menczer, F., Fortunato, S. and Davis, C., A First Course in Network Science,, 2020, 1st edition, Cambridge University Press: Cambridge.,
Barabási, A.-L., Network Science, 2016, 1st edition, Cambridge University Press,
Authors:
Reference:
Year:
Title: Newman, M., Networks, 2018, 2nd edition. Oxford University Press: Oxford.,
Katherine Ognyanova, Introduction to R and network analysis, 2018, Rutgers University, https://kateto.net/wp-content/uploads/2018/03/R%20for%20Networks%20Workshop%20-%20Ognyanova%20-%202018.pdf
Authors:
Reference:
Year:
Inteligência Artificial Simbólica para Ciência de Dados
Pretende introduzir-se as temáticas da Inteligência Artificial e Aprendizagem Automática Simbólicas, numa perspetiva essencialmente aplicada, tendo em linha de conta a inserção da cadeira no curso, os conhecimentos adquiridos noutras cadeiras e as necessidades fundamentais do curso.
Os três principais tópicos do programa são a programação em lógica, tecnologias adaptativas essencialmente simbólicas para a representação de modelos adaptativos do mundo, e métodos de aprendizagem automática simbólica para aprender modelos do mundo.
Após a conclusão da UC, os alunos devem
- Ter consciência da existência de paradigmas simbólicos para a representação e aprendizagem de modelos adaptativos do mundo
- Ter adquirido a aptidão de decidir usar os paradigmas aprendidos na unidade curricular em problemas / domínios aplicacionais adequados
Perspetiva Geral da Cadeira: necessidade, vantagens e desvantagens das tecnologias essencialmente simbólicas para a representação e aprendizagem de modelos adaptativos da realidade, e o papel de cada componente do programa nos desideratos da cadeira.
Programação em lógica para representar modelos da realidade e raciocinar com eles.
Representação e raciocínio baseados em conjuntos vagos e em lógica vaga para representar modelos adaptativos essencialmente simbólicos e raciocinar com eles.
Representação e raciocínio baseado em casos para representar modelos adaptativos essencialmente simbólicos e raciocinar com eles.
Introdução à Explainable AI e suas características e domínios de aplicação.
Conceitos de Responsible AI.
Na avaliação periódica, os alunos terão de realizar:
- Teste escrito individual sobre todo o programa da UC (60%) - a realizar na época de exames (1º ou 2º exame).
- Trabalho de investigação (em grupo) sobre um dos temas da UC, com relatório e apresentação oral (40%). A apresentação oral é efectuada em tempo de aula durante o semestre. A nota do trabalho de investigação é dividida em 50% por cada elemento e os membros do grupo podem ter notas diferentes.
Ambas as componentes de avaliação nas avaliações periódicas têm uma nota mínima de 8 valores.
Em alternativa, os alunos podem realizar apenas um exame (100%), que pode ser em ambas as datas de exame.
Na época especial de exames os alunos realizam o exame (100%).
Title: Logic Programming and Inductive Logic Programming:
Ivan Bratko. 2011. Prolog Programming for Artificial Intelligence (4th Edition). Pearson Education Canada (International Computer Science Series).
Fuzzy Systems:
Guanrong Chen, and Trung Tat Pham. 2005. Introduction to Fuzzy Systems. CRC Press.
Case based reasoning:
Michael M. Richter, and Rosina Weber. 2013. Case-Based Reasoning. A Textbook. Springer-Verlag Berlin Heidelberg
Authors:
Reference:
Year:
Title: Lynne Billard, Edwin Diday. 2007. Symbolic Data Analysis: Conceptual Statistics and Data Mining, John Wiley & Sons, Ltd, Chichester, UK
Authors:
Reference:
Year:
Interfaces Web para A Gestão de Dados
Um aluno quando termina esta UC deve ser capaz de:
OA1. Conhecer e compreender os conceitos e as tecnologias de base para o desenvolvimento para a Web.
OA2. Conhecer e compreender as tecnologias de interface entre uma aplicação Web e uma Base de Dados.
OA3. Modelar e desenvolver uma aplicação Web com capacidade para a gestão de dados persistentes provenientes da interação humana com software Web.
CP1 [Introdução]
- A história da Web;
- Antigas e atuais linguagens de programação para a Web;
- Standards W3C.
CP2 [Modelação e programação de uma aplicação Web]
- Arquitetura cliente/servidor;
- Arquitetura MVC para a Web;
- Principais linguagens de formatação gráfica para a Web;
- Bibliotecas de formatação gráfica;
- Principais linguagens de programação para a Web;
- Bibliotecas de programação para a Web;
- Introdução à segurança do lado do cliente e do lado do servidor.
CP3 [Acesso a Base de Dados]
- Acesso a Base de Dados a partir da Web;
- Modelo de dados na aplicação Web e correspondente interação com a Base de Dados.
CP4 [Registo e Gestão de Dados]
- Registo de dados da Web em Base de Dados.
- Gestão dos dados.
Dada a natureza prática dos conteúdos lecionados, a avaliação será realizada por projeto. O seu tema deverá estar alinhado com a totalidade ou parte do programa da UC.
Exercícios realizados na aula (10%).
Projeto (90%, incluindo trabalho de grupo (relatório e software) 40% e prova oral individual 50%).
Todas as componentes do projeto proposta, relatório, software e prova oral, são obrigatórias. A classificação mínima para cada componente é de 10 numa escala de 0 a 20.
Haverá apenas uma data limite para a entrega do projeto, com exceção dos alunos inscritos em época especial que poderão entregar durante esse período.
A presença nas aulas não é obrigatória.
Não existe exame final.
A melhoria de nota pode ser realizada através de entrega de novo projeto no ano letivo seguinte.
Title: Mitchell, R. (2016). Web Scraping with Python: Collecting Data from the Modern Web. Ed. O?Reilly Media, Inc. ISBN-13: 978-1491910290. ISBN-10: 1491910291.
Vincent W. S. (2018). Build websites with Python and Django. Ed: Independently published. ISBN-10: 1983172669. ISBN-13: 978-1983172663.
Dean J. (2018). Web Programming with HTML5, CSS, and JavaScript. Ed: Jones & Bartlett Learning. ISBN-13: 978-1284091793. ISBN-10: 1284091791.
Ryan J. (2013). A History of the Internet and the Digital Future. Ed: Reaktion Books. ISBN-13: 978-1780231129
Authors:
Reference:
Year:
Title: Lambert M. and Jobsen B. (2017). Complete Bootstrap: Responsive Web Development with Bootstrap 4. Ed: Impackt Publishing. ISBN-10: 1788833406. ISBN-13: 978-1788833400.
Downey A. B. (2015). Think Python: How to Think Like a Computer Scientist. Ed: O'Reilly Media. ISBN-10: 1491939362. ISBN-13: 978-1491939369.
Authors:
Reference:
Year:
Modelação Estocástica
No final do período curricular desta UC, o aluno deverá:
OA1. Compreender os princípios e métodos de simulação estocástica;
OA2. Ser capaz de desenvolver algoritmos eficientes para a geração de números pseudoaleatórios;
OA3. Ser capaz de aplicar o método de Monte Carlo;
OA4. Compreender e ser capaz de aplicar diferentes métodos de Monte Carlo via Cadeias de Markov;
OA5. Ser capaz de implementar técnicas de reamostragem;
OA6. Ser capaz de simular um sistema real através de simulação de eventos discretos;
OA7. Ser capaz de analisar e avaliar os resultados da simulação;
OA8. Ser capaz de implementar algoritmos eficientes de simulação estocástica em R.
O Programa de Modelação Estocástica é constituído pelos seguintes conteúdos programáticos (CP):
CP1. Introdução à Simulação em Ciência de Dados
CP2. Geração de Números Pseudoaleatórios
- Método Congruencial Linear;
- Método da Transformação Inversa;
- Método da Aceitação/Rejeição;
- Outras Transformações;
- Somas e Misturas
CP3. Métodos de Monte Carlo em Inferência Estatística
CP4. Métodos de Monte Carlo via Cadeias de Markov (MCMC)
CP5. Métodos de Reamostragem
- Bootstrapp;
- Cross-Validation
CP6. Simulação de Eventos Discretos
A avaliação periódica exige a presença em 2/3 das aulas e inclui:
1 - Um trabalho de grupo de 4 a 5 pessoas (30%), com eventual discussão individual;
2 - Dois mini-trabalhos de grupo de 2 pessoas (20%);
3 - Um teste final individual (50%).
A aprovação requer classificação mínima de 8,5 no teste final e classificação final mínima (média) de 10 valores.
A avaliação pode ser também realizada por exame (100%).
Title: Templ, M. (2016). Simulation for Data Science with R. Packt Publishing Ltd:Birmingham, Uk.
Rizzo, M. L. (2008). Statistical Computing with R. Chapman & Hall/CRC.
Robert, C. P. and Casella, G. (2010). Introducing Monte Carlo Methods with R. Springer-Verlag.
Authors:
Reference:
Year:
Title: Wickham, H. and Grolemund , G. (2017). R for Data Science. O'Reilly Media Inc.
Authors:
Reference:
Year:
Projeto Aplicado em Ciência de Dados II
Pretende-se prover os estudantes de experiência na aplicação de soluções a problemas concretos, baseados em dados e em variados contextos e domínios. Os estudantes aprenderão a desenvolver um projeto em ciência de dados, em ambiente académico e científico, identificando necessidades, manipulando dados, e identificando as metodologias apropriadas para o problema a resolver. Serão reforçados um conjunto de aspetos, potencialmente relevantes para um projeto com dados (reais) de dimensão considerável, tais como: visualização (geoespacial), métodos de classificação automáticos, balanceamento de dados e overfitting, séries temporais, realçando também a forma correta de comunicação dos resultados. Dá-se preferência ao acolhimento de problemas de docentes/investigadores do Iscte com projetos reais e delimitados.
CP1: Introdução de elementos potencialmente relevantes para o desenvolvimento de um projeto
CP2: Introdução aos projetos aplicados em Data Science
CP3: Enquadramento e escolha de metodologia adequada
CP4: Desenvolvimento do projeto com dados de dimensão considerável e preferencialmente reais
CP5: Templates de divulgação de resultados obtidos
Dada a sua natureza, esta UC é feita apenas por avaliação periódica, não contemplando a modalidade de avaliação por exame.
A avaliação consiste em duas componentes:
a) Questionários (50%): 4 questionários feitos em grupo e com consulta (10% cada) + 1 questionário individual (10%);
b) Trabalho de grupo, com escrita de relatório e apresentação oral (50%).
Os alunos devem obter uma nota mínima de 9 valores em cada componente.
A assiduidade não é requisito essencial de aprovação.
