Introdução à Ciência de Dados

Código:

M.IA012

Sigla:

ICD

Áreas Científicas
Classificação	Área Científica
OFICIAL	Engenharia Informática
OFICIAL	Ciência de Computadores

Ocorrência: 2025/2026 - 1S

Ativa?	Sim
Página Web:	https://moodle2526.up.pt/course/view.php?id=7126
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Mestrado em Inteligência Artificial

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.IA	29	Plano de estudos oficial	1	-	6	42	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Esta disciplina tem como objetivos principais fazer uma introdução às principais metodologias de data science, e também fornecer conhecimentos sobre programação e sistemas utilizados para o processamento e a análise de dados, tais como a linguagem Python.

Resultados de aprendizagem e competências

Pretende-se que os(as) alunos(as): 
1. adquiram competências teóricas sobre metodologias de data science, 
2. adquiram competências de desenvolvimento de software para tarefas de data science, 
3. adquiram competências sobre a aplicação de metodologias de data science a problemas concretos.

Modo de trabalho

Presencial

Programa

1. Introdução à Ciência de Dados
• A metodologia CRISP-DM 
• Dados, modelos e padrões
• Tarefas de data mining

2. Técnicas de Pré-processamento de dados
• Importação de dados
• Limpeza de dados 
• Transformação e criação de novas variáveis
• Redução de dimensionalidade

3. Exploração e visualização de dados
• Sumariação de dados
• Visualização de dados

4. Modelos descritivos
• Métodos de agrupamento: métodos de partições, métodos hierárquicos
• Métodos de associação: regras

5. Modelos de previsão
• Problemas de classificação e regressão
• Métricas de avaliação 
• Modelos matemáticos: regressão linear, Naive Bayes, k vizinhos mais próximos
• Árvores de decisão: árvores de classificação, árvores de regressão, métodos de pruning
• Redes neuronais e deep learning
• Máquinas de suporte vectorial
• Ensembles: Bagging, Random Forests, Boosting, AdaBoost, Xgboost 

6. Metodologias de avaliação / comparação de modelos
• Medidas de avaliação
• Métodos de obtenção de estimativas
• Métodos de comparação / testes de significância

Bibliografia Obrigatória

Pang-Ning Tan; Introduction to data mining. ISBN: 9780321420527
Charu C. Aggarwal; Data mining. ISBN: 978-3-319-14142-8
Jiawei Han; Data mining. ISBN: 978-0-12-381479-1

Bibliografia Complementar

Peter Flach; Machine learning. ISBN: 978-1-107-42222-3
Andriy Burkov; The Hundred-Page Machine Learning Book, 2019. ISBN: 978-1999579500
Torgo Luís; Data mining with R. ISBN: 978-1-4398-1018-7

Métodos de ensino e atividades de aprendizagem

Nas aulas é usado o método expositivo, sendo apresentada uma visão organizada dos temas do programa, bem como exemplos práticos de aplicação dos mesmos.

Palavras Chave

Ciências Tecnológicas > Tecnologia > Tecnologia da informação
Ciências Físicas > Ciência de computadores > Ferramentas de modelação
Ciências Físicas > Ciência de computadores > Informática > Informática aplicada
Ciências Tecnológicas > Tecnologia > Tecnologia de computadores > Tecnologia de software

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	70,00
Apresentação/discussão de um trabalho científico	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	84,00
Apresentação/discussão de um trabalho científico	36,00
Frequência das aulas	42,00
Total:	162,00

Obtenção de frequência

Fórmula de cálculo da classificação final

A avaliação da disciplina é composta por um exame final e um trabalho prático no final do semestre. O trabalho será avaliado através de apresentação oral.

O cálculo da classificação final é feito pela média pesada das notas práticas e teóricas através da fórmula:

NF = 0.7 * Exame + 0.3 * Trabalho

Provas e trabalhos especiais

O trabalho prático será anunciado no início do semestre e deverá ser entregue no final do mesmo. 

Avaliação especial (TE, DA, ...)

A avaliação da época especial será feita nos mesmos moldes da avaliação contínua, com exame final. O estudante fará o exame valendo 70%. Poderá ou não apresentar um trabalho se quiser completar os restantes 30%. O trabalho deverá ser entregue e apresentado no período do calendário estipulado para a época especial.

Melhoria de classificação

A avaliação do trabalhos prático não é passível de melhoria.

O estudante pode melhorar a nota teórica submetendo-se ao exame da época de recurso.

Observações

Todo o material disponibilizado (slides, livros recomendados, etc.) é na língua Inglesa e no caso de existirem estudantes estrangeiros, as próprias aulas serão em Inglês.

O material da disciplina será disponibilizado na página correspondente no Moodle.