Disciplina Data Sciences em Biotecnologia

A presente Unidade Curricular visa a compreensão de conceitos associados à Ciência dos Dados (Data Science) orientados à biotecnologia e áreas similares. O aluno é introduzido à formulação matemática de ferramentas dos domínios da Estatística e Probabilidade, que possibilitam a implementação, desenvolvimento e interpretação, de scripts em linguagem Python. Neste sentido, através de mecanismos de aprendizagem supervisionada e não supervisionada, o aluno fica capacitado para gerar soluções que congreguem funcionalidades de processamento, análise e visualização de data sets relevantes, podendo estes ser extensivos (big data) ou não.

Completa-se ainda a pertinência desta Unidade Curricular com o estudo e modelação de aplicações no domínio biotecnológico como a previsão de doenças em seres vivos, até efeitos em agriculturas modificadas geneticamente, com intuito de suportar a tomada de decisão quer em investigação académica ou em bionegócio.
 

1. Introdução à Data Science em Biotecnologia
2. Tópicos em Matemática orientada a Data Science
3. Data Munging. Pontuações e Rankings.
4. Análise Estatística
5. Visualização de Dados
6. Modelos Matemáticos em Data Science
7. Álgebra Linear
8. Métodos de Distância e Redes
9. Machine Learning
10. Big Data
     

Nas aulas teóricas são apresentados os conteúdos do programa, com recurso a apresentações e simulações, estimulando a discussão entre os alunos e docente. Nas aulas teórico-práticas, os alunos resolvem exercícios com transição progressiva de complexidade.

A avaliação pode ser contínua ou não contínua.

A avaliação contínua compreende prova escrita (componente teórica, CT) e entrega de dois exercícios resolvidos durante o semestre (componente teórico-prática, CTP). A CT consiste na realização de duas frequências ou de um exame. A CTP consiste na entrega de dois exercícios resolvidos via Moodle, não havendo nota mínima. A nota final à Unidade Curricular, resulta do cálculo: Nota Final = 50% CT + 50% CTP, onde CT e CTP são respetivamente as médias das provas prestadas no âmbito de cada componente.

Alternativamente, o aluno pode no início do semestre selecionar o modo de avaliação não contínua. Assim, o aluno é submetido a exame, tendo este que ter nota mínima de 9.5 para aprovação.
 

• Trevor Hastie, Robert Tibshirani, Jerome Friedman (2009) The  Elements  of  Statistical  Learning:  Data  Mining,  Inference,  and  Prediction. 2nd edition. Springer (ISBN-13: 978-0387848570)
• Laura Igual, Santi Segui (2017) Introduction  to  Data  Science:  A  Python  Approach  to  Concepts,  Techniques,  and  Applications. 1st edition. Springer (ISBN-13: 978-3319500164)