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 Deteção de Comunidades (Remoção de Pontes, Otimização de Modularidade, Propagação de Etiquetas). Métodos de Avaliação.

Avaliação ao longo do semestre ou avaliação por exame.
Avaliação ao longo do semestre:
i) Trabalho de Grupo:
• Peso de 30% na classificação final
• Grupos de 4 estudantes
• Com discussão oral;
ii) Teste Final Individual:
• Peso de 70% na classificação final
• Classificação mínima necessária 8,5;
iii) Assiduidade mínima:
• 2/3 das aulas leccionadas;
iv) Nota Mínima para aprovar:
• média ≥ 9.5.
Avaliação por exame:
• exame escrito (100%).
Em ambas as modalidades, se classificação final ≥ 9.5, poderão ser sujeitos a um exame oral.
Escala: 0-20 valores.

Obrigatória

Menczer, F., Fortunato, S. and Davis, C. A. (2020). A First Course in Network Science, 1st edition, Cambridge University Press: Cambridge.
Barabási, A.-L. (2016). Network Science, 1st edition, Cambridge University Press: Cambridge.

Opcional

Newman, M. (2018). Networks, 2nd edition. Oxford University Press: Oxford.
https://kateto.net/wp-content/uploads/2018/03/R%20for%20Networks%20Workshop%20-%20Ognyanova%20-%202018.pdf

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 ao longo do semestre é feita através de teste escrito (nota mínima 7.5 valores) que ocorre na mesma data do exame de 1.ª época e que vale 70% da nota e um trabalho de grupo, 30% da nota ((nota mínima 7.5 valores)), a entregar na última semana de aulas. Alternativamente existe a avaliação por exame. (época 1, época 2 e época especial).

Obrigatória

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

Opcional

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 ao longo do semestre
1. Pequenos elementos avaliativos ao longo do semestre: 15% da nota final. Podem ser quizzes, exercícios para resolver em casa, contribuições para Glossário ou Forum no Moodle, etc. Espera-se cerca de 10 contribuições, contando as 8 melhor cotadas.
2. Um teste intermédio, peso 30%, sem nota mínima
3. Um teste final, peso 55%, nota mínima 8 em 20
ou
Avaliação por exame: 100%

Um aluno que, em época normal, não tenha conseguido aprovação, mas tenha notas referentes aos pontos 1 (elementos avaliativos ao longo do semestre) e 2 (teste intermédio), pode usar o exame de época de recurso (ou época especial, se aplicável) como repescagem do teste final, sendo a sua nota final nessas épocas calculada segundo as regras da avaliação ao longo do semestre. Tem de deixar essa intenção por escrito no exame que realizar.
Essa opção não está disponível em caso de melhoria de nota.

Obrigatória

Speegle, D., & Clair, B. (2021). Probability, Statistics, and Data: A Fresh Approach Using R (1st ed.). Chapman and Hall/CRC. Free access at https://mathstat.slu.edu/~speegled/_book/
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.

Opcional

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
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

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 é feita através exame escrito: 1ªépoca , ou 2ª época 2 ou época especial.

Obrigatória

-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/.

Opcional

-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

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 de Regressão para Escolha Binária
P4.1.Modelo probabilistico linear
P4.2 Modelos Probit e Tobit
P5. Extensão do modelo clássico de regressão
P5.1. Regressão de Quantis
P5.2. Casos práticos
P6. Programação básica e computação com R
P7. Aplicações para dados e situações reais

A avaliação ao longo do semestre inclui a realização de: a) Trabalho de grupo com ponderação de 40%, com possibilidade de discussão caso os docentes considerem necessário. A nota mínima do trabalho é de 8.5 valores. b)Teste individual com ponderação de 60% com nota mínima de 8,5 valores. Assiduidade minima a 2/3 das aulas. Avaliação por exame: exame individual que inclui a matéria toda com nota mínima de 10 valores (nota arredondada às unidades). O teste individual e o exame serão realizados sem consulta de folhas de apoio, livros ou outros materiais, não sendo permitida a utilização de calculadoras gráficas nem de telemóveis; apenas podem consultar o formulário e tabelas disponibilizados no Moodle para o efeito.

Obrigatória

Cameron, A.C., Trivedi, P.K. (2008) Microeconometrics: Methods and Applications. Cambridge University 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. -
Tom Alby, (2024), Data Science in Practice, CRC Press.
Robert I. Kabacoff, (2022), R in Action: Data analysis and graphics with R, Third Edition, Manning Publications Co. Wooldridge, J.M. (2019), "Introductory Econometrics: A Modern Approach", 7th Ed., Cengage Learning.

Opcional

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. Ficheiros (slides e scripts) da UC a disponibilizar no Moodle.

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 ao longo do semestre ou Exame Final.
AVALIAÇÃO AO LONGO DO SEMESTRE:
- 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.

Obrigatória

Nwanganga, F., M. Chapple (2020), Practical Machine Learning in R, 1st Edition, Wiley. Bouveyron, C., G. Celeux, T. B. Murphy, A. E. Raftery (2019), Model-Based Clustering and Classification for Data Science: With Applications in R, 1st Edition, Cambridge University Press. 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.

Opcional

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.

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 avaliação da Unidade Curricular pode ser feita recorrendo à Avaliação ao Longo do Semestre ou à Avaliação por Exame.

AVALIAÇÃO AO LONGO DO SEMESTRE:
- 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.

AVALIAÇÃO POR EXAME:
1ª parte - teste individual (60%)
2ª parte - teste individual online com análises de dados efetuadas com a ferramenta de software R 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.

