P1. Escrita da introdução e resumo (abstract);
P1.1. Definição do problema e objetivos de investigação;
P2. Revisão de literatura;
P3. Definição da metodologia
P4. Apresentação de resultados e sua discussão
P5. Escrita de conclusões
P5.1. Contributos/implicações em termos académicos e empresariais
P5.2. Limitações e pistas futuras de investigação
P6. Apresentação oral da síntese da tese

Avaliação ao longo dos semestres:
1) Apresentação escrita da dissertação (80%)
2) Apresentação oral da síntese da dissertação e posterior discussão pública perante um júri (20%)

Nota mínima: 10 valores numa escala 0 a 20 valores

Obrigatória

Bougie, R. & Sekaran, U. (2020) Research Methods for Business, 8th Edition, Wiley. ISBN: 978-1119663706.

N. Bui, I. (2019). How to Write a Master′s Thesis, 3rd Edition, Sage. ISBN: 978-1506336091.

Oliveira, L. A. (2011). Dissertação e Tese em Ciência e Tecnologia Segundo Bolonha. Lisboa: LIDEL. ISBN: 978-9727577422.

Fisher, C. (2007). Researching and writing a dissertation: A guidebook for business students. 3rd Edition, Pearson. ISBN: 978-0273723431.

Definida pelo orientador / Defined by supervisor

Opcional

Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O'Reilly.

Pidd, M. (2003). Tools for thinking: Modelling in Management Science. West Sussex: Wiley.

Brennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.

Øvretveit, J. (2008). Writing a scientific publication for a management journal. Journal of Health Organization and Management, 22, 2, 189-206.

P1. As etapas do processo de investigação
P.1.1.Tipos de teses
P1.2. Identificação de problemas de investigação
P1.3. Planeamento das fases do trabalho
P2. Elaboração da revisão de literatura e fontes de bibliografia
P3. Tipos e fases do trabalho empírico
P3.1. Identificação de metodologias,
P3.2. Identificação de dados, ferramentas e técnicas analíticas
P4. Elaboração e apresentação de projeto de investigação e de artigo científico
P4.1. Acompanhamento individual ou em pequenos grupos do desenvolvimento e aperfeiçoamento do trabalho de investigação

Avaliação ao longo dos semestres:
1) Projeto de tese (60%)
2) Participação nas aulas (10%), realização com sucesso de 5 atividades propostas nas aulas;
3) Escrita, individual, ou em grupo, de artigo científico e respetiva apresentação oral e digital em conferência científica (10% parte teórica + 10% parte prática + 10% artigo completo submetido e apresentado em conferência científica, com aval escrito do orientador)

Aprovação: a) mín. 10 val. nos instrumentos 1) e 2); b) artigo submetido a conferência de acordo com as suas normas de submissão; c) nota final mín. 10 val.; e, d) assiduidade de 2/3 das aulas.


UC sem exame devido à sua natureza de seminário.

Obrigatória

Dhar, R. & Gastel, B., How to Write and Publish a Scientific Paper, 2016, 8th Edition, Greenwood.

Kitchenham, B., Procedures for Performing Systematic Reviews, Joint Technical Report TR/SE-0401, 2004, Keele University.

Peffers, K., Tuunanen, T., Gengler, C., Rossi, M., Hui, W., Virtanen, V., & Bragge, J., The Design Science Research Process: A Model for Producing and Presenting Information Systems Research,, 2006, First International Conference on Design Science Research in Information Systems and Technology (DESRIST 2006).

Saunders, M., Lewis, P., & Thornhill, A., Research Methods for Business Students, 2019, 8th Edition, Pearson.

vom Brocke, J., Hevner, A., & Maedche, A. (Eds.), Design Science Research. Cases, 2020, Springer.

Passos, F., Laureano, R. & Passos, M., Predictive Model for Heart Failure Decompensation: A Systematic Literature Review, 2024, 19th Iberian Conference on Information Systems and Technologies (CISTI).

Opcional

Bhattacherjee, A., Social Science Research: Principles, Methods, and Practices, 2012, 2nd edition, University of South Florida, Scholar Commons.

Flick, Uwe, An Introduction to Qualitative Research, 2023, 7th Edition, Sage Publications.

IBS, Regras de Elaboração de Dissertação ou Trabalho de Projeto de Mestrado, 2020, Iscte-Business School.

ISCTE-IUL, Ética na Investigação: Melhores Práticas, melhor Ciência, 2016, ISCTE-IUL.

