P1. Análise exploratória de dados , uni e bivariados: medidas e representações gráficas apropriadas segundo o tipo dos dados
P2. Análise inferencial. Princípios básicos, estabelecimento das hipóteses, erros e valor-p. Teste a uma, duas e várias médias (teste t e oneway anova). Qui-quadrado de ajustamento e de independência.
P3. Análise Preditiva de Dados Multivariados: Regressão Linear Simples e Múltipla
P4. Análise Descritiva de Dados Multivariados: Análise em Componentes Principais e Análise de Clusters (métodos hierárquicos e k-médias)

Avaliação ao longo do semestre:
2 Exercícios teórico-práticos com peso de 15% cada e ambos com nota mínima de 7,5 valores
Teste final individual com peso de 70% e nota mínima de 7,5 valores.
Classificação final dada pela média ponderada dos instrumentos, arredondada às unidades (mínimo 10 para aprovação).
Avaliação por exame: Uma prova teórica (70%) + uma prova prática (30%).

Obrigatória

Bakker, J. D. (2022). Applied Multivariate Statistics in R. Washington, DC: University of 536 Washington. Free access from https://uw.pressbooks.pub/appliedmultivariatestatistics/
Thulin, M. (2024). Modern Statistics with R. Second edition. CRC Press. ISBN 9781032512440, free access from https://www.modernstatisticswithr.com/

Opcional

Speegle, D., & Clair, B. (2021). Probability, Statistics, and Data: A Fresh Approach Using R (1st ed.). Chapman and Hall/CRC. Free access from https://mathstat.slu.edu/~speegled/_book/
Dias Curto, JJ (2021) Estatística com R, aprenda fazendo : mais de 100 exercícios resolvidos, aplicações com dados reais, 1700 linhas de código em R para resolver, exercícios e aplicações. 1ª ed. ISBN 978-989-33-2076-1

CP1. Ciclo analítico para a tomada de decisão baseada em dados
CP2. Tipos de aplicações de Business Intelligence
CP3. Desenho de métricas de desempenho (incluindo KPI)
CP4. Metodologia e boas práticas para o desenvolvimento de dashboards
CP5. Metodologia e boas práticas para o desenvolvimento de scorecards
CP6. Desenho e desenvolvimento de reports standard
CP7. Processamento analítico de dados (OLAP)
CP8. Exploração de dados no âmbito de sistemas de data warehouse/ business intelligence
CP9. Princípios de visualização de dados aplicados ao desenho de interfaces de Business Intelligence

O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.

A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo): 80%
- Teste individual (frequência): 20%

Nota mínima de 10 em todas as componentes. Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de trabalhos práticos individuais. Para os alunos do MSIAD, os grupos de trabalho devem ser os mesmos da UC de Sistemas de Informação Analíticos II.

O trabalho prático deve ser entregue no final do período letivo. As orais para a discussão dos trabalhos práticos serão realizadas via Zoom, numa data a combinar com cada grupo. Todas as orais têm de estar concluídas antes da data do teste (frequência) a realizar na 1ª época de avaliação.

Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota, em 1ª época, 2ª época e época especial.
Passam a ser avaliados por exame em 1ª época (contando 100% da nota) os alunos que não cumprirem a nota mínima do trabalho de grupo.
O exame de 2ª época constitui sempre 100% da nota e pode ser realizado: (a) por quem em 1ª época não obteve nota positiva ou não foi avaliado; (b) para melhoria de nota (requer inscrição na secretaria).

Obrigatória

- Cardoso, E. (2023) Business Intelligence e a gestão de performance. Iscte.
- Setlur, V. and Cogley, B. (2022) Functional Aesthetics for Data Visualization. Wiley, USA.
- Tominski, C. and Schumann, H. (2019) Interactive Visual Data Analysis. CRC Press
- R. Kimball, M. Ross, W. Thornthwaite, J. Mundy, and B. Becker (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USAPress, UK
- Wexler, S., Shaffer, J., and Cotgreave, A. (2017) The Big Book of Dashboards: Visualizing Your Data Using Real-World Business Scenarios. Wiley
- Microsoft Power BI Self-paced Learning
https://docs.microsoft.com/en-us/power-bi/guided-learning/
- Tableau self-paced Learning
https://www.tableau.com/learn

