Disciplina Ciência de Dados Avançada

A cadeira 'Ciência de Dados Avançada' desenvolve uma prática analítica rigorosa fundamentada no Ames Housing Dataset como caso de estudo principal ao longo do semestre. As aulas conduzem os estudantes desde a caracterização dos dados, tipologias de variáveis, diagnóstico de missing data e avaliação da qualidade, passando pela análise de associações e colinearidade, até à construção e avaliação de modelos preditivos. Um dos temas essenciais é a redução de dimensionalidade com diversas técnicas (SVD, PCA e modelos fatoriais), com ênfase na aplicação correta em pipelines de modelação e na interpretação como hipóteses de variáveis latentes. As semanas finais abordam avaliação de modelos orientada à decisão, interpretability e algorithmic fairness. A reprodutibilidade é transversal: os estudantes trabalham em Python notebooks desde o início, culminando num relatório reprodutível sujeito a revisão por pares.

Não aplicável

Advanced predictive modelling: modelos de regressão e classificação com conjuntos de dados complexos e análise de erros. Tratamento e interpretação de missing data: padrões de ausência (MCAR, MAR, MNAR), aplicação de estratégias de imputação condicionais e fundamentadas. Data typing e estrutura de dados: definição analítica de tipos de variáveis, criação de dicionários de dados e compreensão da relação entre codificação e significado estatístico. Feature engineering e dimensionality reduction: aplicação de SVD, PCA e factor analysis para a geração de novas representações estruturadas. Performance metrics e model explainability (XAI): avaliação com métricas robustas (MAE, RMSE, PR-AUC), permutation importance e SHAP. Algorithmic fairness e avaliação de viés: fairness (paridade demográfica, equalized odds), análise e comunicação de vieses em modelos preditivos. Reprodutibilidade e boas práticas profissionais: projetos reprodutíveis e relatórios.  

Peer review interativo: feedback colaborativo entre estudantes para aperfeiçoar a aprendizagem mútua. Jornadas de imersão: sessões práticas que complementam as aulas teóricas. Aprendizagem baseada em projetos: desenvolvimento de projetos que abrangem todo o ciclo de vida da ciência de dados. Python notebooks: ferramenta principal para codificação interativa e documentação reprodutível. Vibecoding (codificação assistida por IA generativa a partir de instruções em linguagem natural): enriquecimento das componentes práticas, permitindo iteração rápida sobre soluções analíticas.

Gelman, A., Hill, J., & Vehtari, A. (2020). Regression and Other Stories. Cambridge University Press. Little, R. J. A., & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. Note. Students are not expected to buy any books for this module.