Roger, B. & Sekaran, U., Research Methods for Business,, 2020, 8ª edição, Wiley.

P1. Escrita da introdução e resumo (abstract);
P2. Definição do problema de negócio e diagnóstico da organização;
P3. Definição dos objetivos do projeto;
P4. Revisão de literatura;
P5. Definição dos objetivos analíticos e métricas de monitorização;
P6. Compreensão dos dados recolhidos e preparação dos dados;
P7. Técnicas de análise de dados (modelação) e de avaliação dos modelos;
P8. Escrita de conclusões e definição de possibilidades de projetos futuros;
P9. Avaliação de impactos possíveis e formas de controlo de resultados.

- Apresentação escrita da dissertação (80%)
- Apresentação oral da síntese do projeto e posterior discussão pública perante um júri (20%)

Obrigatória

Camm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T. (2015). Essentials of Business Analytics, Cengage Learning.
Uma Sekaran e Bougie Roger (2010) Research Methods for Business, 5ª edição, John Wiley and Sons
Oliveira, Luís Adriano (2011). Dissertação e Tese em Ciência e Tecnologia Segundo Bolonha. Lisboa: LIDEL
Laursen, Gert & Thorlund, Jesper (2010) Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, Wiley.
Fisher, C. (2007). Researching and writing a dissertation: A guidebook for business students. Essex: Prentice Hall
Bell, Judith (2005). Doing Your Research Project: a guide for first-time researchers in education and social science. 4th ed. Buckingham: Open University Press.
Definida pelo orientador / Defined by supervisor

Opcional

Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O?Reilly.
Pidd, M. (2003). Tools for thinking: Modelling in Mangement Science. West Sussex: Wiley.
Brennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.
Øvretveit, J. (2008). Writing a scientific publication for a management journal. Journal of Health Organization and Management, 22, 2, 189-206.

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

1) Avaliação ao longo do semestre:
a) Teste individual (50%) - OA 1, 2.
b) Trabalho de projeto aplicado em grupo com apresentação digital (50%) e possível discussão - OA 1, 2, 3

Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 2/3 das aulas.

2) Avaliação por exame (todas as épocas):
Trabalho de projeto aplicado individual, a realizar numa semana, com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambos.

Escala: 0-20 valores.

Obrigatória

Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (Wiley Series on Methods and Applications in Data Mining), 2nd edition, Wiley. ISBN: 978-1-118-11619-7.

Lopez, C. (2022). Machine Learning. Supervised Learning with SPSS Modeler, Scientific Books. ISBN: 978-1471018046.

Quinn, J. (2020). The Insider' Guide to Predictive Analytics, Smart Vision Europe. ISBN: 978-1838058104.

Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions, 2nd edition, Springer. ISBN: 978-3030543372.

Witten, I., Frank, E., Hall, M. & Pal, C. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 4th edition, Morgan Kaufmann. ISBN: 978-0128042915.

Opcional

Gama, J., Carvalho, A., Faceli, K., Lorena, A., & Oliveira, M. (2012). Extração de Conhecimento de Dados: Data Mining, Edições Sílabo.

Hair, J.F., Black, W.C., Babin, B.J. & Anderson, R.E. (2010). Multivariate Data Analysis, 7th edition, Prentice Hall.

Hastie, T., Tibshirani, R., Friedman, J., Hastie, T., Friedman, J., & Tibshirani, R. (2009). The Elements of Statistical Learning, Vol. 2, Springer.

Laureano, R. (2020). Testes de Hipóteses e Regressão: o Meu Manual de Consulta Rápida, Edições Sílabo.
McCormick, K., Abbott, D., Brown, M., Khabaza. T., & Mutchler, S. (2013). IBM SPSS Modeler Cookbook, Packt

Rocha, M., Cortez, P. & Neves, J. (2008). Análise Inteligente de Dados - Algoritmos e Implementação em Java, FCA.

Salcedo, J. & McCormick, K. (2017). IBM SPSS Modeler Essentials: Effective techniques for building powerful data mining and predictive analytics solutions, Packt.

Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, FCA.

Vasconcelos, J., & Barão, A. (2017). Ciência dos Dados nas Organizações: Aplicações em Python, FCA.