Opcional

- Preece, J., Rogers, Y., and Sharp, H., (2007) - Interaction Design: Beyond HCI. Wiley - Nussbaumer Knaflic, C. (2015) Storytelling with data: a data visualization guide for business professionals. Wiley, USA. - Nussbaumer Knaflic, C. (2019) Storytelling with data: let’s practice! Wiley, USA. - Cairo, A. (2016). The Truthful Art: Data, Charts, and Maps for Communication. New Riders. - Evergreen, Stephanie (2016). Effective Data Visualization: The Right Chart for the Right Data. USA. SAGE Publications Ltd - R. Kaplan, D. Norton (2008) The Execution Premium: Linking Strategy to Operations for Competitive Advantage. Harvard Business School Press. Versão traduzida em Português: Prémio de Execução, Edição de Actual Editora, 2009 - Caldeira, J. (2010). Dashboards: Comunicar eficazmente a informação de gestão. Edições Almedina. - Few, S. (2006) Information Dashboard Design - the effective visual communication of data. O´Reilly.

CP1. Introdução ao Data Mining, problemas de decisão e aplicações
CP2. O Processo do ciclo de dados
CP3. Revisão de Estatística descritiva e exploratória
CP4. Revisão das principais técnicas de Regressão linear, não-linear e logística
CP5. Análise de grupos (clustering): técnicas principais e aplicações
CP6. Tree based emsembles
CP7. Técnicas de inferência Bayesianas
CP8. Support Vector Machines (SVM)
CP9. Redes Neuronais

O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.

A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo, com nota individual): 60%
- Revisão por pares (em grupo, com nota individual): 10%
- Teste individual: 30%

Nota mínima de 10 em todas as componentes. Os grupos de trabalho são de 2 a 3 elementos. Não há possibilidade de realização de trabalhos práticos individuais.
A entrega do trabalho prático decorre após a última de aulas da UC, no período letivo. Esta UC é dada em regime intensivo, no início do semestre, terminando a meio do período letivo.
As orais para a discussão dos trabalhos práticos serão realizadas com dois grupos em simultâneo, onde cada grupo apresenta a revisão por pares do outro trabalho. O relatório da revisão por pares é entregue no momento da oral. O teste individual será realizado em período letivo, após a última aula da UC.

Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota, em 1ª época, 2ª época e época especial de avaliação.

Passam a ser avaliados por exame em 1ª época (contando 100% da nota) os alunos que não cumprirem a nota mínima do trabalho de grupo ou da revisão por pares.
O exame de 2ª época constitui sempre 100% da nota e pode ser realizado: (a) por quem em 1ª época não obteve nota positiva ou não foi avaliado; (b) para melhoria de nota (requer inscrição na secretaria).

Obrigatória

- Materiais diversos fornecidos pelos docentes da UC.
- Pang-Ning Tan, Michael Steinbach, Anuj Karpatne and Vipin Kumar (2018) Introduction to Data Mining (2nd ed.). Addison-Wesley.
- VanderPlas, J. (2023) Python Data Science Handbook: Essential Tools for Working with Data (2nd ed.) OReilly Media.
- Webb, A. & Copsey, K. (2011) Statistical Pattern Recognition (3rd ed.). Wiley.

Opcional

- Géron, A. (2022) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (3rd ed.). OReilly Media.
- Cady, F. (2017) The Data Science Handbook (1st ed.). Wiley.
- Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking (1st ed.). OReilly.

1. Revisão de Bases de Dados Relacionais e Interrogações Avançadas (agregadas) SQL em Mysql;
2. Introdução às Bases de Dados No SQL e Implementação de Bases de Dados em MongoDB;
3. Mapeamento entre Bases de Dados Relacionais e Bases de Dados suportadas em Documentos;
4. Extracção de Dados recorrendo a JSON;
5. Redundância e Distribuição de Dados para gerir tolerância a falhas e grandes volumes de informação;
6. Migração de dados entre diferentes sistemas de armazenamento;

A avaliação ao longo do semestre é feita através de teste escrito (nota mínima 7.5 valores), 60% da nota e um trabalho de grupo, 40% da nota. Alternativamente existe a avaliação por exame.