Title: Field Cady, The Data Science Handbook, 2017, DOI:10.1002/9781119092919, https://onlinelibrary.wiley.com/doi/book/10.1002/9781119092919
Bradley Boehmke & Brandon Greenwell, Hands-On Machine Learning with R, 2020, https://bradleyboehmke.github.io/HOML/, https://bradleyboehmke.github.io/HOML/
Jake VanderPlas, Python Data Science Handbook, 2016, O'Reilly Media, Inc., https://jakevdp.github.io/PythonDataScienceHandbook/
José Braga de Vasconcelos e Alexandre Barão, Ciência Dos Dados Nas Organizações - Aplicações Em Python, 2017, FCA Editora,
Trevor Hastie , Robert Tibshirani , Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction, 2016, https://link.springer.com/book/10.1007/978-0-387-84858-7, https://hastie.su.domains/Papers/ESLII.pdf
James, G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to Statistical Learning with Applications in R (1st Ed.), 2013, Springer,
Authors:
Reference:
Year:
Title: Glenn J. Myatt and Wayne P. Johnson, Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining", Second Edition, 2014, John Wiley & Sons, Inc.,
Authors:
Reference:
Year:
Análise da Performance em Gestão
No final da UC, o estudante deverá ser capaz de:
OA1. Compreender sistemas de avaliação de desempenho alternativos aos modelos tradicionais que possam ser eficazes para apoiar decisões empresariais.
OA2. Criar um modelo gestão da performance que promova a performance individual e global.
OA3. Analisar a informação financeira existente nas organizações e organizá-la numa perspetiva de gestão.
1. Informação financeira para a gestão
2. Análise da performance global
3. Descentralização e gestão da performance
1) Avaliação ao longo do semestre: Instrumentos: trabalhos ou casos, individuais/grupo (40%) e teste escrito individual (60%). Aprovação: a) mín. 7,5 valores em cada uma das provas ou conjunto de provas individuais; b) classificação final mín. 10 valores.
2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores.
3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores.
Escala: 0-20 valores.
Title: Jordan, H., Neves, J. C., e Rodrigues, J. A. (2021). O Controlo de Gestão - ao Serviço da Estratégia e dos Gestores, 11ª Ed., Áreas Editora.
Kaplan, R. S., e Norton, D. P. (2008). The execution premium. Linking strategy to operations for competitive advantage. Harvard Business School Press.
Authors:
Reference:
Year:
Projeto Final Aplicado em Ciência dos Dados
Os estudantes saberão desenvolver um projecto integrado com todas as suas componentes, desde a concepção ao plano de implementação e, se for caso disso, à implementação propriamente dita.
O1- Identificar necessidade de conhecimento das empresas.
O2- Identificar as variáveis que conduzem ao conhecimento necessário
O3- Tratar os dados com plataforma apropriadas para se atingir os objetivos propostos
O4 ? Produzir documento adequado a correta divulgação dos resultados obtidos
O5 - Lidar com o problema do acesso e da privacidade dos dados
CP1 ? Introdução aos projetos de Data Science aplicados
CP2 ? Enquadramento na organização
CP3 ? Desenvolvimento do projecto
CP4 ? Templates de divulgação de resultados obtidos
CP5 ? Questões de privacidade e acesso aos dados
A UC tem como única avaliação continua a realização do projecto em empresa ou ISCTE-IUL A classificação final resulta dos seguintes componentes:
* Entregáveis e poster: 20% (3 entregáveis, cada um 5%; um cartaz de divulgação: 5%)
* Apresentação do projeto e discussão: 40%
* Relatório final: 40%
A disciplina não tem exame final dado a sua natureza de projeto aplicado a situações reais
Title: Field Cady ?The Data Science Handbook? 1st Edition 2017, Wiley.
Outra dependente dos temas específicos da monografia e das empresas em que os alunos vão desenvolver os trabalhos de projecto.
Authors:
Reference:
Year:
Title: Foster Provost and Tom Fawcett, ?Data Science for Business: What you need to know about data mining and data-analytic thinking?, 2013, O'Reilly Media
Authors:
Reference:
Year:
Plano de Estudos para 2024/2025
Unidades curriculares | Créditos | |
---|---|---|
Dados na Ciência, Gestão e Sociedade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Álgebra Linear
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Programação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tópicos de Matemática I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Amostragem e Fontes de Informação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise Exploratória de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Estruturas de Dados e Algoritmos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Optimização para Ciência de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tópicos de Matemática II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Escrita de Textos Técnicos e Científicos
2.0 ECTS
|
Optativas > Competências Transversais > Obrigatórias | 2.0 |
Pensamento Crítico
2.0 ECTS
|
Optativas > Competências Transversais > Obrigatórias | 2.0 |
Armazenamento para Big Data
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Estatística Computacional
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos em Gestão de Bases de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Métodos de Aprendizagem Não Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Segurança, Ética e Privacidade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Introdução A Modelos Dinâmicos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Métodos de Aprendizagem Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Optimização Heurística
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Processamento de Big Data
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado em Ciência de Dados I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise de Redes
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Inteligência Artificial Simbólica para Ciência de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Interfaces Web para A Gestão de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Modelação Estocástica
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado em Ciência de Dados II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise da Performance em Gestão
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Final Aplicado em Ciência dos Dados
12.0 ECTS
|
Unidades Curriculares Obrigatórias | 12.0 |
Dados na Ciência, Gestão e Sociedade
Após esta unidade curricular o estudante estará apto a atingir os Objetivos de Aprendizagem (OA):
OA1. Distinguir as diferentes definições e diferentes tipos de dados, bem como as diferentes estratégias de investigação ou negócio que os geram.
OA2. Distinguir quais as principais alegações que conduzem a diferentes interpretações o que são dados.
OA3. Explicar as diferenças entre aproximações quantitativas e qualitativas na geração de dados.
OA4. Examinar as implicações da recolha de dados em Ciência, Gestão e na Sociedade.
OA5. Debater as implicações dos modelos de dados em para as pessoas nas organizações e na sociedade em geral.
Conteúdos Programáticos (CP):
CP1. O que são dados e como pensar com dados.
CP2. Tipos de Problemas tratados em Ciência de Dados e especificidades nos domínios da Ciência, Gestão e Sociedade.
CP3. Diferentes tradições e metodologias de investigação e definições de aquisição de conhecimento.
CP4. Tradução de desafios reais para conceitos técnicos e de acordo com uma linguagem cientificamente orientada.
CP5. A dimensão ética das e nas estratégias de utilização de dados.
CP6. Exposição de casos práticos.
Esta UC é feita apenas por avaliação periódica, não contemplando a modalidade de avaliação por exame.
Componentes da avaliação:
a) Mini-testes (30%): 6 mini-testes (5% cada, a grande maioria para fazer em casa)
b) Projeto (30%): trabalho de grupo
c) Teste final (40%): Prova escrita a realizar no período da 1ª época, 2ª época ou época especial (Art 14º, RGACC)
Requisito de aprovação: Teste final >= 8 valores (em 20 valores)
A nota final do Projeto dependerá do código, dos relatórios e do desempenho dos estudantes na apresentação do trabalho realizado.
A assiduidade não é requisito essencial de aprovação.
Title: Cathy O'Neil, Rachel Schutt, Doing Data Science: Straight Talk from the Frontline, 2014, ISBN: 9781449358655,
Borgman, C. L., Big data, little data, no data: scholarship in the networked world, 2015, ISBN: 9780262529914,
Rob Kitchin, The data revolution: Big data, open data, data infrastructures and their consequences, 2014, https://doi.org/10.4135/9781473909472,
Authors:
Reference:
Year:
Title: Davenport, T., Harris, J., and Morison, R., Analytics at work: smarter decisions, better results. Harvard Business Review Press, USA., 2010, ISBN: 9781422177693,
Turban, E., Sharda, R., Delen, D., Decision Support and Business Intelligence Systems (9th Eds), 2010, ISBN: 978-0136107293,
Davenport, T., Big Data at Work: Dispelling the Myths, Uncovering the Opportunities, 2014, ISBN: 978-1422168165,
Authors:
Reference:
Year:
Fundamentos de Álgebra Linear
OA1. Generalizar a álgebra vetorial do plano e do espaço cartesiano com a introdução de R^n. Conhecer a estrutura de R^n e as interpretações geométricas subjacentes.
OA2. Conhecer a noção de matriz e dominar a álgebra matricial. Resolver e classificar sistemas lineares com recurso a conceitos matriciais.
OA3. Calcular, interpretar e aplicar determinantes de matrizes quadradas.
OA4. Conhecer a noção de espaço vetorial e identificar a presença desta estrutura em outras construções matemáticas (espaços de matrizes e espaços de polinómios). Generalizar os conceitos introduzidos em R^n para este contexto (subespaços, dependência linear de vetores, base e dimensão).
OA5. Identificar funções lineares (e matrizes relacionadas) entre espaços vetoriais. Reconhecer R^n enquanto o protótipo dos espaços vetoriais de dimensão finita.
OA6. Calcular e interpretar valores e vetores próprios. Diagonalizar matrizes. Determinar potências inteiras de matrizes diagonalizáveis.
1. Vetores em R^n
O espaço vetorial R^n. Subespaços vetoriais de R^n. Combinações lineares e independência linear. Bases e dimensão de um subespaço vetorial de R^n. Coordenadas. Produto interno, norma e ângulo, Ortogonalidade.
2. Matrizes
Noção de matriz e notação matricial. Soma e multiplicação escalar. Produto matricial. Transposição. Condensação de matrizes. Rank. Aplicações a sistemas lineares: eliminação de Gauss e critério do rank. Matriz inversa.
3. Determinantes
Definição e propriedades do determinante. Relação com operações elementares. Método da adjunta. Sistemas de Cramer.
4. Funções lineares
Espaço vetorial. Função linear. Kernel e imagem de uma função linear. Teorema da dimensão. Matriz de uma função linear. Espaço das funções lineares. Mudança de base.
5. Valores e vetores próprios
Valores e vetores próprios de um endomorfismo/matriz quadrada. Diagonalização de endomorfismos/matrizes quadradas.
MODALIDADES DE AVALIAÇÃO:
A avaliação do aluno à UC é feita através das seguintes duas modalidades:
A. Avaliação Periódica:
- 3 mini-testes (20% da média aritmética das duas melhores notas entre os três mini-testes; nota mínima de 10.00 valores na média aritmética dos dois melhores mini-testes).
- 2 quizzes online (10% da média aritmética das notas dos quizzes; nota mínima de 10.00 valores na média aritmética dos quizzes).
- Exame final (70%): realização de prova escrita na 1a época ou 2a época de avaliação; nota mínima de 8.00 valores.
B. Avaliação por Exame:
- Exame final (100%): realização de prova escrita na 1a época ou 2º época de avaliação.
REGRAS DA AVALIAÇÃO:
1. As médias aritméticas e a nota do exame são calculados até à centésima. A nota final é arredondada à unidade;
2. O aluno obtém aprovação à cadeira se a nota final for maior ou igual a 10 valores;
3. A nota final do aluno corresponde à melhor nota obtida entre a modalidade A e a modalidade B;
4. O aluno fica automaticamente excluído da modalidade A (avaliação periódica) em qualquer uma das seguintes situações:
4.1 Pelo menos uma das notas mínimas não é atingida;
4.2 Assiduidade inferior a 2/3 do total de aulas (16 aulas);
4.3 Melhoria de nota.
Title: Mendes, S., Notas de Álgebra Linear , v1.5 - 2022, disponível na página da UC.
Mendes, S., Exercícios de Álgebra Linear , disponível na página da UC.
Mendes, S., Introdução ao MATLAB com Aplicações à Álgebra Linear , disponível na página da UC.
Mendes, S., Pedro, M., Sebentas, 2023, Disponível na página Moodle da UC,
Authors:
Reference:
Year:
Title: Strang, G., "Linear Algebra and its Applications" , 4th edition, Cengage Learning, 2006.