Conteúdos programáticos (CP):
CP1. Modelos e técnicas de optimização matemática
1.1 Modelos de optimização matemática
1.2 Aplicações na Gestão
1.3 Resolução usando software
1.4 Interpretação de resultados e elaboração de recomendações prescritivas
CP2. Técnicas de optimização heurística
2.1 Introdução à optimização heurística
2.2 Aplicações na Gestão
2.3 Resolução usando software
2.4 Interpretação de resultados e elaboração de recomendações prescritivas
CP3. Outros modelos e técnicas prescritivas para Gestão
3.1 Simulação
3.2 Previsão de Séries Temporais

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 apresentação e 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) Teste escrito: i) peso de 60%; ii) classificação mínima de 8,5;
b) Projecto individual: i) peso de 40%; ii) com apresentação e discussão oral;
c) Aprovação: média ponderada mínima de 9,5.
Em ambas as modalidades de avaliação, pode ser exigida uma prova oral.
Escala: 0-20 valores.

Obrigatória

* Evans, J. (2021). Business Analytics, 3rd Ed. Global Edition. Pearson.
* Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics, 8th Ed. Cengage Learning.
* Murty, K. G. (2003). Optimization Models For Decision Making: Volume 1. Web-book. http://www-personal.umich.edu/~murty/books/opti_model/

Opcional

* Greasley, A. (2019) Simulating Business Processes for Descriptive, Predictive and Prescriptive Analytics, De Gruyter.
* Borshchev, A. (2015). The Big Book of Simulation Modeling. Multimethod Modeling with AnyLogic 6.
* Taha, H. A. (2016). Operations Research: An Introduction, 10th Ed. Pearson.
* Korte, B. and Vygen, J. (2012). Combinatorial Optimization: Theory and Algorithms, 5th edition. Springer.
* Pinedo, M.L. (2012). Scheduling: Theory, Algorithms, and Systems, 4th edition. Springer.
* Cook, J.W. (2014). In Pursuit of the Traveling Salesman: Mathematics at the Limits of Computation, 3rd Ed. Princeton University Press.

CP1. Introdução à análise descritiva e de diagnóstico
1.1. Tipos de dados
1.2. Técnicas de sumarização para dados univariados e bivariados
1.3. Avaliação da qualidade dos dados: não-respostas e valores extremos
CP2. Técnicas descritivas e de diagnóstico para dados multivariados
2.1. Redução de dimensionalidade: Análise de Componentes Principais (ACP)
2.2. Agrupamento (ex.: método hierárquico aglomerativo e K-means).
2.3. Regras de associação (market basket analysis; ex.: algoritmos apriori e sequential).
CP3. Aplicações práticas de técnicas descritivas e de diagnóstico com dados reais, utilizando IBM SPSS Modeler e IBM SPSS Statistics (ou outro software).

Avaliação ao longo do semestre:
a) Teste escrito individual (60%);
b) Projeto aplicado em grupo (40%), com possível apresentação digital ou discussão;
Requisitos para a aprovação:
a) Nota mínima de 7,5 valores em cada componente;
b) Classificação final mínima é 10 valores; e,
c) Assiduidade mínima de 2/3 das aulas.

Avaliação por exame (todas as épocas):
Projeto aplicado individual (40%), com possível apresentação digital ou discussão, e exame escrito individual (60%), ambos com nota mínima de 7,5 valores. A classificação final mínima é 10 valores.

Escala: 0-20 valores.

O teste e os exames escritos são realizados sem consulta de materiais.

Obrigatória

1. Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). Sage: Los Angeles.
2. Camm, J., Cochran, J., Fry, M., and Ohlmann, J., (2021). Business Analytics, (4th Ed.). Cengage Learning.
3. Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (2nd Ed.). Wiley Series on Methods and Applications in Data Mining, Wiley. ISBN: 978-1-118-11619-7.
4. Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions (2nd edition). Springer. ISBN: 978-3030543372.

Opcional

1. Marôco, J. (2021). Análise Estatística com o SPSS Statistics (8ª edição). ISBN: 9789899676374.
2. Laureano, R. e Botelho, M.C. (2017). IBM SPSS Statistics: O Meu Manual de Consulta Rápida (3ª ed.). Edições Sílabo, ISBN: 978-972-618-886-5.
3. Laureano, R. (2020). Testes de Hipóteses e Regressão - O Meu Manual de Consulta Rápida (2ª edição). Edições Sílabo. ISBN: 978-989-561-051-8.