Obrigatória

2019,Andreas Meier , Michael Kaufmann SQL & NoSQL Databases
Models, Languages, Consistency Options and Architectures for Big Data Management, Springer

MongoDb Homepage[Text Wrapping Break]Golfarelli, M., Rizzi, S., Data Warehouse Design: Modern Principles and Methodologies, McGraw-Hill Osborne Media; 1st Edition, May 26, 2009.
Damas, L. SQL - Structured Query Language " FCA Editora de Informática, 2005 (II);

Date, C.J. "An introduction to Database Systems" Addison-Wesley Publishing Company, sexta edição, 1995 (I.2, I.3, I.4, II);

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)

Opcional

-

Os principais conteúdos programáticos a abordar são:
CP1: Introdução à investigação
CP2: Formulação do problema e objetivos de investigação (proposta de dissertação e capítulo de Introdução)
CP3: Introdução às técnicas de pesquisa bibliográfica
CP4: Introdução às metodologias de investigação adequadas à área de SIAD
CP5: Apresentação e discussão de projetos e casos de estudo empresariais e de investigação

Avaliação ao longo do semestre compreende as seguintes componentes:
- Apresentação individual: 40%
- Documento escrito (individual) com a proposta de dissertação: 50%
- Assiduidade: 10%
A entrega do documento escrito deverá ser realizada na 1ª época de avaliação. As apresentações individuais dos alunos são realizadas em aula, no período letivo.
Em caso de reprovação, o aluno pode entregar em 2ª época ou época especial um projeto individual de proposta de tese (com um tema diferente) que contará 100% da nota.
Pela natureza da UC, não é possível a avaliação por exame.

Obrigatória

Oliveira, L. A. (2011) Dissertação e Tese em Ciência e Tecnologia segundo Bolonha: Guia de boas práticas. Lidel
Oliveira, L. A. (2018) Escrita Científica: da folha em branco ao texto final. Lidel
Oates, B. (2006) Researching Information Systems and Computing (1st ed.). Sage Publications
Patton, M. Q. (2014) Qualitative Research & Evaluation Methods: Integrating Theory and Practice (4th ed.). Sage Publications

Opcional

Presentation Zen: Simple Ideas on Presentation Design and Delivery, Garr Reynolds, New Riders Press, 2008 slide:ology: The Art and Science of Creating Great Presentations, Nancy Duarte, O'Reilly Media, 2008

CP1. Introdução aos Sistemas de Apoio à Decisão baseados em dados
CP2. Introdução aos sistemas de Data Warehouse e Business Intelligence (DW/BI)
CP3. Processamento Analítico de Dados (OLAP) versus Processamento Transacional de Dados (OLTP)
CP4. Metodologia de R. Kimball para o desenvolvimento de sistemas de DW/BI
CP5. Modelação dimensional: Conceitos fundamentais
CP6. Conceitos de modelação dimensional ágil
CP7. Modelação dimensional: Conceitos avançados
CP8. Levantamento de requisitos para o desenho de modelos dimensionais
CP9. Planeamento e desenho de aplicações de BI

O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo, com nota individual): 70% (entrega parcial vinculativa para continuar em avaliação ao longo do semestre, com avaliação qualitativa)
- Teste individual: 30%

Nota mínima 10 em todas as componentes.
Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de trabalhos práticos individuais. Para os alunos do MSIAD, os grupos devem ser os mesmos para a UC de Desenho e Desenvolvimento de Aplicações de BI.
Alternativa: avaliação por exame final para 100% da nota, em 1ª época, 2ª época e época especial.

O trabalho prático tem uma entrega parcial vinculativa para continuar em avaliação ao longo do semestre, a meio do semestre (tipicamente na aula 15). Cada grupo receberá feedback e uma avaliação qualitativa: A, B, C, D e F (passa a ser avaliado por exame). Todos os elementos do grupo têm que estar presentes na aula de apresentação da entrega parcial do trabalho prático. A data limite de entrega do trabalho prático é na última semana de aulas, no final do período letivo.

