Data-Driven Decision Making
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2022/2023 - 2S
Ciclos de Estudo/Cursos
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
1. Introdução: exemplos de utilização de inteligência artificial e otimização.
2. Análise de dados: casos de estudo em Python.
3. Problemas de regressão: enquadramento e casos de estudo.
4. Problemas de classificação: enquadramento e casos de estudo.
5. Árvores de decisão: definição e utilização. Random Forests.
6. Análise de texto: utilização na aquisição de conhecimento.
7. Clustering e métodos de aprendizagem não supervisionada.
8. Otimização linear: formulação e resolução computacional.
9. Otimização inteira: formulação e resolução computacional.
10. Otimização não linear: formulação e resolução computacional.
11. Considerações finais. Impacto da matéria lecionada nas organizações.
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.