Código: | CC4018 | Sigla: | CC4018 | Nível: | 400 |
Áreas Científicas | |
---|---|
Classificação | Área Científica |
OFICIAL | Ciência de Computadores |
Ativa? | Sim |
Unidade Responsável: | Departamento de Ciência de Computadores |
Curso/CE Responsável: | Mestrado em Ciência de Computadores |
Sigla | Nº de Estudantes | Plano de Estudos | Anos Curriculares | Créditos UCN | Créditos ECTS | Horas de Contacto | Horas Totais |
---|---|---|---|---|---|---|---|
M:AST | 6 | Plano de Estudos oficial desde_2013/14 | 1 | - | 6 | 42 | 162 |
2 | |||||||
M:CC | 19 | PE a partir do ano letivo de 2014 | 1 | - | 6 | 42 | 162 |
MI:ERS | 26 | Plano Oficial desde ano letivo 2014 | 4 | - | 6 | 42 | 162 |
M:SI | 0 | Plano de estudos a partir de 2014/2015 | 1 | - | 6 | 42 | 162 |
Esta disciplina tem como objetivos principais fazer uma introdução às principais metodologias de data mining, e também fornecer conhecimentos sobre programação para a análise de dados usando a linguagem R.
Pretende-se que os(as) alunos(as):
1. adquiram competências teóricas sobre metodologias de data mining,
2. adquiram competências de desenvolvimento de software para tarefas de data mining,
3. adquiram competências sobre a aplicação do data mining a problemas concretos.
1. Introdução ao Data Mining
• Dados, modelos e padrões
• Tarefas de data mining
• Introdução ao processo de data mining
2. Exploração e visualização de dados
• Sumariação de dados
• Visualização de dados
3. Modelos descritivos
• Métodos de agrupamento
- Métodos de partições
- Métodos hierárquicos
• Detecção de casos raros
4. Modelos de previsão
• Problemas de classicação e regressão
• Modelos matemáticos
- Regressão linear
- Naive Bayes
- k Vizinhos mais próximos
• Modelos baseados em regras
- Aprendizagem como procura
• Árvores de decisão
- Árvores de classicação
- Árvores de regressão
- Métodos de pruning
• Redes neuronais
• Máquinas de suporte vectorial
• Ensembles
- Bagging
- Boosting, AdaBoost
5. Metodologias de avaliação/comparação de modelos
• Medidas de avaliação
• Métodos de obtenção de estimativas áveis
• Métodos de comparação / testes de signicância
Nas aulas é usado o método expositivo, sendo apresentada uma visão organizada dos temas do programa, bem como exemplos práticos de aplicação dos mesmos.
Designação | Peso (%) |
---|---|
Teste | 65,00 |
Trabalho escrito | 35,00 |
Total: | 100,00 |
Para a obtenção da frequência os alunos deverão participar nos dois testes teóricos previstos na unidade curricular.
A avaliação da disciplina é distribuída, sem exame final, composta por dois (2) testes teóricos durante o semestre e um trabalho prático no final do semestre.
O cálculo da classificação final é feito pela média pesada das notas práticas e teóricas através da fórmula:
NF = 0.65 * NTeórica + 0.35 * NPrática
em que,
NTéorica é a média das notas nos dois testes teóricos e
NPrática é dada pela realização de um trabalho prático.
Os testes teóricos terão lugar durante duas aulas teóricas, sensivelmente a meio do semestre e no final do mesmo.
O trabalho prático será anunciado sensivelmente a meio do semestre e deverá ser entregue no final do mesmo.
Os estudantes em regime especial de avaliação, bem como alunos que justifiquem a sua ausência podem realizar os testes teóricos em data e hora a combinar com o docente.
Dado a avaliação ser distribuída e não ser realizado um exame final, não há lugar a exames de melhoria, recurso ou de época especial.