As orais para discussão dos trabalhos serão realizadas via Zoom, numa data a combinar com cada grupo. As notas das orais (i.e., a nota da componente do trabalho prático) são individuais. Todas as orais têm que estar concluídas antes da data do teste, que se realiza na 1ª época de avaliação.

Passam a ser avaliados por exame em 1ª época (contando 100% da nota) os alunos que: (a) não entregarem a 1ª parte do trabalho a meio do semestre; ou (b) não cumprirem a nota mínima do trabalho de grupo.

O exame de 2a época constitui sempre 100% da nota e pode ser realizado: (a) por quem, em 1ª época, não obteve nota positiva ou não foi avaliado; e (b) para melhoria de nota (requer inscrição na secretaria).

Obrigatória

- Slides das aulas teóricas e exercícios disponibilizados pelos docentes
- Adamson, C. (2010) Star Schema: the complete reference. McGraw-Hill, USA
- Kimball, R. & Ross, M. (2013) The Data Warehouse Toolkit - the definite guide to dimensional modeling (3rd ed.). John Wiley & Sons, USA.
- Corr, L. & Stagnitto, J. (2011) Agile Data Warehouse Design - Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press, UK.
- Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., and Becker, B. (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems (2nd ed.) John Wiley & Sons, USA
- Bakhshi, S. (2023) Expert Data Modeling with Power BI: Enrich and optimize your data models to get the best out of Power BI for reporting and business needs (2nd ed.) Packt Publishing

Opcional

- Beaulieu, A. (2020) Learning SQL: Generate, Manipulate, and Retrieve Data (3rd ed.) OReilly Media
- Sharda, R., Delen, D., and Turban, F. (2019) Analytics, Data Science, & Artificial Intelligence: Systems for Decision Support (11th Ed). Pearson Education, Inc, USA
- Kimball, R., Ross, M., Becker, B., Mundy, J. & Thornthwaite, W. (2015) The Kimball Group Reader: Relentlessly Practical Tools for Data Warehousing and Business Intelligence Remastered Collection. (2nd ed.). Wiley, USA
- Moss, L., Atre, S. (2003). Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.

CP1. Conceitos avançados de modelação dimensional: esquemas derivados e agregados
CP2. Validação da modelação conceptual e lógica de sistemas de DW/BI
CP3. Arquitetura básica de um processo de ETL (extração, transformação e carregamento de dados): subsistemas de ETL
CP4. Introdução à ferramenta Microsoft SQL Server Integration Services (SSIS)
CP5. Planeamento de um processo de ETL; mapeamento source-to-target
CP6. Qualidade de dados e técnicas de Data Profiling
CP7. Modelação conceptual de um processo de ETL
CP8. Implementação de um processo de ETL
CP9. Arquiteturas de DW

O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Trabalho prático (em grupo, com nota individual): 70%
- Teste individual: 30%

Nota mínima 10 em todas as componentes.
Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de trabalhos práticos individuais. Para os alunos do MSIAD, os grupos devem ser preferencialmente os mesmos da UC Sistemas de Informação Analíticos I, uma vez que o ponto de partida para o trabalho prático desta UC é o caso desenvolvido pelo grupo na referida UC.
O prazo para a entrega dos trabalhos práticos é durante o período de avaliação, antes da data de 2ª época. O teste individual é realizado na 1ª época de avaliação.
As orais para discussão dos trabalhos serão realizadas via Zoom, numa data a combinar com cada grupo. As notas das orais (i.e., a nota da componente do trabalho prático) são individuais.

Alternativa: avaliação por exame final para 100% da nota, em 1ª época, 2ª época e época especial.

O exame de 2ª época constitui sempre 100% da nota e pode ser realizado: (a) por quem, em 1ª época, não obteve nota positiva ou não foi avaliado; e (b) para melhoria de nota (requer inscrição na secretaria).