Escala 0-20

Obrigatória

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.
Molnar, C. (2020). Interpretable machine learning. Lulu. com.

Opcional

Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R (2012). Great Britain: Sage Publications, Ltd, 958.
Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons.

Conteúdos programáticos (CP):
CP1. OTIMIZAÇÃO MULTIOBJETIVO
1.1. Conceitos básicos
1.2. Metodologias
1.2.1. Programação por Metas não Preemptiva
1.2.2. Programação por Metas Preemptiva

CP2. METAHEURÍSTICAS
2.1. Conceitos e terminologia
2.2. Algoritmos com uma única solução inicial
2.2.1. Pesquisa Tabu
2.2.2. Simulated Annealing
2.3. Algoritmos Genéticos

AVALIAÇÃO de 1ª ÉPOCA
Na 1ª Época, a avaliação da Unidade Curricular pode ser feita recorrendo à Avaliação ao Longo do Semestre ou à realização de um Projeto Individual.

--> AVALIAÇÃO AO LONGO DO SEMESTRE
- Trabalho Individual (30%): nota mínima igual a 8 valores;
- Projeto de Grupo (70%) : escrita de relatório e código (45%) + apresentação oral (10%) + teste individual (15%).

CONDIÇÕES ASSOCIADAS À AVALIAÇÃO AO LONGO DO SEMESTRE:
(i) Número máximo de estudantes que podem constituir um grupo de trabalho: 5;
(ii) O estudante tem de participar em todos os momentos da avaliação ao longo do semestre.

--> AVALIAÇÃO ATRAVÉS DA REALIZAÇÃO DE UM PROJETO INDIVIDUAL
- Escrita de relatório e código (75%)
- Discussão oral (25%)
O estudante tem de participar em ambas as partes da avaliação individual.


AVALIAÇÃO de 2ª ÉPOCA
Na 2ª Época, a avaliação da Unidade Curricular é feita através da realização de um Projeto Individual

--> AVALIAÇÃO ATRAVÉS DA REALIZAÇÃO DE UM PROJETO INDIVIDUAL
- Escrita de relatório e código (75%)
- Discussão oral (25%).
O estudante tem de participar em ambas as partes da avaliação individual.


Em ambas as épocas, o aluno pode ser sujeito a exame oral mesmo que classificação final >= 9,5 valores.

Escala 0-20

Obrigatória

- Chopard, B.; Tomassini, M. (2018). An Introduction to Metaheuristics for Optimization, Springer.
- 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.
- Ke-Lin Du; M. N. S. Swamy (2016). Search and Optimization by Metaheuristics: Techniques and Algorithms Inspired by Nature. Birkhäuser.
- Ragsdale, C.T. (2022). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics, 9th Ed. Cemgage Learning.
- Taha, Handy A. (2023). Operations Research: An Introduction, 11th Ed. Pearson. (não tem Goal Programming e tem heurísticas)
- Taha, Handy A. (2017). Operations Research: An Introduction, 10th Ed. Pearson. (tem Goal Programming e tem heurísticas)

Opcional

- Burke, E. K.; Kendall, G. (Eds.) (2014). Search Methodologies: Introductory Tutorials in Optimization and Decision Support, 2nd edition, Springer.
- Ehrgott, M. (2005). Multicriteria Optimization, 2nd edition, Springer.
- Lobato, F. S.; Valder, S. Jr. (2017). Multi-Objective Optimization Problems: Concepts and Self-Adaptive Parameters with Mathematical and Engineering Applications. Springer Cham.
- Open Access documents such as instructor notes, book chapters, research articles, and tutorials that will be provided via Fenix.
- Siarry, P. (Ed.) (2016). Metaheuristics, Springer.

CP1: Plataformas computacionais para big data
CP2: Pipeline de machine learning para big data
CP3: Redução de dimensionalidade
CP4: Aprendizagem supervisionada/não supervisionada para larga escala
CP5: Casos de estudo: PageRank e Sistemas de Recomendação

Esta UC contempla as seguintes modalidades de avaliação: (1) avaliação ao longo do semestre; (2) avaliação por exame.

(1) Avaliação ao longo do semestre
A nota final é composta por:
• Teste escrito individual (70%), com nota mínima de 8,0;
• Trabalho de grupo (30%).
O trabalho de grupo tem uma entrega intercalar que contará 30% e uma entrega no final do semestre que contará 70%. Quem não entregar a parte correspondente à entrega intercalar passa automaticamente para a modalidade de avaliação por exame.

O trabalho terá uma apresentação/discussão oral sendo a nota final individual.

(2) avaliação por exame
A nota final será a obtida num único exame escrito, incluindo o exame de época especial.

Obrigatória

- 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.

Opcional

- 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.

CP1. Segurança da Informação: Fundamentos de segurança – segurança dos dados; Vulnerabilidades e ameaças em segurança; IRM – Information Risk Management; Criptografia - simétrica, assimétrica, funções de hash, MAC, assinaturas digitais; fraestruturas de Chave Pública (PKI).
CP2. Privacidade e proteção de dados pessoais: O RGPD e a Lei 58/2019; Técnicas de anonimização e pseudonimização.
CP3. Ética: Teorias éticas normativas; Dilemas e lacunas regulatórias em TIC; Estudos de caso em ética aplicada; A regulação da Inteligência Artificial

A unidade curricular prevê duas modalidades de avaliação: avaliação ao longo do semestre e avaliação por exame.

