Currículo
Programação e Ciência de Dados PCD
Contextos
Groupo: Gestão de Sistemas de Informação > 2º Ciclo > Parte Escolar > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
OA1 Resolver problemas e algoritmos elementares utilizando linguagem de programação OA2 Compreender os principais algoritmos de aprendizagem automática OA3. Resolver problemas utilizando algoritmos de aprendizagem automática. OA4. Aplicar conceitos de Ciência de Dados para analisar problemas empresariais. OA5. Conceber e Elaborar um projeto de ciência de dados OA6. Explicar e Justificar decisões utilizando os modelos concebidos. OA7. Criticar resultados da aplicação de ciência de dados e respetivas limitações
Programa
1. Noções Fundamentais de Programação 1.1. Enquadramento das linguagens de programação 1.2. Variáveis 1.3. Estruturas de Dados 1.4. Fundamentos de Programação: Estruturas de controlo 1.5. Manipulação de texto 1.6. Fundamentos de Programação: Programação Orientada para objetos 1.7. Bibliotecas importantes: Numpy, Pandas 1.8. Visualização de dados 2. Aprendizagem automática: 2.1. Conceitos, inferência, previsão, algoritmos 2.2. Classificação 2.3. Regressão 2.4. Análise do Cluster 2.5. Redução da dimensionalidade 2.6. Aprendizagem supervisionada vs. aprendizagem não supervisionada 3. Processo de Ciência de Dados 3.1. Processo de Ciência de Dados, Planeamento e atribuição de funções no Processo de Ciência de Dados, Compreensão do negócios e dados 3.2. Preparação de Dados 3.3. Modelação e Visualização 3.4. Validação e Implantação nomeadamente em Web 4. Estudos de Caso 4.1. Estudo de Caso 1 4.2. Estudo de Caso 2
Método de Avaliação
A metodologia de ensino é constituída por aulas em que existe Exposição complementadas com apresentação de exemplos práticos (exercícios e casos). Existe um teste que corresponderá a avaliação individual. Esse teste tem um conjunto de exercícios e casos idênticos aos resolvidos em aula. Existe ainda um projeto, em que os estudantes resolvem um problema.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 121.0
Carga Total -
Bibliografia
Principal
- Think Python. How to think like a Computer scientist: Downey, A. 2016 Downey, A. B. (2016). Think Python. 2nd Edition. O’Reilly Media, Inc.
- Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning: Albon, C. 2018 Albon, C. (2018). Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (1 edition). Sebastopol, CA: O’Reilly Media.
- Scikit-learn: Machine Learning in Python: Pedregosa et al. 2011 Pedregosa et al.(2011) Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830
Secundária
- POST-DS: A Methodology to Boost Data Science: Costa, C. J., & Aparicio, J. T. 2020 Costa, C. J., & Aparicio, J. T. (2020). POST-DS: A Methodology to Boost Data Science. In 2020 15th Iberian Conference on Information Systems and Technologies (CISTI) (pp. 1-6). IEEE