Obrigatória

- Slides e exercícios disponibilizados pelos docentes.
- Kimball, R., Caserta, J. (2004). The Data Warehouse ETL Toolkit - Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data, John Wiley & Sons
- R. Kimball, M. Ross, W. Thornthwaite, J. Mundy, and B. Becker (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA
- Inmon, W. & Puppini, F. (2020) The Unified Star Schema: An Agile and Resilient Approach to Data Warehouse and Analytics Design. Technics Publications.
- Adamson, C. (2010) Star Schema: the complete reference. McGraw-Hill, USA

Opcional

- Beaulieu, A. (2020) Learning SQL: Generate, Manipulate, and Retrieve Data (3rd ed.) OReilly Media
- Kimball, R., Ross, M., Becker, B., Mundy, J. & Thornthwaite, W. (2015) The Kimball Group Reader: Relentlessly Practical Tools for Data Warehousing and Business Intelligence Remastered Collection. (2nd ed.). Wiley
- Inmon, W.H. (1996). Building the Data Warehouse, John Wiley & Sons
- Moss, L., Atre, S. (2003). Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.
- R. Kimball, M. Ross (2013) The Data Warehouse Toolkit - the definite guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA.

CP1. Sistemas de Apoio à Decisão: taxonomia, evolução e características fundamentais
CP2. Princípios de Ciência de Dados e tomada de decisão baseada em dados
CP3. Sistemas de Data Warehouse e Business Intelligence: características fundamentais
CP4. Data Mining: técnicas fundamentais
CP5. Desafios de Big Data Analytics
CP6. Introdução à visualização de dados
CP7: A ética e os dados
CP8. Introdução ao Python
CP9: Discussão e resolução de casos de estudo em Sistemas Integrados de Apoio à Decisão
CP10. Desenho de posters científicos

Dado que a UC tem um carácter eminentemente prático e é uma introdução ao programa de mestrado em SIAD, não existe modalidade de avaliação por exame.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Projeto prático (em grupo, com nota individual) - 50%: inclui a entrega de um poster científico e de um relatório.
- Apresentação na sessão de posters (em grupo, com nota individual) - 20%
- Revisão por pares de um poster (em grupo): 10%
- Participação e realização de atividades em aula (nota individual): 20%

Nota mínima de 10 em todas as componentes da avaliação ao longo do semestre. Os grupos de trabalho são de 2 elementos. Não há possibilidade de realização de projetos individuais.

É obrigatória a presença de todos os alunos na apresentação final dos projetos práticos, realizados numa sessão de posters.
A entrega do projeto prático decorre após o final das aulas. Note-se que esta UC é dada em 8 semanas, a partir do início do semestre, terminando antes do período letivo.
A apresentação final dos projetos na sessão de posters decorre após a última semana de aulas da UC, no período letivo.
A avaliação em época especial é composta por uma prova escrita (50%) e um trabalho prático (50%).

Obrigatória

- Materiais diversos fornecidos pelos docentes da UC.
- Sharda, R., Delen, D., and Turban, F. (2019) Analytics, Data Science, & Artificial Intelligence: Systems for Decision Support (11th Ed). Pearson Education, Inc, USA
- Python Data Science Handbook: essential tools for working with Data (2023) (2nd ed.) OReilly Media
- Provost, F., and T. Fawcett (2013) Data Science for Business. OReilly Media
- Nussbaumer Knaflic, C. (2015) Storytelling with data: a data visualization guide for business professionals. Wiley, USA.
- Siegel, E. (2016) Predictive Analytics, 2nd ed. John Wiley & Sons, USA

Opcional

--

CP1. Introdução à Visualização de Informação para a tomada de decisão baseada em dados.
CP2. Análise de dados visual interativa: processo de desenvolvimento.
CP3. Datasets e variáveis.
CP4. Tarefas de visualização. Taxonomias. Tipos de gráficos e a sua utilização.
CP5. Percepção visual: princípios e aplicação em gráficos.
CP6. Design de informação: princípios e aplicações em contexto analítico.
CP7. Storytelling.
CP8. Visual Analytics. Desafios da visualização de dados para big data analytics e text analytics.
CP9. Avaliação de soluções de visualização de informação.
CP10. Aplicações de visualização de informação em diferentes domínios. Novas tendências.