Avaliação ao longo do semestre (ALS) inclui:

- Testes individuais: Ao longo do semestre serão realizados pequenos testes individuais (com cerca de 15 minutos cada), aplicados presencialmente e com incidência na matéria das aulas anteriores. O número de testes poderá variar conforme o ritmo das aulas, sendo a ponderação global destes testes de 49,5% da classificação final.
- Um trabalho em grupo realizado no contexto do módulo de privacidade (16,5%).
- Um trabalho em grupo no contexto do módulo de ética (34%)

Cada um dos trabalhos em grupo têm a classificação mínima de 7 valores.
A avaliação dos trabalhos em grupo incide sobre o conteúdo, clareza e a consistência da análise.

Avaliação por exame:

A avaliação por exame é composta por uma prova escrita individual (100%), a realizar no período oficial de avaliações, e incide sobre a totalidade dos conteúdos lecionados na UC. Poderá incluir, quando necessário, uma prova oral complementar. São admitidos/as a esta modalidade os/as estudantes que por ela tenham optado, ou que não tenham obtido aprovação na avaliação ao longo do semestre.

Obrigatória

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 (2023), Ivovan de Poel, Lamber Royakkers, Wiley-Blackwell, 2nd edition
European Union Agency for Fundamental Rights, The Handbook on European data protection law, 2019, http://fra.europa.eu/sites/default/files/fra_uploads/fra-coe-edps-2018-handbook-data-protection_en.pdf

Opcional

Floridi, L. (2019). The Logic of Information: A Theory of Philosophy as Conceptual Design. Oxford University Press.
Canto Moniz, G. (2023). Manual de introdução à proteção de dados pessoais. Coimbra: Almedina.
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://www.edpb.europa.eu/our-work-tools/general-guidance/guidelines-recommendations-best-practices_pt
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.

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 Deteção de Comunidades (Remoção de Pontes, Otimização de Modularidade, Propagação de Etiquetas). Métodos de Avaliação.

Avaliação ao longo do semestre ou avaliação por exame.
Avaliação ao longo do semestre:
i) Trabalho de Grupo:
• Peso de 30% na classificação final
• Grupos de 4 estudantes
• Com discussão oral;
ii) Teste Final Individual:
• Peso de 70% na classificação final
• Classificação mínima necessária 8,5;
iii) Assiduidade mínima:
• 2/3 das aulas leccionadas;
iv) Nota Mínima para aprovar:
• média ≥ 9.5.
Avaliação por exame:
• exame escrito (100%).
Em ambas as modalidades, se classificação final ≥ 9.5, poderão ser sujeitos a um exame oral.
Escala: 0-20 valores.

Obrigatória

Menczer, F., Fortunato, S. and Davis, C. A. (2020). A First Course in Network Science, 1st edition, Cambridge University Press: Cambridge.
Barabási, A.-L. (2016). Network Science, 1st edition, Cambridge University Press: Cambridge.

Opcional

Newman, M. (2018). Networks, 2nd edition. Oxford University Press: Oxford.
https://kateto.net/wp-content/uploads/2018/03/R%20for%20Networks%20Workshop%20-%20Ognyanova%20-%202018.pdf

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 ao longo do semestre, 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 na avaliação ao longo do semestre 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%).

Obrigatória

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

Opcional

Lynne Billard, Edwin Diday. 2007. Symbolic Data Analysis: Conceptual Statistics and Data Mining, John Wiley & Sons, Ltd, Chichester, UK

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.

Obrigatória

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

Opcional

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.

P1. Introdução à Aprendizagem Profunda
- História, principais aplicações e casos de estudo
P2. Redes Neuronais Densas (MLP)
P3. Redes Neuronais Convolucionais (CNNs)
- Fundamentos, arquiteturas populares (LeNet, AlexNet, VGG, ResNet) e aplicações.
P4. Redes Neuronais Recorrentes (RNNs)
- Fundamentos, necessidade de LSTMs para dependencias distantes
- Aplicações em previsão de séries temporais e processamento de linguagem natural
P5. Implementação e treino de Redes Neuronais
- Construção de modelos
- Técnicas de treino, validação e avaliação
- Ajuste de hiperparâmetros e técnicas de regularização
P6. Transformadores
- Fundamentos e arquitetura
- O mecanismo de atenção e auto-atenção
- Modelos BERT e GPT
- Uso de transformadores em NLP e noutras áreas, tais como visão computacional.
P7. Modelos Generativos
- Autoencoders, Autoencoders Variacionais (VAEs) e redes adversárias generativas (GANs)

Avaliação ao longo do semestre: Teste Intermédio (25%) + PROJETO (25%, em grupo) + Teste Final (50%, após o fim das aulas).

Avaliação por exame: Teste individual (50%, cobrindo toda a matéria) + prova prática (50%, a realizar em computador).

A avaliação por exame ocorre sempre que o estudante optar por esta modalidade ou não tenha obtido nota positiva na avaliação ao longo do semestre. Pode ser realizada na 1ª época, 2ª época ou época especial (Artº 14 do RGACC).

A nota final do PROJETO é fixada para cada grupo através de uma apresentação e dependerá do código, da documentação apresentada e do desempenho dos estudantes na apresentação.

As perguntas dos testes podem envolver aspetos relativos ao trabalho.
Nenhum dos componentes de avaliação requer uma nota mínima.