Blyth,T.S. and Robertson, E.F. "Basic Linear Algebra", Springer, 2002.
Authors:
Reference:
Year:
Programação
Após a conclusão desta unidade curricular o aluno deverá ficar apto a:
OA1. Desenvolver funções/procedimentos que implementem algoritmos simples.
OA2. Desenvolver código para manipular estruturas vetoriais e objetos.
OA3. Desenvolver classes de objetos simples.
OA4. Escrever e compreender código Python.
CP1. Funções e parâmetros
CP2. Variáveis e estruturas de controlo
CP3. Invocação e recursividade
CP4: Procedimentos e input/output
CP5. Objetos e referências
CP6. Classes de objetos
CP7. Objetos compostos
CP8. Classes de objetos compostos
CP9. Vetores
CP10. Matrizes
Esta UC é feita apenas por Avaliação Periódica, não contemplando a modalidade de avaliação por exame.
Componentes da avaliação:
a) TPCs (15%): 6 mini-testes online, para fazer em casa;
b) TESTE1 (20%): Prova escrita intercalar;
c) PROJETO (25%): Projeto individual;
d) TESTE2 (40%): Prova escrita a realizar em 1º época, 2ª época ou época especial (Artº 14 do RGACC)
Requisito de aprovação: TPCs + PROJETO >= 8 valores (em 20 valores).
A nota final do PROJETO é fixada para cada estudante através de uma prova oral e dependerá do código, dos relatórios e do desempenho do estudante na oral.
A assiduidade não é requisito essencial de aprovação.
Outra informação relevante:
- As perguntas feitas nas provas escritas podem envolver aspectos relativos ao projeto.
- Não é possível obter aprovação apenas através da realização de exame final
- em caso de reprovação, o estudante poderá realizar o TESTE2 na época seguinte, mantendo a nota das restantes componentes
- Quando a melhoria de nota ocorrer num ano letivo diferente daquele em que foi feito o trabalho, a nota das componentes PROJETO, TPCs e TESTE1 é substituída por uma prova prática, a realizar em computador antes ou depois da prova escrita. Os alunos nessas condições que pretendam realizar melhoria de nota devem contactar o coordenador da UC, com uma antecedência mínima de 2 dias antes da prova da 1ª época.
Title: João P. Martins, Programação em Python: Introdução à programação com múltiplos paradigmas, 2013, IST Press, https://istpress.tecnico.ulisboa.pt/produto/programacao-em-python-introducao-a-programacao-utilizando-multiplos-paradigmas/
Authors:
Reference:
Year:
Tópicos de Matemática I
No final da UC o aluno deverá ser capaz de:
OA1: Calcular limites de sucessões
OA2. Calcular derivadas e interpretar o resultado obtido.
OA3. Determinar aproximações lineares e de ordem superior.
OA4. Calcular explicitamente primitivas de algumas funções elementares.
OA5. Usar o teorema fundamental do cálculo na derivação de integrais.
OA6. Utilizar a noção de integral na determinação de áreas, comprimentos, massas, probabilidades, etc.
OA7. Recorrer a métodos numéricos de integração para calcular valores aproximados de integrais.
OA8. Integrar algumas EDOs notáveis.
1. Sucessões
1.1. Primeiras noções
1.2. Convergência
1.3. Alguns limites e resultados úteis
2. Cálculo diferencial em R
2.1. Breve revisão
2.2. Continuidade e limite
2.3. Diferenciabilidade e fórmula de Taylor
2.4. Métodos numéricos
2.4.1. Método do ponto fixo
2.4.2. Método da bissecção
2.4.3. Método de Newton-Raphson
2.4.4. Derivação numérica
3. Cálculo Integral em R
3.1. Métodos gerais de primitivação
3.2. Cálculo de integrais
3.3. Teorema fundamental da Análise
3.4. Integração numérica
3.4.1. Método do ponto médio
3.4.2. Método dos trapézios
4. Equações diferenciais ordinárias
4.1. Equações de varáveis separáveis
4.2. Equações lineares de 1ª ordem
4.3. Métodos numéricos
4.3.1. Método de Euler
4.3.2. Método de Runge-Kutta (RK4)
Aprovação com classificação não inferior a 10 valores numa das modalidades:
- Avaliação periódica: Exame (75%) + trabalhos de grupo sobre cálculo numérico (25%).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.
As notas finais superiores a 16 valores sujeitam-se a homologação através de uma prova oral.
Title: [3] Caputo, H.P., Iniciação ao Estudo das Equações Diferenciais, Livros Técnicos e Científicos Editora, S.A.
[2] Strang, G., "Calculus", Wellesley-Cambridge Press.
[1] Ferreira, J.C., "Introdução à Análise Matemática", Fundação Calouste Gulbenkian.
Authors:
Reference:
Year:
Title: [6] Santos, M.I.R, ?Matemática computacional? (IST).
[5] Suleman, A., ?Notas elementares sobre o cálculo numérico? (disponível no e-learnig).
[4] Suleman, A., ?Apontamentos de aula? (disponível no e-learnig).
Authors:
Reference:
Year:
Amostragem e Fontes de Informação
No final desta UC os estudantes deverão ser capazes de identificar tipos e fontes de informação adequados aos objetivos da investigação (OA1), avaliar de forma crítica a qualidade da informação obtida (OA2), aplicar os principais métodos de amostragem (OA3) e distinguir entre desiged data e big data (OA4).
CP1. Tipos e Fontes de Informação; Qualidade das fontes de informação
CP2. Princípios e aplicações de Amostragem
CP3. Designed Data vs Big Data
Regimes de avaliação: ao longo do semestre ou por exame
Ao longo do semestre:
- Fichas de trabalho (5%)
- Trabalho em grupo: (35%);
- Teste individual (60%); nota mínima 7,5
Por exame: Teste individual (100%)
A equipa docente poderá convocar qualquer estudante para uma prova oral no seguimento da realização de qualquer um dos elementos de avaliação.
Estudantes abrangidos pelo RIIEE deverão contactar o coordenador da UC com vista ao enquadramento dos processos de aprendizagem e avaliação na UC.
Title: Jarrett, C. (2021). Surveys That Work: A Practical Guide for Designing and Running Better Surveys. Rosenfeld Media.
Salganik, M. (2018). Bit by Bit- Social Research in the Digital Age. New Jersey: Princeton University Press.
Stebbins, L. (2005). Student Guide to Research in the Digital Age: How to Locate and Evaluate Information Sources. Libraries Unlimited.
Vicente, P., (2024) Apontamentos de apoio à UC de Amostragem e Fontes de Informação.
Authors:
Reference:
Year:
Title: Vicente, P. (2012). Estudos de mercado e de opinião, Edições Sílabo.
Authors:
Reference:
Year:
Análise Exploratória de Dados
Objetivos de aprendizagem (OA) a desenvolver em articulação com os objetivos gerais:
OA1. Organizar e preparar os dados para análise.
OA2. Saber utilizar e interpretar um conjunto de instrumentos estatísticos no domínio da estatística descritiva.
OA3. Utilizar Excel, R e Jamovi nas aplicações de preparação, análise e representação de dados.
OA4. Adequar os modelos de representação visual a diferentes objetivos, de acordo com as boas práticas de visualização.
OA5. Interpretar e redigir os resultados de uma análise descritiva de dados.
Conteúdos programáticos (CP) articulados com os objetivos de aprendizagem.
CP1. Organização, preparação e transformação de dados
CP2. Análise exploratória de dados
Valores omissos
Codificação e imputação
Gráficos exploratórios
Variáveis aleatórias
Função de distribuição empírica
Distribuição Normal
CP3. Análise descritiva dos dados
Medidas descritivas
Análise uni e bivariada
Medidas de associação
CP4. Representação visual
Introdução aos princípios de representação visual
Estruturas de representação visual
Regime de avaliação: periódica ou por exame
Periódica:
- Exercício individual em R (10%) nota mínima 7,5
- Trabalho de grupo (35%); nota mínima 7,5
- Teste escrito (55%); nota mínima 7,5
Por exame:
- Exame/trabalho prático individual (40%); nota mínima 7,5
- Exame escrito (60%); nota mínima 7,5
Title: Rocha, M. & Ferreira, P.G. (2017) Análise e Exploração de Dados com R. Lisboa, FCA
Reis, E. (1998). Estatística Descritiva, Lisboa, Sílabo,7ª ed.
Carvalho, A. (2017). Métodos quantitativos com Excel, Lisboa, Lidel edições técnicas.
Cairo, A. (2013). The Functional Art: An introduction to information graphics and visualization (Voices That Matter). New Riders.
Brown, D.S. (2022). Statistics and Data Visualization Using R. The Art and Practice of Data Analysis. Sage Publication, Inc.
Barroso, M., Sampaio, E. & Ramos, M. (2003). Exercícios de Estatística Descritiva para as Ciências Sociais, Lisboa, Sílabo.
Authors:
Reference:
Year:
Title: Reis, E. (1998). Estatística Descritiva, Lisboa, Sílabo.
Murteira, B. J. F. (1990). Análise Exploratória de Dados. Estatística Descritiva, McGraw Hill.
Hoaglin, D.C., Mosteller, F & Tukey, J. W. (1992). Análise Exploratória de Dados. Técnicas Robustas, Ed. Salamandra, Lisboa.
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. London, SAGE Publications Ltd.
Dias Curto, J.J., & Gameiro, F. (2016). Excel para Economia e Gestão. Lisboa, Ed. Sílabo.
Carvalho, A. (2017). Gráficos com Excel - 95 Exercícios, Lisboa, FCA.
Alexandrino da Silva, A. (2006). Gráficos e mapas?representação de informação estatística. Lisboa, Lidel edições técnicas.
Authors:
Reference:
Year:
Estruturas de Dados e Algoritmos
No final da UC os alunos deverão ser capazes de:
OA1: identificar e saber implementar a estrutura de dados mais apropriada para um determinado problema;
OA2: saber avaliar e comparar a ordem de desempenho e eficiência de uma dada estrutura de dados e/ou algoritmo para as operações de inserção, remoção e acesso;
OA3: compreender a importância de conceber algoritmos eficientes;
OA4: compreender e saber aplicar os conceitos de implementações com representação estática ou dinâmica;
OA5: compreender e saber aplicar programação por referência (ponteiros);
OA6: perceber as vantagens e desvantagens de algoritmos recursivos.
CP1: Conceitos fundamentais (algoritmo e programa).
CP2: Tipos Abstratos de Dados e Programação Orientada a Objetos.
CP3: Estruturas de dados lineares: pilhas, filas e listas ligadas.
CP4: Recursão.
CP5: Introdução à análise de algoritmos.
CP6: Estruturas de dados hierárquicas: árvores.
CP7: Grafos.
A aprovação nesta unidade curricular (UC) só pode ser conseguida pela modalidade de avaliação periódica ou pela época especial (para os alunos que a ela possam aceder). Não existe para esta UC a modalidade de avaliação por exame.