CP1. Introdução a Análise de Dados não Estruturados e ao Text Mining.
CP2. Tokenization, Criação de Dicionários e Preparação do Corpus.
CP3. Métodos de Agrupamento de Documentos e Termos.
CP4. Modelos de Classificação em Texto.
CP5. Aplicação de Casos de Agrupamento de Documentos e Termos à Gestão.
CP6. Aplicação de Casos de Classificação de Texto Aplicados à Gestão: Análise de Sentimentos.
CP7. Tópicos avançados de NLP.

1) Avaliação ao longo do semestre:
a) Teste individual (50%).
b) Trabalho de grupo 1 - Ferramentas (Imagens, Vídeo, Som, ou Texto) (15%).
c) Trabalho de grupo 2 - Aplicação/Projecto (Imagens, Vídeo, Som, ou Texto) (25%).
d) Participação em aula (10%).

Aprovação: a) mín. 7,5 valores em cada um dos elementos de avaliação; 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.

Obrigatória

Paaß and Giesselbach (2023). Foundation Models for Natural Language Processing. Springer.
Filipowska and Filipiak (2020). Big Data Management and Analytics - Introduction to Text Analytics. Springer.
Struhl, S. (2015). Practical Text Analytics: Interpreting Text and Unstructured Data for Business Intelligence (Marketing Science Series). Kogan Page.

Opcional

Liu, Lin, Sun (2023). Representation Learning for Natural Language Processing. Springer.
Weiss, Indurkhya, Zhang, Damerau (2005). Text Mining: Predictive Methods for Analyzing Unstructured Information. Springer
Srivastava, A.N. and Sahami, M. (2009). Text Mining: Classification, Clustering, and Applications. Chapman & Hall/CRC.
Feldman, R. and James Sanger, J. (2006). The Text Mining Handbookx\: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.

P1. Business analytics nas organizações
P1.1. Conceitos
P.1.2. Framework para a implementação
P1.3. Metodologia CRISP-DM
P1.4. Maturidade analítica
P1.5. Outros tópicos (e.g., ética, sustentabilidade)
P2. Aplicações de business analytics
P2.1. Problemas com os dados
P2.2. Problemas de business intelligence
P2.3. Problemas de analytics
P3. Ferramentas computacionais para business analytics
P3.1 Business intelligence
P3.2 Data analytics and inteligência Artificial
P3.3 Outros

1) Avaliação ao longo do semestre:
a) Dois cursos de e-learning (7,5% + 7;5%) - OA 1, 2
b) Trabalho individual com apresentação oral e digital (50%) - OA 1, 2, 3
c) Trabalho de grupo com possibilidade de discussão (35%) - OA 2, 3

Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 4/5 das aulas

Escala: 0-20 valores

Dada a natureza dos conteúdos e objetivos da UC, em que se privilegia o contacto com profissionais ao longo do semestre, não está prevista a realização de exame.

Obrigatória

Camm, J., Cochran, J., Fry, M., Ohlmann, J. (2024). Business Analytics, 5th Edition, Cengage. ISBN: 978-0357902202.

Laursen, Gert H. N. & Thorlund, Jesper (2017)., Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, 2nd Edition, Wiley. ISBN: 978-1119298588.

Opcional

Brennan, K. (2015). A Guide to the Business Analysis Body of Knowledge (BABOK Guide), V3, Int'l Institute of Business Analysis (IIBA).
Isson, J. P. & Harriott, J. (eds) (2013). Win with advanced business analytics: creating business value from your data, John Wiley & Sons,
Palmatier, Robert & Sridhar, Shrihari (2021). Marketing Strategy: Based on First Principles and Data Analytics, 2nd Edition, Bloomsbury Academic.
Roberts, Terisa & Tonna, Stephan J. (2022). Risk Modeling: Practical Applications of Artificial Intelligence, Machine Learning, and Deep Learning, Wiley. ISBN 978-1119824930.
Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, FCA.
Schniederjans, M. J., Schniederjans, D. G., & Starkey, C. M. (2014). Business analytics principles, concepts, and application what, why, and how, Pearson.
Sharda, Ramesh, Dursun Delen & Efraim Turban (2015). Business Intelligence and Analytics: Systems for Decision Support, 10th Edition, Pearson.
Siegel, E. (2016). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die, Wiley.
Venkatesan, R, Farris, P. Wilcox R. (2014). Cutting Edge Marketing Analytics: Real World Cases and Datasets for Hands On Learning, Pearson/FT Press.