Obrigatória

* Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016 (https://www.deeplearningbook.org/). MIT Press
* Deep learning in Python/ Pytorch, Eli Stevens, Luca Antiga, Thomas Viehmann (2020). Manning Publications (Free book)

Opcional

Salganik, M. (2018). Bit by Bit- Social Research in the Digital Age. New Jersey: Princeton University Press Verzani, J. (2014). Using R for Introductory Statistics, 2nd Edition, Chapman & Hall/CRC, eBook ISBN 9781315373089. https://cran.r-project.org/doc/contrib/Verzani-SimpleR.pdf

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 ao longo do semestre exige a presença em 2/3 das aulas e inclui:
1 - Um trabalho de grupo de 4 a 5 pessoas (30%), com discussão individual;
2 - Desenvolvimento de dois temas apresentados ao longo do semestre que serão avaliados no teste final individual;
3 - Um teste final individual (70%).
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%).

Obrigatória

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.

Opcional

Wickham, H. and Grolemund , G. (2017). R for Data Science. O'Reilly Media Inc.

P1. Introdução aos dados longitudinais

P2. Séries temporais
P2.1. Operador lag, estacionaridade, teste de raiz unitária
P2.2. Ruído Branco, Modelos ARMA, ARIMA, SARIMAX
P2.3. Metodologia de Box-Jenkins, Previsão
P2.4. Aplicações com R

P3. Modelos com dados de painel
P3.1. Modelos de efeitos fixos
P3.2. Modelos de efeitos mistos
P3.3. Modelos de crescimento e mudança
P3.4. Modelos lineares generalizados
P3.5. Estrutura de covariância em dados longitudinais
P3.6. Aplicações com R

P4. Estudos de caso

A avaliação ao longo do semestre inclui a realização de:

a) Trabalho de grupo com ponderação de 40%, com possibilidade de discussão caso o docente consider necessário. A nota mínima do trabalho é de 10 valores. O trabalho concretiza-se numa apresentação em aula e na apresentação de um relatório final, conforme explicitado no Guião do Trabalho de Grupo disponibilizado aos alunos.

b) Dois testes individuais,com ponderação de 20% e 40%: o primeiro a realizar em outubro, na semana de avaliações intercalares, e o segundo a realizar no final da UC. Em cada um dos testes o aluno deverá obter nota mínima de 8.5 valores para continuar em avaliação ao longo do semestre.

Para aprovar é necessário uma média ponderada dos elementos de avaliação de, pelo menos, 9.5 valores.

Nenhuma destas notas transita para a avaliação por exame.



Avaliação por exame:

Exame individual que inclui a matéria toda com nota mínima de 10 valores (nota arredondada às unidades). O teste individual e o exame serão realizados sem consulta de folhas de apoio, livros ou outros materiais, não sendo permitida a utilização de calculadoras gráficas nem de telemóveis; apenas podem consultar o formulário e tabelas disponibilizados no Moodle para o efeito.

Obrigatória

Hyndman, R.J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. Ccom tradução em português disponível em: https://otexts.com/fpppg/.

Baltagi, B. H. (2021) Econometric Analysis of Panel Data, 5th ed. Wiley. (with Student Companion Site)

Opcional

Fitzmaurice, G. M., Laird, N. M., Ware, J. H. (2012). Applied Longitudinal Analysis. Wiley .

Pinheiro, J. C., & Bates, D. M. (2000). Mixed-Effects Models in S and S-PLUS. Springer.

Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.

CP1: Análise preliminar de dados. Exploração de bibliotecas para manipulação, limpeza, visualização e tratamento de dados reais, com foco na preparação dos dados para análise.

CP2: Análise de Variáveis e Engenharia de Atributos. Identificação de variáveis-chave e aplicação de técnicas de seleção e transformação eficazes para melhorar a precisão do modelo e a qualidade global da análise.

CP3: Visualização de dados univariados e multivariados.

CP4: Análise, interpretação e comunicação eficaz dos resultados para apoiar a tomada de decisões baseada em dados.

CP5: Desenvolvimento de um projeto aplicado utilizando dados do mundo real, abrangendo todas as etapas do processo analítico — desde a definição do problema até à apresentação e defesa de soluções baseadas em dados.

Considerando a natureza prática do curso, a avaliação é realizada continuamente ao longo do semestre e não inclui exame final.
A avaliação baseia-se em dois componentes principais:
a) Quizzes online de grupo, com consulta
a.1) Dois quizzes online, de grupo, realizados em aula (5% cada);
a.2) Um quiz online, de grupo, abrangendo os conteúdos do curso (30%);
b) Projeto de grupo (60%);
b.1) Progresso e participação no Projecto de grupo decorrente de acompanhemento semanal (10%);
b.2) Relatório final escrito e apresentação oral (50%);
Requisito mínimo: Os alunos devem obter uma nota mínima de 9 (escala de 0 a 20) em cada componente para serem aprovados no curso.

Obrigatória

(1) 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.
https://link.springer.com/book/10.1007/978-0-387-84858-7

(2) James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with applications in R (Vol. 103). New York: Springer.
https://link.springer.com/book/10.1007/978-1-0716-1418-1

(3) Cady, F. (2024). The data science handbook. John Wiley & Sons.
https://www.wiley.com/en-us/The+Data+Science+Handbook%2C+2nd+Edition-p-9781394234493

(4) Boehmke, B., & Greenwell, B. M. (2019). Hands-on machine learning with R. Chapman and Hall/CRC.
https://bradleyboehmke.github.io/HOML/, https://bradleyboehmke.github.io/HOML/

(5) Wes McKinney (2022), Python for Data Analysis, 3rd Edition, O'Reilly Media, Inc. (https://wesmckinney.com/book/, https://github.com/wesm/pydata-book)

Opcional

(1) Harrison, M., & Petrou, T. (2020). Pandas 1. x Cookbook. Packt Publishing.
(2) Mukhiya, S. K., & Ahmed, U. (2020). Hands-On Exploratory Data Analysis with Python: Perform EDA techniques to understand, summarize, and investigate your data. Packt Publishing Ltd.
https://github.com/PacktPublishing/hands-on-exploratory-data-analysis-with-python
(3) Gagolewski, M. (2022). Minimalist Data Wrangling with Python. arXiv preprint arXiv:2211.04630.
https://datawranglingpy.gagolewski.com/

(4) Vasconcelos, J. B., & Barão, A. (2017). Ciência dos dados nas organizações. FCA Editora.

