M4140 - ECTS 1. Capacitar o aluno para análises de regressão envolvendo respostas contínuas ou discretas (modelos lineares generalizados)
2. Implementar análises estatísticas num software adequado
3. Promover o espírito crítico num processo de análise de dados (recolha de dados, modelação, interpretação dos resultados, ...)

M4136 - ECTS Conhecimento dos principais métodos e princípios computacionais subjacentes à análise e inferência estatística modernas e aplicação à análise de vários tipos de dados.

M4141 - ECTS

1. Identificação correta de cenários de regressão e do modelo correspondente
2. Realização independente da análise estatística e implementação adequada em R 
3. Interpretação correta dos resultados obtidos, quer com efeitos aditivos quer com efeitos de interação
4. Avaliação da qualidade do ajustamento do modelo 
5. Análise crítica dos resultados

M4138 - ECTS Aquisição de uma base sólida de conhecimentos em estatística indutiva e desenvolvimento de capacidades e engenho em técnicas de modelação estatística, fundamentais para a apresentação, tratamento e interpretação de conjuntos de dados

CC4094 - ECTS Pretende-se que os alunos:
1. Se familiarizem com a utilização dos pricipais métodos de aprendizagem supervionada e não supervisionada para análise e apoio à decisão.
2. Aprendam a formalizar modelos de otimização e análise prescritiva em programação matemática.
3. Se familiarizem com linguagens e bibliotecas para a resolução destes problemas.
4. Desenvolvam competências fazer uma análise crítica de soluções obtidas.

M4137 - ECTS

Introduzir os conceitos e métodos fundamentais de classificação supervisionada e não supervisionada.

M4155 - ECTS

Na maioria das disciplinas científicas, as hipóteses são avaliadas e validadas aplicando-se ferramentas estatísticas a dados experimentais ou observacionais.

Dois paradigmas distintos dominam o cenário estatístico: as abordagens frequencista  e bayesiana, ambas tratadas com detalhe noutras ucs deste ciclo de estudos.

Os objetivos da aprendizagem estatística são compreensão e previsão. Enquadra-se em várias categorias, incluindo aprendizagem supervisionada, não supervisionada, semi-supervisionada e aprendizagem por reforço.  O objetivo desta uc é tratar cada uma destas categorias, as áreas de aplicação de cada uma, metodologias de realização através de arquiteturas de redes neuronais (profundas) e implementação computacional usando tensorflow e keras.

Serão usados vários tipos de arquiteturas de redes neuronais: multicamadas (feedforward); convolutivas, recursivas, generativas e outras. Serão tratados processos de otimização de redes e de regularização, e problemas de aplicação prática em várias áreas científicas e tecnológicas.

Objetivos e competências:

1. Distinguir com clareza as diferentes categorias de aprendizagem acima referidas
2. Distinguir as diferentes arquiteturas de redes neuronais referidas
3. Implementar essas arquiteturas com tensorflow e keras

Perante uma situação concreta escolher a metodologia de aprendizagem apropriada e a sua implementação computacional.

M4139 - ECTS Introdução ao tratamento e visualização interativa de dados. É dada particular atenção à criação de ferramentas de análise estatística dinâmicas.

Pretende-se que o estudante adquira familiaridade com software para apresentação de relatórios e integração de análise estatística, nomeadamente Microsoft PowerBi e R.