Elementos de avaliação e respetivas ponderações na nota final:
- teste 1, escrito individual -> 30%, nota mínima de 8 valores, previsto realizar no período de avaliações do 3º trimestre;
- teste 2, escrito individual -> 30%, nota mínima de 8 valores, previsto realizar no período de avaliações da 1a época;
- trabalho 1, individual, com discussão -> 15%, nota mínima de 8 valores;
- trabalho 2, individual, com discussão (eventualmente em grupos de 2 alunos) -> 25%, nota mínima de 8 valores. Assim Nota_final = 30% x Nota_teste1 + 30% x Nota_teste2 + 15% x Nota_trabalho1 + 25% x Nota_trabalho2.
Em Época Especial, os elementos de avaliação e respetivas ponderações na nota final são:
- teste, escrito individual -> 60%, nota mínima de 8 valores, e
- dois trabalhos, individuais -> 15% + 25%, nota mínima de 8 valores em cada um dos trabalhos.
Assim Nota_final_época_especial = 60% x Nota_teste + 15% x Nota_trabalho1 + 25% x Nota_trabalho2.
Para obter aprovação na UC a Nota_final ou a Nota_final_época_especial têm que ser 10 valores em 20 valores.
Title: - J. Wengrow, A Common-Sense Guide to Data Structures and Algorithms, Second Edition. The Pragmatic Bookshelf, 2020.
- M. Goodrich, R. Tamassia, and M. Goldwasser, Data Structures & Algorithms in Python. Wiley, 2013.
Authors:
Reference:
Year:
Title: - B. Miller and D. Ranum, Problem Solving with Algorithms and Data Structures using Python, Second Edition, Release 3.0. 2013.
- T. Cormen, C. Leiserson, R. Rivest, and C. Stein, Introduction to Algorithms, Fourth Edition. MIT Press, 2022.
- Referências adicionais a indicar durante as aulas.
Authors:
Reference:
Year:
Optimização para Ciência de Dados
Ao concluir esta Unidade Curricular o estudante deverá ser capaz de:
OA1. Desenvolver formulações em programação linear, programação linear inteira e programação não linear para a resolução eficiente de problemas complexos em contextos reais.
OA2. Utilizar programas generalistas para determinar soluções para problemas formulados em programação linear, programação linear inteira e programação não linear.
OA3. Fazer a interpretação económica e produzir recomendações baseadas nas soluções obtidas para problemas formulados em programação linear, programação linear inteira e programação não linear.
Conteúdos programáticos (CP):
CP1: Programação Linear
1.1 Modelo Geral de Programação Linear
1.2 Formulação de problemas em Programação Linear
1.3 Resolução gráfica
1.4 Resolução usando software generalista (Solver para Excel)
1.5 Interpretação de resultados e análise de sensibilidade
CP2: Programação Linear Inteira
2.1 Formulação de problemas em Programação Linear Inteira
2.2 Formulação de problemas com variáveis binárias
2.3 Resolução usando software generalista (Solver para Excel)
2.4 Interpretação de resultados
2.5 Algoritmo Branch-and-Bound
CP3: Programação Não Linear
3.1 Formulação de problemas em Programação Não Linear
3.2 Resolução usando software generalista (Solver para Excel)
3.3 Interpretação de resultados
1. Avaliação Periódica:
a) Teste escrito (60%);
b) Trabalho de grupo com discussão (40%);
c) Presença em, pelo menos, 2/3 das aulas.
2. Avaliação por Exame (1.ª e 2.ª Época):
a) Teste escrito (60%);
b) Projecto individual com discussão (40%).
A aprovação (na avaliação Periódica ou por Exame):
i) Requere classificação mínima de 8,5 em cada prova;
ii) Pode ser exigida uma prova oral.
Escala: 0-20 valores.
Title: * Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cengage Learning.
Authors:
Reference:
Year:
Title: * Evans, J. (2021). Business Analytics. 3rd Ed. Global Edition. Pearson.
* Hillier, F.S and Lieberman, G.J. (2015). Introduction to Operations Research, 10th Ed., McGraw-Hill.
* Ragsdale, C.T. (2001). Spreadsheet Modeling & Decision Analysis: A Practical Introduction to management science. 3rd Ed., South-Western College Publishing.
* Wolsey, L.A. (1998). Integer Programming. Wiley.
Authors:
Reference:
Year:
Tópicos de Matemática II
OA1. Calcular derivadas parciais e gradientes (algebricamente e numericamente).
OA2. Determinar aproximações lineares de funções de várias variáveis.
OA3. Determinar e caracterizar pontos críticos de funções de várias variáveis (algebricamente e numericamente).
OA4. Aplicar os conceitos anteriores no contexto de problemas de regressão linear.
OA5. Calcular integrais duplos (algebricamente e numericamente).
OA6. Aplicar o cálculo integral ao cálculo de áreas, volumes e probabilidades.
OA7. Interpretar geometricamente todos os conceitos estudados.
OA8. Implementar em MATLAB alguns dos métodos computacionais desenvolvidos.
1) Cálculo Diferencial.
1.1. Limites e continuidade
1.2. Derivadas parciais.
1.3. Plano tangente e diferenciabilidade.
1.4. Regra da cadeia.
1.5. Cálculo e classificação de pontos críticos.
1.6. Descida do gradiente.
1.7. Regressão linear.
2) Cálculo Integral.
2.1. Integrais duplos.
2.2. Integrais duplos em coordenadas polares.
2.3. Aplicações: áreas e volumes; densidades e massas; teoria das probabilidade.
Aprovação com classificação não inferior a 10 valores numa das modalidades:
- Avaliação periódica: Teste Escrito (80%) + mini-projetos MATLAB (20%).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.
Title: Stewart, J. "Cálculo - Volume 2", Tradução da 8ª edição norte-americana (4ª edição brasileira), Cenage Learning, 2017.
Authors:
Reference:
Year:
Escrita de Textos Técnicos e Científicos
Objetivos de aprendizagem (OA)1: Conhecer os processos básicos da investigação científica;
OA2: Saber resumir um artigo científico e identificar os elementos essenciais;
OA3: Saber como organizar a escrita num trabalho de investigação ou num relatório técnico;
OA4: Familiarizar-se com as normas de escrita científica.
1. Informação; a redacção; a revisão; a redacção final;
2. Estrutura de um texto técnico e científico;
2.1 Elementos pré-textuais;
2.2 Elementos textuais;
2.3 Elementos pós-textuais;
3. Utilização de elementos ilustrativos da argumentação técnica e científica ou de demonstração empírica;
3.1 Inserção de gráficos, quadros e outros elementos ilustrativos e a normalização dos respectivos títulos, fontes de informação e formas gráficas;
4. Normas de referenciação bibliográfica, citação e anotação;
4.1 Normas nacionais e internacionais. As normas adoptadas para a realização de trabalhos, dissertações e teses no ISCTE-IUL;
4.2 Utilização de software específico para a organização e gestão de bibliografias e produção de textos técnicos e científicos (Biblioscape, biblioexpress e End Note).
1. Expositivas: demonstração de casos reais.
2. Participativas: análise e resolução de exercícios práticos e discussão de casos práticos.
3. Activas: realização de trabalhos individuais e de grupo.
4. Auto-estudo: relacionadas com o trabalho autónomo do aluno, tal como consta no Planeamento das Aulas.
1) Avaliação contínua:
a) Realização com sucesso do curso online da UC (obrigatório) - a avaliação do curso pressupõe que o estudante atinja 50% ou mais nas respostas aos quizs que tem que fazer em cada módulo.
b Exercícios autónomos (inclui participação e feed-back de exercícios desenvolvido sob proposta da docente - 30%
c) Elaboração de um trabalho final - 70% da nota final
2) Avaliação por exame:
Realização de um trabalho de avaliação final - 100%
Title: Soares, M. A. (2001). Como Fazer um Resumo. Queluz de Baixo, Barcarena: Editorial Presença
Pereira, M. G. (2012). Artigos Científicos. Como Redigir, Publicar e Avaliar. Brasil: Guanabara Koogan
Nascimento, Z. & Pinto, J.M. (2001). A Dinâmica da Escrita: Como escrever com êxito. Lisboa: Plátano Editora
Madeira, A. C. & Abreu, M. M. (2004). Comunicar em Ciência? Como redigir e apresentar trabalhos científicos. Lisboa: Escolar Editora
Lindemann, K. (2018). Composing Research, Communicating Results: Writing the Communication Research Paper. USA: John Wiley & Sons, Inc
Gastel, B. & Day, R. A. (2016). How to Write and Publish a Scientific Paper (8th Edition). Santa Barbara, California: Greenwood
Cargill, M. & O'Connor, P. (2013). Writing Scientific Research Articles (2nd Edition). UK: Wiley-Blackwell
Brandão, M. L. (2009). Manual para Publicação Científica: Elaborando manuscritos, teses e dissertações. Rio de Janeiro: Elsevier
Authors:
Reference:
Year:
Title: Wolton, D. (2006). É preciso salvar a comunicação. Casal de Cambra: Caleidoscópio
Pereira, A. & Poupa, C. (2008). Como Escrever uma Tese, Monografia ou Livro Científico usando o Word. Lisboa: Edições Sílabo
Munter, M. (2006). Guide to managerial communication: effective business writing and speaking (7th Edition). New Jersey: Prentice Hall
Lipson, C. (2011). Cite Right: A Quick Guide to Citation Styles - MLA, APA, Chicago, the Sciences, Professions and More (2nd Edition). Chicago: University of Chicago Press
Júnior, J. M. (2008). Como Escrever Trabalhos de Conclusão de Curso? Instruções para planejar e montar, desenvolver, concluir, redigir e apresentar trabalhos monográficos e artigos. Petrópolis: Editora Vozes
Hofmann, A. (2016). Scientific Writing and Communication. Papers, Proposals, and Presentations (3rd Edition). Oxford: University Press
Goins, J. (2012). You Are a Writer (so start ACTIHering, L. & Hering, H. (2010). How to Write Technical Reports: Understandable Structure, Good Design, Convincing Presentation. London, New York: SpringerNG like one). United States of America: Tribe Press
Forsyth, P. (2016). How to Write Reports and Proposals. United Kingdom: Kogan Page, Ltd
Estrela, E., Soares, M. A. & Leitão, M. J. (2003). Saber escrever saber falar: um guia completo para usar correctamente a língua portuguesa. Lisboa: Publicações Dom Quixote
Bowden, J. (2011). Writing a Report - How to Prepare, Write and Present Really Effective Reports. United Kingdom: Little, Brown Book Group
Authors:
Reference:
Year:
Pensamento Crítico
O aluno que complete com sucesso esta Unidade Curricular será capaz de:
OA*1- Analisar argumentos tendo em conta a sua estrutura e conteúdo;
OA2 - Argumentar face a uma temática;
OA3 - Identificar a validade dedutiva de proposições;
OA4 - Questionar argumentos, identificando os seus pontos fracos.
* Objectivo de aprendizagem
CP*1 Importância do pensamento crítico
CP2 - Discurso argumentativo
CP3 - Tipos de argumentos e estrutura de argumentos
CP4 - Qualidade dos argumentos e falhas na argumentação
* CP. Conteúdoprogramático
Exposição, exercícios debate, leituras, discussões de casos (em pequenos grupos).
A participação activa nos trabalhos a realizar nas aulas práticas é expectável.