Os conteúdos programáticos (CP) são os seguintes:
CP1. Introdução aos desafios (projetos) propostos e organização de equipas de projeto.
CP2. Metodologias de pesquisa de informação para enquadramento do tema de projeto.
CP3. Abordagens práticas ao desenvolvimento de projeto numa ótica de ethics-by-design.
CP4. Ferramentas para cada etapa de desenvolvimento do projecto.
CP5. Modelos usuais de comunicação de dados e de resultados.

Sendo uma UC de projeto, não existe a figura de exame a 100%. A avaliação será efetuada ao longo do semestre, consistindo nas diferentes etapas de desenvolvimento do projeto, onde:
(i) cada etapa é pontuada por um entregável (escrito / apresentado em aula) (E) com feedback.
(ii) uma apresentação intermédia (A1) com feedback.
(iii) uma apresentação final (A2) com discussão.
(iv) um poster (informativo) (P).
(v) um relatório de projeto final (R).
A nota será o resultado de: E x 0,15 + A1 x 0,10 + P x 0,10 + A2 x 0,30 + R x 0,35.

Obrigatória

Dependente dos temas específicos do desafio em que cada grupo de estudantes irá desenvolver os trabalhos do projeto.

Opcional

Voeneky, S., Kellmeyer, P., Mueller, O., & Burgard, W. (Eds.). 2022. The Cambridge Handbook of Responsible Artificial Intelligence: Interdisciplinary Perspectives. Cambridge: Cambridge University Press.
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. 2016. Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Provost, F., & Fawcett, T. 2013. Data Science for Business: What you need to know about data mining and data-analytic thinking. O'Reilly Media, Inc.

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

Avaliação ao longo do semestre:
- Exercício individual em R (10%)
- Trabalho de grupo, com apresentação e discussão (35%); nota mínima 7,5
- Teste escrito (55%); nota mínima 7,5
É necessária uma frequência mínima de 70% de horas de aulas para a realização da avaliação ao longo do semestre.

Avaliação por exame:
- Exame/trabalho prático individual (40%); nota mínima 7,5
- Exame escrito (60%); nota mínima 7,5

Obrigatória

Brown, D.S. (2022). Statistics and Data Visualization Using R. The Art and Practice of Data Analysis. Sage Publication, Inc.
Cairo, A. (2013). The Functional Art: An introduction to information graphics and visualization (Voices That Matter).
New Riders.
Carvalho, A. (2017). Métodos quantitativos com Excel, Lisboa, Lidel edições técnicas.
Chang, W. (2024) R Graphics Cookbook. 2nd ed. O’Reilly. (Disponível em: https://r-graphics.org/)
Reis, E. (1998). Estatística Descritiva, Lisboa, Sílabo,7ª ed.
Rocha, M. & Ferreira, P.G. (2017) Análise e Exploração de Dados com R. Lisboa, FCA

Opcional

Alexandrino da Silva, A. (2006). Gráficos e mapas-representação de informação estatística. Lisboa, Lidel edições técnicas.
Barroso, M., Sampaio, E. & Ramos, M. (2003). Exercícios de Estatística Descritiva para as Ciências Sociais, Lisboa, Sílabo.
Carvalho, A. (2017). Gráficos com Excel - 95 Exercícios, Lisboa, FCA.
Dias Curto, J.J., & Gameiro, F. (2016). Excel para Economia e Gestão. Lisboa, Ed. Sílabo.
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. London, SAGE Publications Ltd.
Hoaglin, D.C., Mosteller, F & Tukey, J. W. (1992). Análise Exploratória de Dados. Técnicas Robustas, Ed. Salamandra, Lisboa.
Murteira, B. J. F. (1990). Análise Exploratória de Dados. Estatística Descritiva, McGraw Hill.
Wickham, H. (2015). ggplot2: Elegant Graphics for Data Analysis, Springer. (Disponível em: https://ggplot2-book.org/)

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 ao longo do semestre, 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.

Obrigatória

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,

Opcional

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,

CP1: Introdução à investigação científica: conceitos e processos. Perguntas de Investigação. Processos: etapas (Identificação do problema; Revisão da literatura; Definição de objetivos e hipóteses; Seleção da metodologia; recolha e seleção de fontes; Análise de dados; Conclusões e recomendações).
CP2: Técnicas de resumo e análise de artigos científicos. Identificação de fontes relevantes, avaliação da literatura e síntese de informações. Ética, consentimento informado, confidencialidade e integridade na investigação. Métodos de recolha de dados.
CP3: Estrutura e organização de trabalhos de investigação: elementos pré-textuais (capa, folha de rosto, resumo, palavras-chave, índice), textuais (introdução, revisão da literatura, metodologia, resultados, discussão) e pós-textuais (conclusão, referências, apêndices, anexos). Elaboração de estrutura com base em temas fornecidos pelo docente.
CP4: Aplicação das Normas APA na escrita científica e relatórios académicos.