Dado que a UC tem um carácter eminentemente prático, não existe modalidade de avaliação por exame.
A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Projeto prático (em grupo, com nota individual) - 60%
- Teste individual (formato quiz)- 15%.
- Apresentação no workshop de avaliação (em grupo, com nota individual) - 15%.
- Avaliação por pares (em grupo) - 10%

Nota mínima de 10 em todas as componentes da avaliação ao longo do semestre. Os grupos de trabalho são de 2 a 3 elementos. Não há possibilidade de realização de projetos individuais.

É obrigatória a presença de todos os alunos na apresentação final dos projetos práticos, realizados num workshop, realizado na 1ª época de avaliação.
A entrega do projeto prático decorre na 1ª época de avaliação. O teste individual (formato quiz) é realizado no período letivo. A avaliação por pares, realizada em grupo, compreende a avaliação de um projeto trabalho de outro grupo e a entrega de um relatório de avaliação (de acordo com o template fornecido) antes do workshop de avaliação.
A avaliação em época especial é composta por uma prova escrita (50%) e um trabalho prático (50%).

Obrigatória

- Tominski, C. & Schumann, H. (2019) Interactive Visual Data Analysis. CRC Press, USA.
- Setlur, V. and Cogley, B. (2022) Functional Aesthetics for Data Visualization. Wiley, USA.
- Friendly, M. & Wainer, H. (2021) A History of Data Visualization & Graphical Communication. Harvard University Press, USA.
- Nussbaumer Knaflic, C. (2019) Storytelling with data: let’s practice! Wiley, USA.
- Cairo, A. (2023) The Art of Insight: How Great Visualization Designers Think. Wiley, USA.
- Cairo. A. (2019) How Charts Lie: Getting Smarter about Visual Information. WW Norton & Co., USA.
- Cairo, A. (2016) The Truthful Art: Data, Charts and Maps for Communication. New Riders
- Munzner, T. (2014) Visualization Analysis and Design. AK Peters Visualization Series, CRC Press, USA.
- Lupi, G. & Posavec, S. (2016) Dear Data. Princeton Architectural Press.
- Lupi, G. & Posavec, S. (2018) Observe, Collect, Draw!: A Visual Journal. Princeton Architectural Press.

Opcional

- Nussbaumer Knaflic, C. (2015) Storytelling with data: a data visualization guide for business professionals. Wiley, USA. - Preece, J., Rogers, Y., and Sharp, H., (2007) - Interaction Design: Beyond HCI. Wiley - Organ, N. (2024) Data Visualization for People of All Ages. CRC Press, USA. - Grant, R. (2019) Data Visualization. CRC Press, USA. - Evergreen, Stephanie (2016). Effective Data Visualization: The Right Chart for the Right Data. USA. SAGE Publications Ltd

A natureza da UC não permite definir um programa com matérias concretas, pois procura aplicar competências já adquiridas para alcançar o objetivo de conclusão da dissertação de mestrado. Não obstante, algumas das matérias constantes da UC compreendem:
CP1: Introdução à investigação
CP2: Formulação do problema e objetivos de investigação (proposta de dissertação e capítulo de Introdução)
CP3: Boas práticas para o desenvolvimento do estado da arte (revisão de literatura)
CP4: Metodologias de investigação: design science, case study, e investigação por questionário
CP5: Boas práticas de escrita científica e apresentação de trabalhos de investigação

A dissertação deverá ser defendida em provas públicas onde se avaliarão a componente técnica, a forma do trabalho escrito e a apresentação e defesa pública. A Dissertação ou Projeto deve ser apresentada de acordo com as normas e prazos estabelecidos pelo Iscte. A presença nas aulas de seminário é fundamental para o desenvolvimento do projeto. Será facultada ao júri da dissertação/projeto a informação sobre a assiduidade de cada aluno/a aos seminários desta UC.

São realizados dois seminários de monitorização da Dissertação ou Projeto com foco no:
1. Projeto de Dissertação e Estado da Arte (no 1º semestre);
2. Relatório de Progresso (no 2º semestre).

Avaliação ao longo do semestre (no 1º semestre) inclui os seguintes entregáveis: proposta de dissertação, capítulo de introdução, capítulo de revisão de literatura, planeamento das fases seguintes e uma apresentação sobre o trabalho em curso.

Avaliação ao longo do semestre (no 2º semestre) inclui os seguintes entregáveis: relatório de progresso e uma apresentação sobre o trabalho em curso.