Av. Continua
TPCs- 15% (1 TPC - 5% + 1 TPC - 10%)
Assiduidade/participação - Exercicios em aula + debate grupos- 25%
Trab. Final (60%)
Épocas de Exames
Trabalho Escrito -100%
– Para concluir com sucesso a avaliação contínua, os estudante não podem ter menos de 7 valores em nenhuma das componentes de avaliação assinaladas;
– No caso de UC em que a Avaliação Final contemple um trabalho indicar: a atribuição da avaliação final poderá implicar uma discussão do trabalho final submetido nos prazos de avaliação previamente definidos.
Title: Bowell, T., & Kemp, G. (2002). Critical thinking: a concise guide. London: Routledge.
Weston, A. (2005). A arte de argumentar. Lisboa: Gradiva
Cottrell, S. (2005). Critical Thinking Skills: Developing effective analysis and argument. New York: Palgrave McMillan.
Authors:
Reference:
Year:
Title: Brookfield, S. (1987). Developing critical thinkers: challenging adults to explore alternative ways of thinking and acting. San Francisco: Jossey-Bass.
Morgado, P. (2003). Cem argumentos: A lógica, a retórica e o direito ao serviço da argumentação. Porto: Vida Económica.
Paul, R., & Elder, L. (2001). The miniature guide to critical thinking: concepts and tools. Foundation for Critical Thinking.
Thayer-Bacon, B.J. (2000). Transforming critical thinking: thinking constructively. New York: Teachers College Press.
Authors:
Reference:
Year:
Armazenamento para Big Data
1. Implementar soluções de armazenamento de dados em suporte distribuído e tolerantes a falhas;
2. Manipulação e extracção de grandes quantidades de informação de bases de dados não estruturadas;
3. Desenvolver aptidões sociais (soft skills), nomeadamente Resolução de Problemas, Trabalho de Equipe e Colaboração e Observação Crítica
1. Introdução às Bases de Dados Não Relacionais;
2. Redundância para gerir tolerância a falhas;
3. Distribuição de Dados para gerir grandes volumes de informação;
4. Introdução ao MongoDB;.
5. Desenho de Bases de Dados no MongoDB;
6. Manipulação de estruturas JSON;
7. Extracção de dados no MongoDB.
A avaliação periódica através de teste escrito (nota mínima 7.5 valores) e um trabalho (opcional) que a sere entregues contribui com 30% da nota. O teste coincide com o exame da 1ª época. Existe um exame de 2ª época para os alunos que reprovem ou queiram melhorar a nota, O trabalhos apenas pode contar para a primeira época. A Época Especial consiste exclusivamente num exame escrito.
BibliografiaTitle: NoSQL Database: New Era of Databases for Big data Analytics - Classification, Characteristics and Comparison, A B M Moniruzzaman, Syed Akhter Hossain, 2013 (https://arxiv.org/abs/1307.0191)
MongoDb Homepage
Authors:
Reference:
Year:
Estatística Computacional
Objetivos de aprendizagem (OA) a desenvolver:
OA1: Simular cenários probabilísticos
OA2: Calcular probabilidades condicionadas, diretamente ou por via do teorema de Bayes, e saber verificar a independência de acontecimentos
OA3: Gerar observações (pseudo)aleatórias com distribuição especificada, conhecer as distribuições mais utilizadas e trabalhar com variáveis aleatórias discretas e contínuas
OA4: Compreender o teorema do limite central
OA5: Compreender a diferença entre probabilidade e função de verosimilhança, assim como saber determinar o estimador de máxima verosimilhança para um dado parâmetro do modelo
OA6: Determinar Intervalos de Confiança para estimadores de parâmetros
OA7: Saber escolher o ensaio de hipóteses mais adequado em cada caso, saber escrever as hipóteses nula e alternativa, calcular e compreender o significado do valor-p.
CP1. Teoria das probabilidades: definições, axiomas, probabilidade condicional, probabilidade total e fórmula de Bayes.
CP2. Variáveis aleatórias (VA) univariadas: f.de probabilidade e densidade, f. distribuição, parâmetros caracterizadores.
CP3. VA univariadas comummente utilizadas: características, propriedades e cálculo de probabilidades. Simulação de observações de v.a. com diferentes distribuições.
CP4. VA bi e multivariadas: f. probabilidade e densidade conjunta, f.de distribuição conjunta, covariância, correlação. Independência entre variáveis aleatórias. Distribuição conjunta de uma amostra aleatória simples.
CP5. Distribuições de amostragem: teorema do limite central e distribuições derivadas da Normal
CP6. Estimação de parâmetros: estimação pontual, propriedades dos estimadores, método de máxima verosimilhança, estimação por intervalos.
CP7. Ensaios de hipóteses: racional, probabilidade de significância. Teste para uma e duas médias; teste do qui-quadrado de independência.
Avaliação periódica
Trabalhos de casa: 10 pequenos exercícios (um por semana de aulas, aproximadamente, a entregar por regra em 48h). Consideram-se para a nota os 8 melhores, que valem no total 15% da nota final
Um TPC não entregue é cotado com 0. Nota final do instrumento: média simples das cotações (em %) de cada TPC * 20
2. Um teste teórico-interpretativo intermédio, peso 30%, sem nota mínima
3. Um teste teórico-interpretativo final, peso 30%, nota mínima 9 em 20
4. Um teste pratico em R final, peso 25%, nota minima 7
Avaliação por exame: dois instrumentos
Um teste teórico interpretativo final, peso 60%, nota mínima 9
Um teste pratico em R final, peso 40%, nota minima 7
Condição de aprovação (qualquer um dos regimes): Média final ponderada, arredondada à unidades, de pelo menos 10
Title: Kerns, G.J., IPSUR: Introduction to Probability and Statistics Using R,, 2011, ISBN: 978-0-557-24979-4, https://www.semanticscholar.org/paper/Introduction-to-Probability-and-Statistics-Using-R-Kerns/b2a2c69237387b4c18871d3137667461ff8ea33f
Reis, E., Andrade, M., Calapez, T. & Melo, P., Estatística Aplicada, volume 1. 6ª edição. Lisboa. Edições Sílabo., 2015, ISBN 978-972-618-819-3,
Reis, E., Andrade, M., Calapez, T. & Melo, P., Estatística Aplicada volume 2, 6ª edição, Lisboa. Edições Sílabo., 2016, ISBN 978-972-618-986-2,
Verzani, J., Using R for Introductory Statistics, 2nd Edition, Chapman & Hall/CRC, 2014, eBook ISBN 9781315373089, https://cran.r-project.org/doc/contrib/Verzani-SimpleR.pdf
Authors:
Reference:
Year:
Title: Rohatgi, V.K. and Ehsanes Saleh, A.K. Md, An Introduction to Probability and Statistics, 3rd edition, Wiley Series in Probability and Statistics, 2015, ISBN: 978-1-118-79964-2,
Reis, E., Andrade, M., Calapez, T. & Melo, P., Exercícios de Estatística Aplicada volume 1. 2ª edição, Lisboa. Edições Sílabo., 2012, ISBN 978-972-618-688-5,
Reis, E., Andrade, M., Calapez, T. & Melo, P., Exercícios de Estatística Aplicada volume 2. 2ª edição, Lisboa. Edições Sílabo., 2014, ISBN 978-972-618-747-9,
Authors:
Reference:
Year:
Fundamentos em Gestão de Bases de Dados
O1: Desenvolver mecanismos de Abstracção;
O2: Desenvolver estruturação de informação;
O3: Desenvolver capacidade de utilizar eficazmente extrair informação de bases de dados.
P1 - Desenho de esquemas relacionais
P1.2 Modelo relacional;
P1.2.1 Relações e chaves primárias
P1.2.2 Chaves estrangeiras e regras de integridade
P1.2.3 Optimizações e índices
P1.2.5 Transacções e concorrência
P2 Linguagem S.Q.L
P2.1 Querys Simples;
P2.2 Funções de Agregação;
P2.3 SubQuerys;
P2.4 Triggers e Stored Procedures;
A avaliação periódica através de teste escrito (nota mínima 7.5 valores) e dois trabalhos (opcionais) que a serem entregues cada um contribui com 15% da nota. O teste coincide com o exame da 1ª época. Existe um exame de 2ª época para os alunos que reprovem ou queiram melhorar a nota,. Os trabalhos apenas podem contar para a primeira época. A Época Especial consiste exclusivamente num exame escrito.
BibliografiaTitle: -Ramos, P, Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos, Editora Sílabo, 2ª Edição, 2007
-Perreira, J. Tecnologia de Base de Dados" FCA Editora de Informática, 1998
-Damas, L. SQL - Structured Query Language " FCA Editora de Informática, 2005 (II)
http://plsql-tutorial.com/.
Authors:
Reference:
Year:
Title: -Date, C.J. "An introduction to Database Systems" Addison-Wesley Publishing Company, sexta edição, 1995 (I.2, I.3, I.4, II);
-Booch, G., Rumbaugh, J., Jacobson, I "The Unified Modeling Language User Guide" Addison-Wesley Publishing Company, 1999 (I.1);
-Nunes, O´Neill, Fundamentos de UML, FCA, 2002
Authors:
Reference:
Year:
Métodos de Aprendizagem Não Supervisionada
OA1: Compreender os principais métodos analíticos não supervisionados
OA2: Utilizar R no contexto dos métodos não supervisionados
OA3: Avaliar, validar e interpretar os resultados
CP1: Introdução aos métodos de aprendizagem não supervisionada
CP2: Técnicas de redução da dimensionalidade dos dados
- Análise em componentes principais (ACP)
- Aplicações com R
CP3: Técnicas de clustering:
- Métodos hierárquicos
- Métodos partitivos
- Mapas self-organizing
- Métodos probabilísticos
- Qualidade e validação de soluções de clustering
- Aplicações com R
CP4: Estudos de caso
Os estudantes podem optar por Avaliação Periódica ou Exame Final.
AVALIAÇÃO PERIÓDICA:
- trabalho de grupo com nota mínima de 8 valores (50%)
- teste individual com nota mínima 8 valores (50%)
A aprovação requer uma frequência mínima de 80% das aulas e nota mínima de 10.
EXAME:
O Exame Final corresponde a um exame escrito. Os alunos devem obter uma nota mínima de 10 para passar.
Title: James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An Introduction to Statistical Learning: with applications in R, New York: Springer.
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education.
Authors:
Reference:
Year:
Title: Wedel, M., Kamakura, W. A. (2000), Market Segmentation. Conceptual and Methodological Foundations (2nd edition), International Series in Quantitative Marketing. Boston: Kluwer Academic Publishers.
Lattin, J., D. Carroll e P. Green (2003), Analyzing Multivariate Data, Pacific Grove, CA: Thomson Learning.
Kohonen, T. (2001). Self-Organizing Maps. Third edition, Springer.
Hennig, C., Meila, M., Murtagh, F., Rocci, R. (eds.) (2016), Handbook of Cluster Analysis, Handbooks of Modern Statistical Methods. Boca Raton: Chapman & Hall/CRC.
Aggarwal, C. C., Reddy, C. K. (eds.) (2014), Data Clustering: Algorithms and Applications. Boca Raton: CRC Press.
Authors:
Reference:
Year:
Segurança, Ética e Privacidade
OA1. Reconhecer os principais problemas de segurança em sistemas baseados em software, respetivas causas e consequências.
