Currículo
Data Analytics for Financial Decision Making DAFDM
Contextos
Groupo: Management > 2º Ciclo > Parte Escolar > Unidades Curriculares Optativas > Major Streams "Financial & Operations Management"
ECTS
3.0 (para cálculo da média)
Objectivos
Objetivos de Aprendizagem • LO1: Compreender os fundamentos da análise de dados financeiros. • LO2: Adquirir competências na coleta, limpeza e preparação de dados. • LO3: Aplicar técnicas analíticas (descritiva, preditiva e prescritiva) em finanças. • LO4: Usar ferramentas de análise de dados e softwares financeiros. • LO5: Interpretar e comunicar resultados analíticos de forma eficaz. • LO6: Integrar a análise de dados nas estratégias de tomada de decisão financeira. Competências • Pensamento analítico: Analisar dados financeiros complexos. • Proficiência técnica: Usar ferramentas de análise relevantes. • Avaliação crítica: Avaliar dados e resultados para tomada de decisão. • Comunicação: Comunicar descobertas analíticas de forma clara. • Resolução de problemas: Aplicar técnicas analíticas em problemas financeiros. • Colaboração: Trabalhar em equipe para projetos de análise de dados. • Aprendizagem contínua: Adaptar-se a novas tecnologias analíticas.
Programa
Sessão 1: Introdução à Análise de Dados em Finanças • Importância da análise de dados na tomada de decisões financeiras • Tipos de dados • Tipos de aprendizagem • Modelos paramétricos vs. não paramétricos • Sobre ajustamento e validação cruzada Sessão 2: Modelos lineares paramétricos • Modelo de regressão linear • Regressão Ridge e LASSO • Regressão logística Sessão 3: Modelos não paramétricos: Modelos KNN • Regressão K-vizinhos mais próximos • Classificação K-vizinhos mais próximos Sessão 4: Modelos não paramétricos: Modelos de árvore de decisão • Árvores de regressão • Árvores de classificação • Métodos de ensemble Sessão 5: Redes neuronais e aprendizagem profunda • Redes neuronais • Retropropagação Sessão 6: Aprendizagem não-supervisionada • Análise de componentes principais • Análise de agrupamento
Método de Avaliação
Metodologias de Ensino e Aprendizagem: • Aulas interativas que combinam conceitos teóricos com exercícios práticos • Workshops focados na utilização de softwares e ferramentas de análise de dados • Discussões em grupo para analisar estudos de caso e dados financeiros Avaliação: Exame Final (abrangendo conceitos e ferramentas chave discutidos em aula) 100%
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 72.0
Carga Total -
Bibliografia
Principal
- Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc.: Géron, A. 2022
- Deep learning with Python. Simon and Schuster.: Chollet, F. 2021
- Python for finance: mastering data-driven finance. O'Reilly Media.: Hilpisch, Y. 2018
- An Introduction to Statistical Learning with Applications in Python. Springer.: Gareth, J., Daniela, W., Trevor, H., & Robert, T. Gareth, J., Daniela, W., Trevor, H., & Robert, T. 2024