Introdução à Ciência de Dados

Código:

CC4060

Sigla:

CC4060

Nível:

400

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2023/2024 - 1S

Ativa?	Sim
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:BBC	0	PE_Bioinformática e Biologia Computacional	1	-	6	42	162
M:A_ASTR	8	Plano de estudos a partir do ano letivo 2023/2024	1	-	6	42	162
			2
M:BBC	22	Plano estudos a partir de 2018	1	-	6	42	162
M:CTN	6	Plano Oficial a partir de 2020_M:CTN	1	-	6	42	162
M:DS	24	Plano Oficial a partir de 2018_M:DS	1	-	6	42	162
M:EGEO	1	Plano de Estudos Oficial	1	-	6	42	162

Língua de trabalho

Português - Suitable for English-speaking students
Obs.: As aulas serão em inglês no caso de haver estudantes que não falam português. Todos os materiais estão em inglês. Classes are in English iin case there are non-Portuguese speaking students. All materials are in English.

Objetivos

Os estudantes irão obter uma perspectiva global dos diferentes passos num projecto de Ciência de Dados. Para cada um destes passos, algumas das técnicas e métodos principais serão apresentados, sendo detalhes adicionais abordados em unidades curriculares mais específicas.

Resultados de aprendizagem e competências

Os alunos deverão:
- conhecer todos os passos de um projecto de ciência de dados e respectivas operações mais comuns; 
- identificar tipos diferentes de problemas de ciência de dados;
- selecionar justificadamente métodos, algoritmos e ferramentas adequadas para a resolução desses problemas
- aplicar justificadamente métodos, algoritmos e ferramentas para a resolução desses problemas
- explicar os fundamentos dos métodos, algoritmos e ferramentas
- avaliar os resultados e propôr melhoramentos
- conhecer especificidades da aplicação de soluções de ciência de dados em ambiente de produção

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Conhecimentos de programação, sobretudo em Python ou R
Conhecimentos de estatística

Programa

O modelo CRISP-DM. Recolha de dados e pré-processamento. Modelação e diferentes tipos de problemas de aprendizagem. Algoritmos de ciência de dados. Métodos de avaliação de modelos. Colocação de modelos em produção.

Bibliografia Obrigatória

Jake VanderPlas; Python Data Science Handbook, O'Reilly, 2016. ISBN: 978-1-491-91205-8

Métodos de ensino e atividades de aprendizagem

Aulas teórico-práticas com exposição de conteúdos teóricos e resolução de problemas.

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Trabalho prático ou de projeto	35,00
Exame	40,00
Teste	25,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	78,00
Estudo autónomo	42,00
Frequência das aulas	42,00
Total:	162,00

Obtenção de frequência

Nota superior a zero no trabalho prático e no teste. Resposta a questões de aula submetidas online.

Fórmula de cálculo da classificação final

Melhoria de classificação

Os trabalhos não podem ser considerados para melhoria na época de recurso