OA2. Identificar e descrever os serviços de segurança necessários para implementar uma determinada política de proteção da informação com base em análise de risco.
OA3. Conhecer os quadros regulatórios nos domínios da proteção de dados pessoais e da vida privada, com especial foco no Regulamento Geral de Proteção de Dados.
OA4. Refletir ética e criticamente sobre as implicações das tecnologias e do tratamento de dados nos indivíduos e na sociedade, abordando os decorrentes desafios que se colocam nos domínios da segurança da informação, da proteção de dados pessoais e da privacidade.
CP1. Segurança da Informação: Fundamentos de segurança – segurança dos dados; Vulnerabilidades e ameaças em segurança; IRM – Information Risk Management; Criptografia e PKI.
CP2. Privacidade e proteção de dados pessoais: O RGPD e a Lei 58/2019; Técnicas de anonimização e pseudonimização.
CP3. Ética: A ética e o desenvolvimento tecnológico; Ética na computação; Desafios na Ciência de Dados; Responsabilidade na Engenharia; Ética normativa e estudo de caso.
A avaliação é contínua, e inclui:
- 1º teste (40%) [CP1]
- 2º teste (25%) [CP2]
- Trabalho em grupo (32,5%) [CP3]
- A assiduidade do aluno nas aulas (2,5%) [CP2,CP3]. Para obter 100% na componente de assiduidade, o aluno deve frequentar um mínimo de 70% das aulas.
Cada um dos testes e o trabalho individual tem classificação mínima de 7 valores.
Exame final em 1º e 2º época para quem não for aprovado por avaliação contínua:
- Prova escrita 100% [CP1, CP2, CP3]
Title: Andress, J. (2014). The Basics of Information Security: Understanding the Fundamentals of InfoSec in Theory and Practice. Syngress.
Kim, D., Solomon, M. (2016). Fundamentals of Information Systems Security. Jones & Bartlett Learning.
Cannon, J.C. Privacy in Technology: Standards and Practices for Engineers and Security and IT Professionals. Portsmouth: AN IAPP Publication, 2014.
Breaux, Travis. Introduction to IT Privacy: A Handbook for Technologists. Portsmouth: An IAPP Publication, 2014.
Whitman, M., & Mattord, H. (2013). Management of information security. Nelson Education.
Katz, J., & Lindell, Y. (2014). Introduction to modern cryptography. CRC press.
Ethics, Technology, and Engineering: An Introduction (2011). Ibo van de Poel, Lamber Royakkers, Wiley-Blackwell.
European Union Agency for Fundamental Rights, The Handbook on European data protection law, 2018:, 2019, http://fra.europa.eu/sites/default/files/fra_uploads/fra-coe-edps-2018-handbook-data-protection_en.pdf, http://fra.europa.eu/sites/default/files/fra_uploads/fra-coe-edps-2018-handbook-data-protection_en.pdf
Authors:
Reference:
Year:
Title: A. Barreto Menezes Cordeiro, Direito da Proteção de Dados à luz do RGPD e da Lei n.º 58/2019, Edições Almedina., 2020, Cordeiro (2020)
Sara Baase, A gift of fire : social, legal, and ethical issues for computing technology, 2013, -
Whitman, M., Mattord, H. (2017). Principles of Information Security. Course Technology.
Bowman, Courtney. The Architecture of Privacy: On Engineering Technologies that Can Deliver Trustworthy Safeguards. O?Reilly Media, 2015.
Anderson, R. J. (2010). Security engineering: a guide to building dependable distributed systems. John Wiley & Sons.
Zúquete, A. (2018). Segurança em redes informáticas. FCA-Editora de Informática.
Regulamentos e orientações da Comissão Europeia relativos à Proteção de Dados, https://ec.europa.eu/info/law/law-topic/data-protection_en
Bynum, Terrell Ward, and Simon Rogerson, (2004), Computer Ethics and Professional Responsibility: Introductory Text and Readings. Oxford: Blackwell, 2004.
Grupo do Artigo 29, Parecer 05/2014 sobre técnicas de anonimização do grupo de trabalho de proteção de dados do artigo 29.º, de 10 de Abril de 2014, 2014, -, https://ec.europa.eu/justice/article-29/documentation/opinion-recommendation/files/2014/wp216_pt.pdf
Enisa, Orientações da Enisa sobre técnicas de pseudonimização e boas práticas, 2019, -, https://www.enisa.europa.eu/publications/pseudonymisation-techniques-and-best-practices
UE, Proposta do regulamento do parlamento europeu e do conselho que estabelece regras harmonizadas em matéria de inteligência artificial (regulamento inteligência artificial) e altera determinados atos legislativos da União, 2023, -, https://eur-lex.europa.eu/legal-content/PT/TXT/?uri=CELEX%3A52021PC0206
Outros textos a indicar e distribuídos pelo docente ao longo do semestre.
Authors:
Reference:
Year:
Introdução A Modelos Dinâmicos
OA1. Entender a correlação entre variáveis, o modelo de regressão linear simples e múltipla
OA2. Métodos de estimação dos parâmetros (OLS e ML)
OA3. Análise dos pressupostos do modelo de regressão, testes de hipótese e diagnóstico.
OA4. Operador lag, estacionaridade, teste de raiz unitária, outliers e variáveis dummy, modelos ARIMA.
OA5. Extensões do modelo de regressão linear: modelos não-lineares e dinâmicos.
OA6. Programação básica e computação com R e Python.
OA7. Aplicação dos conceitos estudados; conjunto de treino/teste e previsão, extracção de informação e valor para dados do mundo real.
P1. Modelos de Regressão
P1.1. Correlação
P1.2. Regressão linear simples
P1.3. Regressão linear múltipla
P2. Estimação e inferência, OLS e ML
P3. Pressupostos dos resíduos
P3.1. Testes de hipótese e diagnóstico
P3.2. Casos práticos
P4. Modelos ARMA/ARIMA/SARIMAX
P4.1. Operador lag, estacionaridade, teste de raiz unitária, outliers, variáveis dummy
P4.2. Ruído Branco, Modelos ARMA, ARIMA, SARIMAX
P4.3. Metodologia de Box-Jenkins, Previsão
P5. Extensões do modelo clássico de regressão
P5.1. Regressão não-linear
P5.2. Casos práticos
P6. Programação básica e computação com R
P7. Aplicações para dados e situações reais
P7.1. Conjunto treino/teste, previsão e forecasting
P7.2. Casos práticos
A avaliação periódica inclui a realização de:
a) Teste individual com ponderação de 60%.
b) Trabalho de grupo com ponderação de 40%.
A avaliação periódica exige a presença em, pelo menos, 80% das aulas.
Os alunos em avaliação periódica que não obtenham a nota mínima de 8,5 valores no teste individual e de 10 valores no trabalho deverão realizar um exame final (nota mínima de aprovação: 10 valores).
Title: - Ficheiros (slides e scripts) da UC a disponibilizar no e-learning/Fenix
- Rob J Hyndman and George Athanasopoulos, (2018), Forecasting: principles and practice, 2nd Edition, OTexts Melbourne ("fpp2" package CRAN)
- Tom Alby, (2024), Data Science in Practice, CRC Press.
- Bruce P., Bruce A., and Gedeck P., (2020), Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, 2nd Edition, O' Reilly Media, Inc.
- Robert I. Kabacoff, (2022), R in Action: Data analysis and graphics with R, Third Edition, Manning Publications Co.
Authors:
Reference:
Year:
Title: Eric Goh Ming Hui, (2019), Learn R for Applied Statistics, Apress.
Daniel J. Denis, (2020), Univariate, Bivariate, and Multivariate Statistics Using R: Quantitative Tools for Data Analysis and Data Science, JohnWiley & Sons, Inc.
Authors:
Reference:
Year:
Métodos de Aprendizagem Supervisionada
OA1: Compreender os métodos de aprendizagem supervisionada: âmbitos de aplicação e procedimentos
OA2: Utilizar software R para realizar as análises de dados
OA3: Avaliar e interpretar os resultados das análises de dados
CP1: Sobre Aprendizagem Supervisionada
Tipologias
Dados para aprendizagem
Funções objetivo
Avaliação e seleção de modelos
Notas sobre inferência estatística
CP2: Métodos de Regressão
K- Nearest Neighbor
Árvores de Regressão (algoritmo CART)
CP3: Métodos de Classificação
Naive Bayes
K-Nearest-Neighbor
Regressão Logística
Árvores de Classificação (algoritmo CART)
A metodologia de ensino-aprendizagem (ME) inclui quatro componentes:
ME1: Expositiva, para apresentação dos quadros teóricos de referência
ME2: Experimental, mediante uso de software para efetuar análises de dados
ME3: Ativa, mediante a realização de um trabalho de grupo
ME4: Auto-estudo, relacionado com o trabalho autónomo do aluno, tal como consta no Planeamento de Aulas
|
AVALIAÇÃO PERIÓDICA:
- quiz online realizado em grupo (40%) com nota mínima de 9 valores
- teste individual (60%) com nota mínima 9 valores.
A aprovação requer nota mínima de 10 valores.
EXAME:
1ª parte - teste individual (60%)
2ª parte - teste individual online com análises de dados efetuadas com a ferramenta de software usada nas aulas (40%).
Os alunos devem obter uma nota mínima de 9 valores em cada parte do exame e nota mínima (ponderada) de 10 valores para aprovação.
Title: Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R. Springer.
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: Springer.
Lantz, B. (2023). Machine Learning with R: Learn techniques for building and improving machine learning models, from data preparation to model tuning, evaluation, and working with big data. 4th Edition. Packt Publishing.
Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons.
Authors:
Reference:
Year:
Title: Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R (2012). Great Britain: Sage Publications, Ltd, 958.
Authors:
Reference:
Year:
Optimização Heurística
Objectivos de aprendizagem (OA):
OA1- Discutir os desafios enfrentados em problemas reais de otimização, nomeadamente nos de grande dimensão
OA2 - Explicar e discutir as metodologias disponíveis para resolver problemas de otimização difíceis
OA3 - Formular e especificar métodos de solução eficazes para resolver problemas de otimização
OA4 - Usar ferramentas avançadas para resolver problemas de otimização
Conteúdos programáticos (CP):
CP1. OTIMIZAÇÃO MULTIOBJETIVO
1.1. Conceitos básicos
1.2. Metodologias
CP2. METAHEURÍSTICAS
2.1. Conceitos e terminologia
2.2. Algoritmos com uma única solução inicial
2.3. Algoritmos Genéticos
1ª época:
i) Trabalhos Individuais (TI): 50%
- TI 1: 25%
- TI 2: 25%
ii) Projeto de Grupo (até 5 estudantes): 50%;
Nos Trabalhos Individuais (TI1 e TI2) e no Projeto de Grupo pode ser necessária discussão oral.
2ª época
i) Projeto Individual: 100% (pode ser necessária discussão oral).
Em ambas as épocas, o aluno pode ser sujeito a exame oral mesmo que classificação final >= 9,5 valores.
Title: - Ke-Lin Du; M. N. S. Swamy (2018). Search and Optimization by Metaheuristics: Techniques and and Algorithms Inspired by Nature. Birkhäuser.