CP1. Estratégia como ponto de partida para business analytics
CP2. O processo de gestão estratégica
CP3. Análise interna da organização baseada nos recursos e nas capacidades dinâmicas
CP4. Análise da envolvente externa
CP5. Estratégias de negócio, novos modelos de negócio e transformação digital
CP6. Estratégias corporativas
CP7. Implementação e controlo da estratégia, reporting e business analytics.

Opção 1 (Avaliação Contínua)

i. Teste Escrito Individual 50%
ii. Trabalho de Grupo 40%
iii. Relatório do Seminário 10%

Aprovação: Média ponderada de 10 valores ou superior, com a nota mínima de 8 valores em cada uma das componentes da avaliação contínua.

Opção 2 (Exame Final)
Aprovação: 10 valores ou superior

Escala: 0-20 valores.

Obrigatória

Sharda, R., Delen, D., & Turban, E. (2018) Business intelligence, analytics, and data science: A managerial perspective. Pearson.
Pearce, J. & Robison, R. (2013) Strategic Management, 13th Edition, MacGraw-hill Higher Education.
Grant, R. (2018) Contemporary Strategy Analysis (10th edition), Wiley.
Barney, J. & Hesterley S. (2019) Strategic Management and Competitive Advantage: Concepts and Cases, 6th Edition, Pearson.

Opcional

Gebauer, H. (2011) Exploring the contribution of management innovation to the evolution of dynamic capabilities. Industrial Marketing Management, 40(8), 1238-1250.
Eisenhardt, K. & Martin, J. (2000) Dynamic capabilities: What are they? Strategic Management Journal, 21(10/11), 1105-1121.
Breznik, L. & D. Hisrich, R. (2014) Dynamic capabilities vs. innovation capability: Are they related? Journal of Small Business and Enterprise Development, 21(3), 368-384.

A. Enquadramento da gestão de dados no universo do datascience
B. Desenho de esquemas relacionais
1. Relações e chaves primárias
2. Chaves estrangeiras e regras de integridade;
3. Análise crítica e construção de um modelo relacional;

C. Linguagem S.Q.L
1 Interrogações Simples;
2 Funções de Agregação e Agrupamentos;
3 Interrogações Encadeadas;
4. Criação de Views

D. Otimização

E. Modelo Dimensional
1. Conceção modelo dimensional
2. Modelo dimensional vs relacional
3. ETL & qualidade dos dados

F. Dados semi-estruturados

Avaliação por exame (1ª Época, 2ª Época e Época Especial):
* Prova escrita (100%)
- Aprovação: nota >= 10 valores.

Avaliação ao longo do semestre:
* Trabalho de grupo com discussão - entregas faseadas ao longo do semestre e discussão no final do semestre (50%);
* Teste individual escrito - data de 1ª Época (50%).
- Aprovação: Nota final >=10 valores; e Teste individual escrito >=8 valores.

- A não comparência na discussão implica a anulação do trabalho de grupo como elemento de avaliação.
- As notas finais do trabalho de grupo dependerão do desempenho de cada aluno na discussão, e poderão variar entre 0 (zero) e 20 valores.

Obrigatória

Ramakrishnan , Raghu; Gehrke, Johannes. Database Management Systems. 3rd Edition. McGrawHill. 2003
Perreira, J. Tecnologia de Base de Dados" FCA Editora de Informática, 1998
Damas, L. SQL - Structured Query Language " FCA Editora de Informática, 2005
Kimball R, Ross M. The Data Warehouse Toolkit. 3rd ed. John Wiley & Sons; 2013.
Kimball R, Caserta J, ?The Data Warehouse ETL Toolkit?, Wiley, 2004

Opcional

Gorelik, Alex. The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science. 1st Edition, O'Reilly, 2019

CP1. Big Data: Introdução, Desafios, Tendências e Aplicações ao Negócio
CP2. Características do Big Data: os V's do Big Data
CP3. As Tecnologias do Big Data
CP4. Análise de Streams e Modelos Analíticos para Big Data
CP5. Casos de negócio com problemas e soluções analíticas de Big Data

1. Avaliação ao longo do semestre: a) Trabalho de grupo com apresentação (50%). (OA 2, 3); b) Teste individual (50%). (OA 1, 3);
A aprovação em avaliação ao longo do semestre exige:
- presença em, pelo menos, 75% das aulas;
- nota mínima de 7,5 valores para cada um dos elementos de avaliação;
- classificação final mínima de 10 valores.

