Data-Driven Decision Making

Código:

CC4074

Sigla:

CC4074

Nível:

400

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2022/2023 - 2S

Ativa?	Sim
Página Web:	http://www.dcc.fc.up.pt/~jpp/dddm
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Mestrado em Ciência de Dados (Data Science)

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
E:ECAD	0	PE_Estatística Computacional e Análise de Dados	1	-	6	42	162
M:DS	11	Plano Oficial a partir de 2018_M:DS	1	-	6	42	162
			2
M:ECAD	8	Plano Oficial do ano letivo 2021/2022.	1	-	6	42	162
M:ENM	13	Plano de Estudos do M:Engenharia Matemática_2013-2014	1	-	6	42	162
			2

Língua de trabalho

Inglês

Objetivos

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.

Resultados de aprendizagem e competências

Resultados:
1. Conhecimento aplicado de métodos de aprendizagem automática, incluindo regressão linear, regressão logística, CART, clustering e visualização de dados, com ênfase em métodos de aprendizágem interpretáveis.
2. Conhecimento aplicado de otimização e da resolução de modelos de programação matemática com "general-purpose solvers".
3. Saber como implementar todos esses métodos.

Modo de trabalho

Presencial

Programa

Bibliografia Obrigatória

Dimitris Bertsimas; The analytics edge. ISBN: 978-0-9899108-9-7
Géron, A; Hands-on Machine Learning with Scikit-Learn and TensorFlow, O'Reilly Media, 2019. ISBN: 1492032646
Pedregosa, F. et al.; scikit-learn: Machine Learning in Python, 2019

Bibliografia Complementar

Bertsimas, D. and Freund, R.; Data, Models, and Decisions, Dynamic Ideas LLC, 2004

Métodos de ensino e atividades de aprendizagem

- Exposição teórica com discussão de casos de estudo.
- Resolução de problemas, acompanhamento dos projetos.
- Desenvolvimento e apresentação dos projetos práticos pelos estudantes.

Software

Python

Palavras Chave

Ciências Físicas > Matemática > Matemática aplicada > Investigação operacional
Ciências Físicas > Ciência de computadores > Cibernética > Inteligência artificial

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Trabalho prático ou de projeto	80,00
Teste	20,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	40,00
Elaboração de relatório/dissertação/tese	40,00
Frequência das aulas	42,00
Estudo autónomo	40,00
Total:	162,00

Obtenção de frequência

Frequência obrigatória às aulas.
Entrega de obrigatória dos trabalhos propostos.

Fórmula de cálculo da classificação final

Questões de aula ("testes"): 20%
Trabalhos práticos: 80%

Trabalho de estágio/projeto

Serão realizados projetos práticos em grupo.

Avaliação especial (TE, DA, ...)

Idêntica à dos restantes alunos.

Melhoria de classificação

n/a

Observações

Elementos do júri: João Pedro Pedroso, Inês Dutra.