- Gutierrez, A. M; Ramirez-Mendoza, R. A.; Flores, E. M.; Ponce-Cruz, P; Espinoza, A.A. O.; Silva, D. C. B. (Eds.) (2020). A Practical Approach to Metaheuristics using LabVIEW and MATLAB (R). Taylor & Francis Ltd.
- Lobato, F. S.; Valder, S. Jr. (2017). Multi-Objective Optimization Problems: Concepts and Self-Adaptive Parameters with Mathematical and Engineering Applications. Springer Cham.
- Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cemgage Learning.
- Burke, E. K.; Kendall, G. (Eds.) (2014). Search Methodologies: Introductory Tutorials in Optimization and Decision Support, 2nd edition, Springer.
- Siarry, P. (Ed.) (2016). Metaheuristics, Springer.
- Ehrgott, M. (2005). Multicriteria Optimization, 2nd edition, Springer.
Authors:
Reference:
Year:
Title: - Open Access documents such as instructor notes, book chapters, research articles, and tutorials that will be provided via Moodle.
Authors:
Reference:
Year:
Processamento de Big Data
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: compreender e saber aplicar os modelos de programação/computação distribuídos
OA3: saber aplicar técnicas de redução de dimensionalidade
OA4: aplicar técnicas de aprendizagem supervisionada ou não supervisionada em problemas de grande dimensão
OA5: compreender e saber aplicar algoritmos de recomendação
OA6: compreender as diferentes técnicas para extrair informação de grafos de grandes dimensões
CP1: Programação para larga escala
CP2: Aprendizagem automática para larga escala
CP3: Sistemas de recomendação
CP4: Análise de hiperligações
A avaliação pode ser realizada de duas formas: periódica [1] ou exame final [2].
[1] A avaliação periódica consiste em:
- 1 teste escrito individual com um peso na nota final de 60%, com uma nota mínima de 8 em 20 para obter aprovação na UC;
- 1 trabalho (em grupo) com um peso na nota final de 40%.
[2] O exame final é composto por parte teórica e prática, realizadas no Iscte-IUL (ver detalhes obrigatórios no campo Observações).
Title: - 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.
Authors:
Reference:
Year:
Title: - 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.
Authors:
Reference:
Year:
Projeto Aplicado em Ciência de Dados I
OA1 - Aprender técnicas de limpeza, pré-processamento, engenharia e integração de dados
OA2 - Identificar a metodologia apropriada para o problema a resolver.
OA3 - Compreender e interpretar os resultados.
OA4 - Comunicar os resultados de forma correta (relatório e apresentação oral)
CP 1 Metodologia para desenvolvimento de um projeto com enfâse em Ciência de Dados.
CP 2 Bibliotecas (Python) para manipulação, visualização e tratamento de dados.
CP 3 Feature Engineering e compreensão das variáveis/dados
CP 4 Metodologias para comunicação e disseminação de resultados.
CP 5 Desenvolvimento do projeto.
Dada a natureza aplicada deste unidade curricular, não existirá avaliação por exame.
A avaliação será composta por:
1 - Um teste intercalar: 25%;
2 - Apresentações orais: 25%.;
3 - Projeto com relatório final e apresentação em workshop: 50%.
A aprovação requer uma nota mínima ponderada de 10 valores
Title: (1) Artigos científicos em conformidade com os temas específicos aos problemas em que os alunos vão desenvolver o seu projeto
(2) Ficheiros (slides, scripts e notebooks) da UC a disponibilizar no Moodle
(3) Wes McKinney (2022), Python for Data Analysis, 3rd Edition, O'Reilly Media, Inc. (https://wesmckinney.com/book/, https://github.com/wesm/pydata-book)
(4) Marek Gagolewski (2023), Minimalist Data Wrangling with Python, CC BY-NC-ND 4.0. (https://datawranglingpy.gagolewski.com/)
Authors:
Reference:
Year:
Title: (1) Matt Harrison and Theodore Petrou (2020), Pandas 1.x Cookbook, Second Edition, Packt>.
(2) Suresh Kumar Mukhiya and Usman Ahmed (2020), Hands-On Exploratory Data Analysis with Python, Packt>. (https://github. com/PacktPublishing/hands-on-exploratory-data-analysis-with-python)
Authors:
Reference:
Year:
Análise de Redes
Ao concluir esta unidade curricular o aluno deve estar apto para:
OA1. Caracterizar as redes com base em medidas de associação, agrupamento, distância, centralidade e heterogeneidade. Avaliar a robustez das redes;
OA2. Obter a rede de co-ocorrência associada a uma rede em que se representam relações. Analisar redes com pesos associados às ligações;
OA3. Escolher e caracterizar modelos de redes aleatórias;
OA4. Detetar comunidades e avaliar os métodos de detecção de comunidades.
1. Conceitos Básicos
Elementos de uma rede, subredes, densidade e grau. Redes Bipartidas.
2. Small Worlds
Correlação de Grau. Caminhos e distâncias. Conectividade. Seis Graus de Separação. Coeficientes de Clustering.
3. Hubs e Heterogeneidade de Pesos
Medidas de centralidade, Heterogeneidade baseada no Grau, Robustez, Decomposição de Core e Heterogeneidade de Pesos
4. Redes Aleatórias
Geração de Redes Aleatórias e caracterização. Modelo de Watts-Strogatz, Configuration Model e Modelos de Preferência.
5. Comunidades
Conceitos, Problemas Relacionados, Métodos de Detecção de Comunidades (Remoção de Pontes, Otimização de Modularidade, Propagação de Etiquetas). Métodos de Avaliação.
Duas opções:
1.Avaliação Periódica:
• trabalhos de grupo (40%);
• teste final (60%).
Nota (teste final) >= 8.5;
Presença em, pelo menos, 2/3 das aulas.
2. Avaliação em Exame:
• projecto individual (40%);
• exame (60%).
Nota (exame) >= 8.5;
Em ambas as opções:
• Se classificação final >=9.5, poderão ser sujeitos a um exame oral.
• Aprovação se média ponderada >= 9.5.
Title: Menczer, F., Fortunato, S. and Davis, C., A First Course in Network Science,, 2020, 1st edition, Cambridge University Press: Cambridge.,
Barabási, A.-L., Network Science, 2016, 1st edition, Cambridge University Press,
Authors:
Reference:
Year:
Title: Newman, M., Networks, 2018, 2nd edition. Oxford University Press: Oxford.,
Katherine Ognyanova, Introduction to R and network analysis, 2018, Rutgers University, https://kateto.net/wp-content/uploads/2018/03/R%20for%20Networks%20Workshop%20-%20Ognyanova%20-%202018.pdf
Authors:
Reference:
Year:
Inteligência Artificial Simbólica para Ciência de Dados
Pretende introduzir-se as temáticas da Inteligência Artificial e Aprendizagem Automática Simbólicas, numa perspetiva essencialmente aplicada, tendo em linha de conta a inserção da cadeira no curso, os conhecimentos adquiridos noutras cadeiras e as necessidades fundamentais do curso.
Os três principais tópicos do programa são a programação em lógica, tecnologias adaptativas essencialmente simbólicas para a representação de modelos adaptativos do mundo, e métodos de aprendizagem automática simbólica para aprender modelos do mundo.
Após a conclusão da UC, os alunos devem
- Ter consciência da existência de paradigmas simbólicos para a representação e aprendizagem de modelos adaptativos do mundo
- Ter adquirido a aptidão de decidir usar os paradigmas aprendidos na unidade curricular em problemas / domínios aplicacionais adequados
Perspetiva Geral da Cadeira: necessidade, vantagens e desvantagens das tecnologias essencialmente simbólicas para a representação e aprendizagem de modelos adaptativos da realidade, e o papel de cada componente do programa nos desideratos da cadeira.
Programação em lógica para representar modelos da realidade e raciocinar com eles.
Representação e raciocínio baseados em conjuntos vagos e em lógica vaga para representar modelos adaptativos essencialmente simbólicos e raciocinar com eles.
Representação e raciocínio baseado em casos para representar modelos adaptativos essencialmente simbólicos e raciocinar com eles.
Introdução à Explainable AI e suas características e domínios de aplicação.
Conceitos de Responsible AI.
Na avaliação periódica, os alunos terão de realizar:
- Teste escrito individual sobre todo o programa da UC (60%) - a realizar na época de exames (1º ou 2º exame).
- Trabalho de investigação (em grupo) sobre um dos temas da UC, com relatório e apresentação oral (40%). A apresentação oral é efectuada em tempo de aula durante o semestre. A nota do trabalho de investigação é dividida em 50% por cada elemento e os membros do grupo podem ter notas diferentes.
Ambas as componentes de avaliação nas avaliações periódicas têm uma nota mínima de 8 valores.
Em alternativa, os alunos podem realizar apenas um exame (100%), que pode ser em ambas as datas de exame.
Na época especial de exames os alunos realizam o exame (100%).
Title: Logic Programming and Inductive Logic Programming:
Ivan Bratko. 2011. Prolog Programming for Artificial Intelligence (4th Edition). Pearson Education Canada (International Computer Science Series).
Fuzzy Systems:
Guanrong Chen, and Trung Tat Pham. 2005. Introduction to Fuzzy Systems. CRC Press.
Case based reasoning:
Michael M. Richter, and Rosina Weber. 2013. Case-Based Reasoning. A Textbook. Springer-Verlag Berlin Heidelberg
Authors:
Reference:
Year:
Title: Lynne Billard, Edwin Diday. 2007. Symbolic Data Analysis: Conceptual Statistics and Data Mining, John Wiley & Sons, Ltd, Chichester, UK
Authors:
Reference:
Year:
Interfaces Web para A Gestão de Dados
Um aluno quando termina esta UC deve ser capaz de:
OA1. Conhecer e compreender os conceitos e as tecnologias de base para o desenvolvimento para a Web.
OA2. Conhecer e compreender as tecnologias de interface entre uma aplicação Web e uma Base de Dados.
OA3. Modelar e desenvolver uma aplicação Web com capacidade para a gestão de dados persistentes provenientes da interação humana com software Web.
CP1 [Introdução]
- A história da Web;
- Antigas e atuais linguagens de programação para a Web;
- Standards W3C.
CP2 [Modelação e programação de uma aplicação Web]
- Arquitetura cliente/servidor;
- Arquitetura MVC para a Web;
- Principais linguagens de formatação gráfica para a Web;
- Bibliotecas de formatação gráfica;
- Principais linguagens de programação para a Web;
- Bibliotecas de programação para a Web;
- Introdução à segurança do lado do cliente e do lado do servidor.
CP3 [Acesso a Base de Dados]
- Acesso a Base de Dados a partir da Web;
- Modelo de dados na aplicação Web e correspondente interação com a Base de Dados.
CP4 [Registo e Gestão de Dados]
- Registo de dados da Web em Base de Dados.
- Gestão dos dados.
Dada a natureza prática dos conteúdos lecionados, a avaliação será realizada por projeto. O seu tema deverá estar alinhado com a totalidade ou parte do programa da UC.
Exercícios realizados na aula (10%).
Projeto (90%, incluindo trabalho de grupo (relatório e software) 40% e prova oral individual 50%).
Todas as componentes do projeto proposta, relatório, software e prova oral, são obrigatórias. A classificação mínima para cada componente é de 10 numa escala de 0 a 20.
Haverá apenas uma data limite para a entrega do projeto, com exceção dos alunos inscritos em época especial que poderão entregar durante esse período.