A avaliação da UC visa aferir a aquisição de competências dos/as estudantes em aspetos essenciais da escrita de textos, em contexto académico. A Avaliação ao Longo do Semestre contempla atividades que abrangem diferentes aspetos do processo da escrita técnica e científica, incluindo atividades de trabalho em grupo e individual:
Atividades em grupo (70%) [os estudantes são organizados em grupos de 4 elementos, constituídos de forma aleatória].
1- Discussões em grupo com estudos de caso (20%):
Descrição: cada grupo recebe um estudo de caso para analisar, devendo identificar o tipo de texto; o(s) problema(s) de investigação, as hipóteses, metodologias utilizadas e fontes de dados. Os resultados do trabalho realizado são apresentados em sala aos colegas(Tempo/grupo: apresentação- 3 min.; debate- 5 min.).
Avaliação (oral): baseada na participação ativa, na qualidade da análise e na clareza da apresentação.
2 - Exercícios de pesquisa e aplicação das normas APA (20%).
Descrição: Os estudantes realizam exercícios práticos de pesquisa em contexto (temático) de referências bibliográficas, de formatação das mesmas e citação segundo as Normas APA. Avaliação (trabalho escrito a submeter no moodle): Os exercícios serão corrigidos e avaliados com base na precisão e conformidade com as Normas APA.
3 - Simulações de Apresentações de Projetos (30%):
Descrição: os grupos elegem um tema e criam um projeto fictício seguindo a estrutura de um relatório técnico ou texto científico, fazendo uma apresentação do seu projeto em sala de aula (Tempo/grupo: apresentação 3 min.; debate: 5 min.). O trabalho é depois revisto seguindo os comentários.
Avaliação: (Componente oral e conteúdos em suporte escrito/digital a submeter no moodle): organização, conteúdo, uso correto da estrutura e procedimentos do trabalho académico, capacidade de resposta às perguntas colocadas por colegas e docente.
Atividades individuais (30%):
1 - Resumo de artigo científico (20%).
Descrição: Cada estudante deverá ler e resumir um artigo científico.
Avaliação: Os resumos realizados presencialmente em aula, serão avaliados na sua capacidade de identificação e síntese dos elementos essenciais do texto.
2 - Participação nas atividades ao longo do semestre (10%).
Descrição: esta componente visa aferir os contributos específicos de cada estudante nas atividades realizadas ao longo do semestre. Avaliação: Intervenções em sala de aula; pertinência dos contributos específicos do estudante nos debates; relação colaborativa com os colegas. Para fazer a avaliação ao longo do semestre, o estudante deve estar presente em 80% das aulas ter mais de 7 (sete) valores em cada uma das avaliações. Havendo dúvidas sobre a participação nas atividades realizadas, o docente pode solicitar uma discussão oral. Avaliação final: Teste escrito presencial (100%).

Obrigatória

American Psychological Association (2020). Publication manual of the American Psychological Association, 7 edição APA.
Macagno, F. & Rapanta, C. (2021). Escrita académica: argumentação, lógica da escrita, ideias, estilo, artigos e papers. Pactor.
Ribeiro, A. & Rosa, A. (2024). Descobrindo o potencial do CHATGPT em sala de aula: guia para professores e alunos. Atlantic Books.

Opcional

Cottrell, S. (2005). Critical thinking skills: developing effective analysis and argument. Palgrave McMillan.
Creswell, J. W., & Creswell, J. D. (2018). Research design: qualitative, quantitative, and mixed methods approaches. SAGE Publications.
D'Alte, P., & D'Alte, L. (2023). Para uma avaliação do ChatGPT como ferramenta auxiliar de escrita de textos académicos. Revista Bibliomar, 22 (1), 122-138. DOI: 10.18764/2526-6160v22n1.2023.6.
Duarte, N. (2008). The art and science of creating great presentations. O'Reilly Media.Creswell, J. W., & Creswell, J. D. (2018). Research design: qualitative, quantitative, and mixed methods approaches. SAGE Publications.
Hofmann, A. (2016). Scientific writing and communication: papers, proposals, and presentations. Oxford University Press.
Kuhn, Deanna (1991). The skills of argument. Cambridge University Press.
Marcos, I.(2016). Citar e referenciar: o uso ético da informação. http://hdl.handle.net/10400.2/3929
Martínez, J. (2016). Cómo buscar y usar información científica: Guía para estudiantes universitários. Santander. http://hdl.handle.net/10760/29934
OIT. (2021). Ajustar as competências e a aprendizagem ao longo da vida para o futuro do trabalho. OIT Genebra.
OIT. (2020). Guia sobre como e porquê recolher e utilizar dados sobre as relações laborais. OIT Genebra.
Rapanta, C., Garcia-Mila, M., & Gilabert, S. (2013). What is meant by argumentative competence? An integrative review of methods of analysis and assessment in education. Review of Educational Research, 83(4), 483-520.
Rodrigues, A. (2022). A Natureza da Atividade Comunicativa. LisbonPress.
Rodrigues, A. D. (2005). A Partitura invisível. Para uma abordagem interacional da linguagem. Colibri.
Swales, J. M., & Feak, C. B. (2012). Academic writing for graduate students: essential tasks and skills. University of Michigan Press.
Umberto, E. (2016). Como se faz uma Tese em Ciências Humanas. Editorial Presença.