Em cada semestre, os entregáveis devem ser entregues ao docente coordenador da UC antes dos seminários de monitorização. Os alunos recebem feedback formativo durante os seminários de monitorização e em cada aula de seminário em regime de tutoria.
A presença e participação nos seminários de monitorização é obrigatória.
É obrigatória a entrega de todos os entregáveis da avaliação ao longo do semestre (1º e 2º semestre).

Obrigatória

Oates, B. (2006) Researching Information Systems and Computing (1st ed.). Sage Publications- Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA) 2020 Statement. https://www.prisma-statement.org/prisma-2020 - Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A Design Science Research Methodology for Information Systems Research. Journal of Management Information Systems, 24(3), 45–77. https://doi.org/10.2753/MIS0742-1222240302- Patton, M. Q. (2014) Qualitative Research & Evaluation Methods: Integrating Theory and Practice (4th ed.). Sage Publications- Yin, R. (2017) Case Study Research and Applications: Design and Methods (6th ed.). Sage Publications.

Opcional

- Oliveira, L. A. (2011) Dissertação e Tese em Ciência e Tecnologia segundo Bolonha: Guia de boas práticas. Lidel
- Oliveira, L. A. (2018) Escrita Científica: da folha em branco ao texto final. Lidel

CP1: Gestão Ágil de Projetos: SCRUM.
CP2: Os Ciclos de Vida de Projeto de BI e suas características.
CP3: Boas práticas de Gestão de Projeto de BI e Modelos de Maturidade de BI.
CP4: O Planeamento da Gestão de um Projeto de BI. As fases de Análise e Desenho de um Projeto de BI.
CP5: A Monitorização e Controlo de um Projeto de BI. As fases de Construção, Pré-Produção, e Produção de um Projeto de BI. Fecho de um Projeto de BI.
CP6: Metodologia ágil de execução de um Projeto de BI.
CP7: Conceitos e casos práticos de Gestão da relação com o Cliente e da Gestão de um Portfolio.
CP8: Ética e Regulamento Geral de Proteção de Dados (RGPD).
CP9: Governação de dados: elementos, âmbito e principais intervenientes.
CP10: Fatores críticos de sucesso de projetos de BI.

O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um projeto.

A avaliação ao longo do semestre é composta pelas seguintes componentes:
- Projeto (em grupo, com nota individual) (90%): inclui entregas e apresentações intermédias e uma apresentação final.
- Participação nas aulas/realização de exercícios nas aulas: 10%

Nota mínima de 10 nas duas componentes da avaliação ao longo do semestre. Os grupos de trabalho são de 3 a 4 elementos. Não há possibilidade de realização de projetos individuais.

Critérios de elegibilidade para a avaliação ao longo do semestre: assiduidade às aulas mínima de 60%. É obrigatória a presença de todos os alunos nas aulas que envolvam a realização de exercícios práticos que sejam considerados para avaliação, nas apresentações intermédias e na apresentação final do projeto.
O projeto tem quatro entregas intermédias vinculativas para continuar em avaliação ao longo do semestre e uma apresentação final. Cada grupo receberá feedback informal e formativo sobre as entregas intermédias para permitir melhorar a qualidade do projeto e da apresentação final. Quem não realizar as entregas parciais do projeto passa a ser avaliado por exame.

A apresentação final do projeto decorre na última semana de aulas.
Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota, em 1ª época, 2ª época e época especial.

Obrigatória

- Materiais diversos fornecidos pelos docentes da UC.
- A Guide to the Project Management Body of Knowledge PMBOK Guide - 7th Edition (2021) Project Management Institute.
- Marchewka, J.T. (2012) Information Technology Project Management - 4th Edition. Wiley.
- Carroll, J. & Morris, D. (2012). Agile Project Management in easy steps – 2nd Edition. In Easy Steps Limited.
- Hughes, R. (2012) Agile Data Warehousing Project Management: Business Intelligence Systems Using Scrum - 1st Edition. Morgan Kaufmann.
- Corr, L. (2011) Agile Data Warehouse Design: Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press.
- DAMA International (2017) DAMA-DMBOK - Data Management Body of Knowledge (2nd Edition). Technics Publications.
- Plotkin, D. (2021) Data Stewardship: An Actionable Guide to Effective Data Management and Data Governance (2nd Edition). Academic Press, Elsevier.