A presença nas aulas não é obrigatória.
Não existe exame final.
A melhoria de nota pode ser realizada através de entrega de novo projeto no ano letivo seguinte.
Title: Mitchell, R. (2016). Web Scraping with Python: Collecting Data from the Modern Web. Ed. O?Reilly Media, Inc. ISBN-13: 978-1491910290. ISBN-10: 1491910291.
Vincent W. S. (2018). Build websites with Python and Django. Ed: Independently published. ISBN-10: 1983172669. ISBN-13: 978-1983172663.
Dean J. (2018). Web Programming with HTML5, CSS, and JavaScript. Ed: Jones & Bartlett Learning. ISBN-13: 978-1284091793. ISBN-10: 1284091791.
Ryan J. (2013). A History of the Internet and the Digital Future. Ed: Reaktion Books. ISBN-13: 978-1780231129
Authors:
Reference:
Year:
Title: Lambert M. and Jobsen B. (2017). Complete Bootstrap: Responsive Web Development with Bootstrap 4. Ed: Impackt Publishing. ISBN-10: 1788833406. ISBN-13: 978-1788833400.
Downey A. B. (2015). Think Python: How to Think Like a Computer Scientist. Ed: O'Reilly Media. ISBN-10: 1491939362. ISBN-13: 978-1491939369.
Authors:
Reference:
Year:
Modelação Estocástica
No final do período curricular desta UC, o aluno deverá:
OA1. Compreender os princípios e métodos de simulação estocástica;
OA2. Ser capaz de desenvolver algoritmos eficientes para a geração de números pseudoaleatórios;
OA3. Ser capaz de aplicar o método de Monte Carlo;
OA4. Compreender e ser capaz de aplicar diferentes métodos de Monte Carlo via Cadeias de Markov;
OA5. Ser capaz de implementar técnicas de reamostragem;
OA6. Ser capaz de simular um sistema real através de simulação de eventos discretos;
OA7. Ser capaz de analisar e avaliar os resultados da simulação;
OA8. Ser capaz de implementar algoritmos eficientes de simulação estocástica em R.
O Programa de Modelação Estocástica é constituído pelos seguintes conteúdos programáticos (CP):
CP1. Introdução à Simulação em Ciência de Dados
CP2. Geração de Números Pseudoaleatórios
- Método Congruencial Linear;
- Método da Transformação Inversa;
- Método da Aceitação/Rejeição;
- Outras Transformações;
- Somas e Misturas
CP3. Métodos de Monte Carlo em Inferência Estatística
CP4. Métodos de Monte Carlo via Cadeias de Markov (MCMC)
CP5. Métodos de Reamostragem
- Bootstrapp;
- Cross-Validation
CP6. Simulação de Eventos Discretos
A avaliação periódica exige a presença em 2/3 das aulas e inclui:
1 - Um trabalho de grupo de 4 a 5 pessoas (30%), com eventual discussão individual;
2 - Dois mini-trabalhos de grupo de 2 pessoas (20%);
3 - Um teste final individual (50%).
A aprovação requer classificação mínima de 8,5 no teste final e classificação final mínima (média) de 10 valores.
A avaliação pode ser também realizada por exame (100%).
Title: Templ, M. (2016). Simulation for Data Science with R. Packt Publishing Ltd:Birmingham, Uk.
Rizzo, M. L. (2008). Statistical Computing with R. Chapman & Hall/CRC.
Robert, C. P. and Casella, G. (2010). Introducing Monte Carlo Methods with R. Springer-Verlag.
Authors:
Reference:
Year:
Title: Wickham, H. and Grolemund , G. (2017). R for Data Science. O'Reilly Media Inc.
Authors:
Reference:
Year:
Projeto Aplicado em Ciência de Dados II
Pretende-se prover os estudantes de experiência na aplicação de soluções a problemas concretos, baseados em dados e em variados contextos e domínios. Os estudantes aprenderão a desenvolver um projeto em ciência de dados, em ambiente académico e científico, identificando necessidades, manipulando dados, e identificando as metodologias apropriadas para o problema a resolver. Serão reforçados um conjunto de aspetos, potencialmente relevantes para um projeto com dados (reais) de dimensão considerável, tais como: visualização (geoespacial), métodos de classificação automáticos, balanceamento de dados e overfitting, séries temporais, realçando também a forma correta de comunicação dos resultados. Dá-se preferência ao acolhimento de problemas de docentes/investigadores do Iscte com projetos reais e delimitados.
CP1: Introdução de elementos potencialmente relevantes para o desenvolvimento de um projeto
CP2: Introdução aos projetos aplicados em Data Science
CP3: Enquadramento e escolha de metodologia adequada
CP4: Desenvolvimento do projeto com dados de dimensão considerável e preferencialmente reais
CP5: Templates de divulgação de resultados obtidos
Dada a sua natureza, esta UC é feita apenas por avaliação periódica, não contemplando a modalidade de avaliação por exame.
A avaliação consiste em duas componentes:
a) Questionários (50%): 4 questionários feitos em grupo e com consulta (10% cada) + 1 questionário individual (10%);
b) Trabalho de grupo, com escrita de relatório e apresentação oral (50%).
Os alunos devem obter uma nota mínima de 9 valores em cada componente.
A assiduidade não é requisito essencial de aprovação.
Title: Field Cady, The Data Science Handbook, 2017, DOI:10.1002/9781119092919, https://onlinelibrary.wiley.com/doi/book/10.1002/9781119092919
Bradley Boehmke & Brandon Greenwell, Hands-On Machine Learning with R, 2020, https://bradleyboehmke.github.io/HOML/, https://bradleyboehmke.github.io/HOML/
Jake VanderPlas, Python Data Science Handbook, 2016, O'Reilly Media, Inc., https://jakevdp.github.io/PythonDataScienceHandbook/
José Braga de Vasconcelos e Alexandre Barão, Ciência Dos Dados Nas Organizações - Aplicações Em Python, 2017, FCA Editora,
Trevor Hastie , Robert Tibshirani , Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction, 2016, https://link.springer.com/book/10.1007/978-0-387-84858-7, https://hastie.su.domains/Papers/ESLII.pdf
James, G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to Statistical Learning with Applications in R (1st Ed.), 2013, Springer,
Authors:
Reference:
Year:
Title: Glenn J. Myatt and Wayne P. Johnson, Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining", Second Edition, 2014, John Wiley & Sons, Inc.,
Authors:
Reference:
Year:
Análise da Performance em Gestão
No final da UC, o estudante deverá ser capaz de:
OA1. Compreender sistemas de avaliação de desempenho alternativos aos modelos tradicionais que possam ser eficazes para apoiar decisões empresariais.
OA2. Criar um modelo gestão da performance que promova a performance individual e global.
OA3. Analisar a informação financeira existente nas organizações e organizá-la numa perspetiva de gestão.
1. Informação financeira para a gestão
2. Análise da performance global
3. Descentralização e gestão da performance
1) Avaliação ao longo do semestre: Instrumentos: trabalhos ou casos, individuais/grupo (40%) e teste escrito individual (60%). Aprovação: a) mín. 7,5 valores em cada uma das provas ou conjunto de provas individuais; b) classificação final mín. 10 valores.
2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores.
3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores.
Escala: 0-20 valores.
Title: Jordan, H., Neves, J. C., e Rodrigues, J. A. (2021). O Controlo de Gestão - ao Serviço da Estratégia e dos Gestores, 11ª Ed., Áreas Editora.
Kaplan, R. S., e Norton, D. P. (2008). The execution premium. Linking strategy to operations for competitive advantage. Harvard Business School Press.
Authors:
Reference:
Year:
Projeto Final Aplicado em Ciência dos Dados
Os estudantes saberão desenvolver um projecto integrado com todas as suas componentes, desde a concepção ao plano de implementação e, se for caso disso, à implementação propriamente dita.
O1- Identificar necessidade de conhecimento das empresas.
O2- Identificar as variáveis que conduzem ao conhecimento necessário
O3- Tratar os dados com plataforma apropriadas para se atingir os objetivos propostos
O4 ? Produzir documento adequado a correta divulgação dos resultados obtidos
O5 - Lidar com o problema do acesso e da privacidade dos dados
CP1 ? Introdução aos projetos de Data Science aplicados
CP2 ? Enquadramento na organização
CP3 ? Desenvolvimento do projecto
CP4 ? Templates de divulgação de resultados obtidos
CP5 ? Questões de privacidade e acesso aos dados
A UC tem como única avaliação continua a realização do projecto em empresa ou ISCTE-IUL A classificação final resulta dos seguintes componentes:
* Entregáveis e poster: 20% (3 entregáveis, cada um 5%; um cartaz de divulgação: 5%)
* Apresentação do projeto e discussão: 40%
* Relatório final: 40%
A disciplina não tem exame final dado a sua natureza de projeto aplicado a situações reais
Title: Field Cady ?The Data Science Handbook? 1st Edition 2017, Wiley.
Outra dependente dos temas específicos da monografia e das empresas em que os alunos vão desenvolver os trabalhos de projecto.
Authors:
Reference:
Year:
Title: Foster Provost and Tom Fawcett, ?Data Science for Business: What you need to know about data mining and data-analytic thinking?, 2013, O'Reilly Media
Authors:
Reference:
Year:
Objetivos
A Licenciatura em Ciência de Dados proporciona:
- uma formação sólida, ao nível dos mais elevados padrões internacionais, que permite retorno de valor à sociedade;
- uma sólida base deontológica para a integração profissional dos licenciados;
- um conjunto de competências para conceber e implementar soluções computacionais para problemas no domínio da recolha, tratamento, modelação e análise de dados;
- competências para trabalho em equipas multidisciplinares e de comunicação, escrita e oral;
- capacidade para empreender e inovar.
Em suma, os objetivos gerais são:
- Dominar os raciocínios computacional e o estatístico;
- Possuir conhecimentos teóricos, metodológicos e práticos em áreas específicas de estatística, investigação operacional, ciências da computação e ciências da informação relevantes para a análise de dados em larga escala;
- Capacidade para aplicar soluções para construção de conhecimento num leque variado de problemas e domínios;
- Desenvolver uma prática profissional regulada por princípios e condutas éticas;
- Adquirir competências necessárias para a elaboração de investigações científicas ou de resolução de problemas no âmbito das várias temáticas associadas.
Um licenciado deverá ter atingido os seguintes objetivos de aprendizagem:
Conhecimentos: teóricos, metodológicos e práticos em áreas particulares de estatística, investigação operacional, ciências da informação e ciências da computação, de aplicação em ciência de dados;
Aptidões - apto a:
- recolher, limpar, transformar e integrar dados de fontes diversas;
- organizar, sumarizar e visualizar informação descritiva e explicativa de dados e resultados;
- selecionar e aplicar de modo eficiente as metodologias mais apropriadas para analisar os dados de que dispõe, bem como inferir, prescrever e prever usando os modelos construídos;
- desenhar e implementar algoritmos numa linguagem generalista;
- perceber o nível de segurança, proteção e privacidade de dados num sistema proposto.
Competências - capaz de:
- completar o ciclo de análise por dados;
- obter e avaliar conhecimento científico;
- trabalhar numa equipa de caráter multidisciplinar e comunicar resultados.
Acreditações