Manuais: http://www.apastyle.org/ http://www.apastyle.org/learn/tutorials/index.aspx

CP1: Estruturas de Dados e Algoritmos: o que são e por que são importantes. Tipos Abstratos de Dados.
CP2: Estruturas de dados lineares: pilhas, filas, filas de dupla entrada, listas e listas ligadas.
CP3: Introdução à análise da complexidade (eficiência) de algoritmos.
CP4: Algoritmos de pesquisa: linear e binária.
CP5: Recursão, iteração e programação dinâmica.
CP6: Algoritmos de ordenação iterativos: Bubblesort, Selectionsort e Insertionsort.
CP7. Algoritmos de ordenação recursivos: Mergesort e Quicksort.
CP8: Estruturas de dados não lineares: árvores, árvores de pesquisa binária, árvores AVL e grafos.
CP9: Algoritmos simples sobre estruturas de dados não lineares.

A aprovação nesta unidade curricular (UC) só pode ser conseguida pela modalidade de avaliação ao longo do semestre ou pela época especial (para os alunos com algum estatuto conferido pelos Serviços de Gestão do Ensino que permita aceder a Época Especial). 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%;
- 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.

Obrigatória

- 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.

Opcional

- 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.

CP1. Vetores
O espaço vetorial R^n. Produto interno e norma. Combinações lineares e independência linear. Bases e dimensão. Coordenadas.

CP2. Sistemas de equações lineares
Método de eliminação de Gauss. Classificação de sistemas lineares.

CP3. Matrizes
Soma e multiplicação escalar. Produto matricial. Transposição. Matriz inversa e propriedades.

CP4. Funções lineares
Função linear. Matriz de uma função linear. Subespaços núcleo e imagem e teorema da dimensão. Mudança de base.

CP5. Determinantes
Definição e propriedades do determinante. Determinantes e operações elementares.

CP6. Valores e vetores próprios
Valores e vetores próprios. Subespaços próprios. Diagonalização.

Os alunos podem optar por uma das seguintes modalidades de avaliação:

- Avaliação ao longo do semestre:
- 4 mini-testes (20%): prova escrita realizada em aula, com a duração de 15
minutos;
- Prova escrita (80%): prova escrita na 1a época do período de avaliação, com nota
mínima de 8.5 valores.
Os alunos em avaliação ao longo do semestre têm a classificação de zero valores nas fichas de avaliação não realizadas.
Os alunos deverão realizar os mini-testes na turma em que estão inscritos.
Os mini-testes são realizados no início ou no final das aulas para os quais estão agendados. O resto da aula prossegue normalmente.
Para o cálculo da nota final nesta componente serão consideradas as 3 melhores notas
obtidas nos 4 mini-testes.
Para os alunos que escolham esta modalidade, o resultado final considerado é o melhor
entre a avaliação ao longo do semestre e a avaliação por exame.

- Avaliação por exame: realização de uma prova escrita (100%) na 1a ou 2a época do
período de avaliação.

A nota mínima de aprovação na unidade curricular é de 10 valores.
Os professores responsáveis reservam-se o direito de fazer orais sempre que considerem
necessário.

Obrigatória

Strang, G. (2023). Introduction to Linear Algebra (sixth edition) Wellesley-Cambridge Press.
Apoio teórico fornecido pelos docentes. Caderno de exercícios fornecido pelos docentes.

Opcional

Lay, D., Lay, S., & McDonald, J. (2016) Linear Algebra and Its Applications (fifth edition) Pearson.

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

Avaliação ao longo do semestre ou avaliação por exame:
1. Avaliação ao longo do semestre:
a) Teste escrito: i) peso de 60%; ii) classificação mínima de 8,5;
b) Projecto em grupo: i) peso de 40%; ii) grupos de 4 estudantes; iii) com discussão oral;
c) Presença em, pelo menos, 2/3 das aulas leccionadas;
d) Aprovação: média ponderada mínima de 9,5.
2. Avaliação por Exame (1.ª e 2.ª Época):
a) Exame escrito: i) peso de 100%; ii) aprovação: classificação mínima de 9,5.
Em ambas as modalidades de avaliação, pode ser exigida uma prova oral.
Escala: 0-20 valores.

Obrigatória

* Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cengage Learning.

Opcional

* 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.

CP1. Definição e importância do pensamento crítico (PC)
CP2. Estrutura básica de um argumento: premissas e conclusão
• Ex de argumentos simples e complexos
CP3. Métodos de análise de argumentos
CP4. Falácias Lógicas e Erros Comuns
CP5. Critérios para avaliar a qualidade de argumentos
CP6. Construção de Argumentos
CP7. Aplicações Práticas do PC
CP8. O pensamento lateral e os fundamentos do modelo dos Seis Chapéus.
CP9. Aplicações práticas de cada chapéu: dados (branco), emoções (vermelho), riscos (preto), benefícios (amarelo), criatividade (verde), gestão do pensamento (azul).
CP10. Dinâmicas de pensamento paralelo em contexto académico, profissional e ético e Integração das metodologias argumentativas e dos Seis Chapéus em simulações, debates e exercícios escritos.

A avaliação ao longo do semestre é feita através da exposição, exercícios debate, leituras, discussões de casos (em pequenos grupos).
A participação ativa nos trabalhos a realizar nas aulas práticas é expectável e obedece aos seguintes critérios:
Assiduidade/participação - Exercicios em aula + debate em grupo (com um minimo de 80% de presenças) assiduidade 1. Participação ativa nas sessões práticas e nos exercícios de grupo (20%)
2. TPCs- 15% (1 TPC - 5% + 1 TPC - 10%) = 15%
3. Ensaio individual aplicado aos Seis Chapéus do Pensamento sobre um dilema ou situação real (30%).
4. Reflexão crítica individual final, integrando as dimensões da UC e articulando pensamento argumentativo e pensamento paralelo (35%)

– Para concluir com sucesso a avaliação ao longo do semestre os estudante não podem ter menos de 7 valores em nenhuma das componentes de avaliação assinaladas
Épocas de Exames
Trabalho Escrito -100%
Ainda que não seja recomendado, é possível optar pela avaliação por exame, esta a avaliação pode ainda implicar, por decisão do/a docente, uma discussão oral (a realizar-se, esta componente oral tem um peso na avaliação final de 40%).