Opcional

- Pressman, R. (2009) Software Engineering: A Practitioner's Approach- 7th Edition. McGraw-Hill Education. - Meredith, J. R., Mantel, S. J., & Jr. (2011). Project Management: A Managerial Approach. John Wiley & Sons. - Carroll, J. (2012). Effective Project Management in Easy Steps. In Easy Steps. - Ladley, J. (2020) Data Governance: How to Design, Deploy, and Sustain an Effective Data Governance Program (2nd Edition). Academic Press, Elsevier. - Moss, L. & Atre, S. (2003) Business Intelligence Roadmap: the Complete Project Lifecycle for Decision-Support Applications. Addison-Wesley.

Introdução
CP1: Utilidade de grandes quantidades de texto, desafios e métodos atuais
CP2: Informação não estruturada vs. (semi-)estruturada
CP3: Obtenção e filtragem de informação, extração de informação e Data Mining
Representação de documentos
CP4: Preparação e limpeza de documentos
CP5: Extração de propriedades
CP6: Estratégias de pesagem de termos
CP7: Modelos de espaços vectoriais
CP8: Medidas de similaridade
Processamento Computacional da Língua
CP9: Modelos de língua
CP10: Morfologia e análise morfossintática
CP11: Estruturas complexas: análise sintáctica
CP12: Extração de informação
Classificação de Texto
CP13: Introdução à aprendizagem automática estatística
CP14: Medidas de avaliação
CP15: Classificadores generativos
CP16: Classificadores discriminativos
CP17: Aprendizagem não supervisionada
CP18: Recursos para Text Mining
Casos de Estudo
CP19: Análise de sentimento
CP20: Identificação de tópicos

Apenas é possível obter aprovação a esta UC por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame.

Componentes de avaliação:
a) TESTES (2 mini-testes: 5% cada, teste final: 30%), realizados durante o período letivo;
b) TRABALHOS (2 trabalhos, 30% cada), entregues e apresentados durante o período letivo.

Os trabalhos podem ser realizados individualmente ou em grupo, sendo o número de elementos do grupo definido nos enunciados dos trabalhos.

Não existindo notas mínimas, a nota de TRABALHOS está limitada à nota de TESTES + 6 valores. Exemplos de cálculo da nota final:

TRABALHOS = 20, TESTES = 14 --> Nota Final = 18
TRABALHOS = 20, TESTES = 10 --> Nota Final = 14 (a nota da componente TRABALHOS foi limitada a 16 valores = 10 + 6)

Em caso de reprovação, a nota de TESTES pode ser substituída por uma prova escrita a realizar no período de avaliação correspondente à 1º época, 2ª época ou época especial.

Os estudantes poderão melhorar a nota da componente TESTES através de uma prova escrita, a realizar durante o período de avaliação correspondente à 1ª época. Os estudantes que o pretendam fazer, devem informar os docentes assim que forem divulgadas as notas da avaliação periódica.

A assiduidade não é requisito de aprovação.

Obrigatória

Charu C. Aggarwal, Machine Learning for Text, 2018, null, https://link.springer.com/book/10.1007/978-3-319-73531-3
Gabe Ignatow, Rada F. Mihalcea, An Introduction to Text Mining: Research Design, Data Collection, and Analysis — 1st Edition, 2017, null, https://methods.sagepub.com/book/an-introduction-to-text-mining
Dan Jurafsky and James H. Martin, Speech and Language Processing (3rd ed. draft), 2020, null, https://web.stanford.edu/~jurafsky/slp3/

Opcional

Atefeh Farzindar and Diana Inkpen, Natural Language Processing for Social Media, Second Edition. Synthesis Lectures on Human Language Technologies, 2018, null, https://link.springer.com/book/10.1007/978-3-031-02167-1
Jacob Eisenstein, Introduction to Natural Language Processing, 2019, null, https://mitpress.mit.edu/9780262042840/introduction-to-natural-language-processing/