-
Apresentação
Apresentação
A disciplina de Introdução à Ciência de Dados tem como objectivo dar ao estudante competências essenciais na análise de dados, numa perspetiva multidisciplinar, como se trata a Ciência de Dados. Através da apresentação de metodologias e técnicas fundamentais para tratar, transformar, construir e analisar os dados, é objectivo desta disciplina dar ao estudante capacidade para traduzir essa análise em conhecimento e valor, de modo sustentado para a tomada de decisão. A componente prática é um dos aspetos fundamentais da disciplina, pelo que a capacidade de traduzir conhecimento em ações práticas e decisões de análise é particularmente valorizada. A ligação estreita ao mundo empresarial para resposta a perguntas de negócios será retratada nesta disciplina.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Mestre | Semestral | 7
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
1 | Obrigatório | Português
-
Código
Código
ULHT6347-23265
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
1. Introdução à Ciência de Dados: Importância e aplicações da Ciência de Dados Worflow de Projectos: Exemplos Práticos Tipos de dados: Estruturados, Semi-estruturados e não estruturados Principais desafios na Ciência de Dados 2. Python para Ciência de Dados Setup: Jupyter notebook NumPy Pandas ydata-profiling 3. Pré-processamento de dados Limpeza e preparação de dados estruturados (data wrangling: slicing, grouby, pivoting, missing values, imputation, duplicates, outliers, etc) Tratamento de dados não estruturado - Texto (lemmatisation, stemming, etc.) 4. Introdução ao Machine Learning, modelos superviosionados e não superviosionados Conceitos base Regressão Linear Regressão Logística Redução de Dimensionalidade (PCA) 5. Micro-Serviços e fundamentos de APIs Definição de API Desenho de APIs Implementação de APIs em Python Operação de APIs num contexto de processo de previsão
-
Objetivos
Objetivos
A disciplina tem como objetivos dar ao aluno as competências para: OA1. Compreender a importância da Ciência de Dados no mundo real OA2. Compreender a natureza dos dados OA3. Entender as principais técnicas e métodos, em programação Python, usados por cientistas de dados, através da sua prática OA4. Ser capaz de proceder a tarefas básicas de preparação e pré-processamento de dados OA5. Fazer análise exploratórias de dados com implementação em Python OA6. Entender o fluxo de trabalho de um cientista de dados e ser capaz de pensar sobre a solução de problemas com dados OA7. Entender e implementar métodos de aprendizagem automática, supervisionados e não supervisionados OA8. Conhecer as métricas de avaliação do desempenho de um modelo OA9. Entender o conceito de API e desenhar micro serviços num contexto de análise de dados OA10. Ser capaz de implementar APIs que suportem métodos de aprendizagem automática em Python
-
Metodologias de ensino
Metodologias de ensino
Nas aulas, introduzem-se os conceitos teóricos que são complementados com exemplos práticos reais. Os alunos são incentivados a resolver exercícios assim como a apresentar quaisquer dúvidas. Para cada tópico é apresentado um conjunto de exercícios de aplicação dos conceitos teóricos, procedendo-se ao acompanhamento da resolução dos mesmos e apresentando-se a resolução final. Materiais de apoio e exercícios com sugestões de resolução serão disponibilizados no Moodle. Acredita-se que a avaliação contínua, adaptada de acordo com a evolução dos alunos, seja uma boa prática. O acompanhamento individual e a disponibilidade para esclarecer dúvidas, sempre que necessário, é essencial para o aluno e para o seu desempenho.
-
Bibliografia principal
Bibliografia principal
Grus, J. (2019). Dafa science from scratch: first princples with Python . O'ReiIIy Media.
-
Avaliação
Avaliação
Instrumentos A avaliação é realizada em regime de avaliação contínua ou por exame final em época de recurso. A avaliação contínua consiste na realização de 1 quizze de 30 minutos (cuja média corresponde a 40% da nota final), 1 trabalho computacional e apresentação oral presencial de 15 minutos (cuja média corresponde a 60% da nota final). Dispensam de exame os alunos que obtenham nota final não inferior a 10 valores (escala de 0 - 20 valores).
Descrição
Data limite
Ponderação
1 Quiz
A definir
40%
1 Projecto computacional e apresentação
A definir
60%
Exame Final (Época Recurso) A definir 100%
-
Mobilidade
Mobilidade
Não