Obrigatória

De Bono, E. (2016). Os Seis Chapéus do Pensamento. Lua de Papel.

Facione, P. A. (2011). Critical Thinking: What It Is and Why It Counts. Insight Assessment.

Fisher, A. (2011). Critical Thinking: An Introduction. Cambridge University Press.

Haber, J., (2020). Critical Thinking, MIT Press

Paul, R., & Elder, L. (2014). The Miniature Guide to Critical Thinking: Concepts and Tools. Foundation for Critical Thinking.

Opcional

Brookfield, S. (1987). Developing critical thinkers: challenging adults to explore alternative ways of thinking and acting. San Francisco: Jossey-Bass.

Bowell, T., & Kemp, G. (2002). Critical thinking: a concise guide. London: Routledge.

Cottrell, S. (2005). Critical Thinking Skills: Developing effective analysis and argument. New York: Palgrave McMillan.

Morgado, P. (2003). Cem argumentos: A lógica, a retórica e o direito ao serviço da argumentação. Porto: Vida Económica.

Thayer-Bacon, B.J. (2000). Transforming critical thinking: thinking constructively. New York: Teachers College Press.

Weston, A. (2005). A arte de argumentar. Lisboa: Gradiva

CP1. Teoria das probabilidades: definições, axiomas, probabilidade condicional, probabilidade total e fórmula de Bayes.
CP2. Variáveis aleatórias univariadas: f. de probabilidade e densidade, f. distribuição, parâmetros caracterizadores.
CP3. Estudos por amostragem: recolha de dados por questionário; plano de amostragem
CP4. Amostragem aleatória vs. não aleatória: tipos de amostras não aleatórias.
CP5. Amostragem aleatória: simples, sistemática, com probabilidades desiguais, estratificada.
CP6. Combinar estudos por amostragem com big data.

Regime de avaliação: ao longo do semestre ou por exame.

Ao longo do semestre:
Teste teórico-interpretativo intermédio (35%) (sem nota mínima) + teste teórico-interpretativo final (35%) (nota mínima 8 val), + trabalho prático em R (30%) (nota mínima 8 val).

Por exame:
Teste teórico-interpretativo (70%) (nota mínima 8 val), + teste prático em R (30%) (nota mínima 8 val).

Obrigatória

Groves, R., Fowler, F., Couper, M., Lepowski, J., Singer, E. & Tourangeau, R. (2009) Survey Methodology, 2nd edition, John Wiley and Sons.
Levy, P., Lemeshow, S. (1991). Sampling of Populations: methods and applications. Wiley Interscience.
Reis, E., Andrade, M., Calapez, T. & Melo, P., Estatística Aplicada, volume 1. 7ª edição. Lisboa. Edições Sílabo, 2021, ISBN 978-989-561-186-7.
Reis, E., Andrade, M., Calapez, T. & Melo, P., Estatística Aplicada volume 2, 6ª edição, Lisboa. Edições Sílabo, 2019, ISBN 978-972-618-986-2.
Speegle, D., & Clair, B. (2021). Probability, Statistics, and Data: A Fresh Approach Using R. Chapman and Hall/CRC. Free access at https://mathstat.slu.edu/~speegled/_book/

Opcional

Salganik, M. (2018). Bit by Bit- Social Research in the Digital Age. New Jersey: Princeton University Press Verzani, J. (2014). Using R for Introductory Statistics, 2nd Edition, Chapman & Hall/CRC, eBook ISBN 9781315373089. https://cran.r-project.org/doc/contrib/Verzani-SimpleR.pdf

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 ao longo do semestre, 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.

Obrigatória

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/

Opcional

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; aplicações
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 do Cálculo
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 seguintes modalidades:

- Avaliação ao longo do semestre: teste intermédio (37.5%) + teste final (37.5%) + dois trabalhos de grupo, um sobre cálculo numérico e outro sobre representação gráfica (25%, 12.5% cada).

- Avaliação por Exame (100%), em qualquer uma das épocas de exame.

O exame tem uma componente teórico-prática (75%) e uma componente computacional (25%). Os alunos que tenham tido aproveitamento nos trabalhos de grupo poderão dispensar-se de realizar esta última componente.

A nota mínima em qualquer avaliação é de 8 valores. As notas finais superiores a 16 valores sujeitam-se a homologação através de uma prova oral.

Obrigatória

[1] Ferreira, J.C. (2011). “Introdução à Análise Matemática”, Fundação Calouste Gulbenkian.
[2] Strang, G. (1991). “Calculus”, Wellesley-Cambridge.
[3] Caputo, H.P. (1973). “Iniciação ao Estudo das Equações Diferenciais”, Livros Técnicos e Científicos Editora, S.A.

Opcional

[4] Suleman, A., Rocha, J., Alho, A., Apontamentos de aula. (disponível no Moodle)
[5] Suleman, A., Notas sobre cálculo numérico (disponível no Moodle).
[6] Santos, M.I.R., Matemática computacional (IST).

CP1. 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.
CP2. 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 ao longo do semestre v1: 2 Testes Escritos (40% cada) + participação nas aulas (20%).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.

Obrigatória

Stewart, J. "Cálculo - Volume 2", Tradução da 8ª edição norte-americana (4ª edição brasileira), Cenage Learning, 2017.

Opcional