2. Avaliação por exame: Teste individual (50%) e Trabalho individual com apresentação (50%).
A aprovação em avaliação por exame exige:
- nota mínima de 10 valores para cada um dos elementos de avaliação;
- classificação final mínima de 10 valores.

As frequências e os exames serão realizados presencialmente, quer se utilizem softwares/plataformas digitais ou não.

Não é permitido o uso de máquinas de calcular, telemóveis, smart watches, ou quaisquer outros equipamentos eletrónicos nas provas escritas. A utilização ilícita de tais equipamentos será sancionada em concordância com o Regulamento Disciplinar de Discentes.

Os docentes responsáveis reservam-se o direito de realizar provas orais sempre que se justifique.

Obrigatória

Bahga, A. & Madisetti, V. (2016). Big Data Science & Analytics: A Hands-On Approach. VPT.
Li, K. C., Jiang, H., Yang, L. T., & Cuzzocrea, A. (2015). Big data: Algorithms, analytics, and applications. CRC Press.
Leskovec, J., Rajaraman, A. & Ullman, J.D. (2020). Mining of Massive Datasets. 3rd Edition, Cambridge University Press.
Melcher, K. & Silipo, R. (2020) Codeless Deep Learning with KNIME. Packt Publishing.

Opcional

Berthold, M.R., Borgelt, C., Höppner, F., Klawonn, F. & Silipo, R. (2020). Guide to Intelligent Data Science: How to Intelligently Make Use of Real Data. 2nd Edition, Springer International Publishing.
Marz, N. & Warren, J. (2015). Big Data: Principles and best practices of scalable realtime data systems. Manning Publications.
Ryza, S., Laserson, U., Owen, S., & Wills, J. (2015). Advanced Analytics with Spark: Patterns for Learning from Data at Scale. O'Reilly Media.

P1. Fundamentos de arquitetura de dados
P2. Armazenamento e recuperação de dados
P3. Integração de dados
P4. Análise, modelação e visualização de dados
P5. Segurança e qualidade de dados
P6. Arquiteturas com tecnologias emergentes
P7. Identificação de problemas
P8. Fundamentação de propostas
P9. Identificação de riscos e benefícios
P10. Definição de requisitos tecnológicos
P11. Comunicação de casos de negócio

A avaliação ao longo do semestre é composta pelas seguintes componentes:
a) 10% em função da assiduidade do aluno nas aulas;
b) 50% com trabalho de grupo, onde os alunos devem demonstrar a capacidade de desenvolvimento de um caso de negócio, com trabalho colaborativo e brainstorming, através da gravação de um vídeo (pitch);
c) 40% com a entrega individual dos requisitos tecnológicos do caso de negócio e possível discussão.

Aprovação: a) classificação mínima 10 valores em cada elemento;

Escala: 0-20 valores.

Esta UC não contempla avaliação por exame dada a sua natureza de seminário.

Obrigatória

Gatti, S. (2023). Project Finance in Theory and Practice: Designing, Structuring, and Financing Private and Public Projects. Academic Press. ISBN: 978-0323983600.

Inmon, B.; Levins, M.; Srivastava, R. (2021). Building the Data Lakehouse. Technics Publications. ISBN: 978-1634629669.

Kerzner, H. (2022). Project Management: A Systems Approach to Planning, Scheduling, and Controlling. 13th edition, Wiley. ISBN: 978-1119805373.

Koller, T., Goedhart, M., Wessels, D. (2020). Valuation: Measuring and Managing the Value of Companies. 7th edition, McKinsey & Company Inc. ISBN: 978-1119611868.

Serra, J. (2024). Deciphering Data Architectures. O'Reilly Media, Inc. ISBN: 978-1098150761.

Azure Architecture Center - Azure Architecture Center | Microsoft Learn.

Opcional

Agrawal, D.; Selçuk Candan, K.; Li, W-S. (2011). Data Management in the Cloud: Challenges and Opportunities. Springer.
Erl, T.; Mahmood, Z.; Puttini, R. (2013). Cloud Computing: Concepts, Technology & Architecture. Prentice Hall.
Götze, U.; Northcott, D.; Schuster, P. (2015). Investment Appraisal: Methods and Models. Springer.
Kavis, M. (2014). Architecting the Cloud: Design Decisions for Cloud Computing Service Models (SaaS, PaaS, and IaaS). Springer.
PMI (2017). The Standard for Portfolio Management. Project Management Institute.
Zhao, L. (2014). Cloud Data Management. Springer.