Modelação e Análise de Dados II

Código:

2MiF17

Sigla:

MDA 2

Áreas Científicas
Classificação	Área Científica
OFICIAL	Estudos de Gestão

Ocorrência: 2022/2023 - 1S

Ativa?	Sim
Curso/CE Responsável:	Mestrado em Finanças

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIF	33	Plano Oficial a partir de 2020-2021	2	-	6	42	162

Língua de trabalho

Inglês

Objetivos

Desenvolver competências de elaboraração e utilização de projetos de extração de conhecimento.

Resultados de aprendizagem e competências

A elaboração de um projeto requer conhecer os vários tipos de tarefas de extração de conhecimento de dados (Data Mining), conhecer os principais métodos e algoritmos para cada tipo de tarefa, serem capazes de aplicar esses métodos a um novo problema de análise de dados, serem capazes de avaliar os resultados e compreender o funcionamento dos métodos estudados.

Modo de trabalho

Presencial

Programa

1. Conceitos básicos de aprendizagem automática




1. Conhecimento: Generalização e especialização. Representação de conhecimento;


2. Tipologia dos problemas de extração de conhecimento;


3. Ferramentas de data mining.




2. Análise Exploratória de Dados




1. Coleção;


2. Exploração Inicial dos Dados;




1. Limpeza dos Dados;


2. Visualização dos Data;


3. Seleção dos Atributos;


4. Valores extremos (outliers);


5. Valores em falta;




3. Análise Exploratória dos Dados;


4. Visualização gráfica dos Dados;




3. Modelação Preditiva




1. Métodos baseados em distâncias: o algoritmo do k-NN;


2. Métodos Probabilísticos: classificadores Bayesianos.


3. Métodos baseados em Procura: árvores e regras de decisão. O algoritmo de cobertura.


4. Métodos baseados em otimização: SVM e ANN;


5. Avaliação de modelos de classificação e regressão: métricas, custos. análise ROC;


6. Métodos de combinação de modelos;


7. Pré-processamento: valores desconhecidos, discretização, outliers.




4. Modelação descritiva:




1. Análise de associação: conjuntos frequentes e regras de associação;


2. Análise de agrupamentos.




5. Conclusões finais




1. Metodologias de projetos de data mining;


2. Dimensão Ética no Data Mining.

Bibliografia Obrigatória

Ian H. Witten; Data mining. ISBN: 1-55860-552-5
Jiawei Han; Data mining. ISBN: 978-0-12-381479-1

Bibliografia Complementar

João Manuel Portela da Gama; Extração de conhecimento de dados. ISBN: 978-972-618-914-5

Métodos de ensino e atividades de aprendizagem

O curso funciona em regime de Laboratório, baseado em módulos. A metodologia de ensino em cada módulo é estruturada do seguinte modo:

• descrição do problema financeiro a resolver;


• identificação com explicação dos métodos computacionais para a sua resolução;


• exercícios (sedimentação e exploração de conhecimentos).

Software

Jupyter
Python
R

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Apresentação/discussão de um trabalho científico	20,00
Teste	30,00
Trabalho prático ou de projeto	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	60,00
Frequência das aulas	42,00
Trabalho escrito	20,00
Trabalho laboratorial	40,00
Total:	162,00

Obtenção de frequência

De acordo com o Regulamento Geral para a Avaliação dos discentes de primeiros ciclos
e de segundos ciclos da Faculdade de Economia da Universidade do Porto todos os estudantes inscritos tem frequência nas Unidades Curriculares. (artigo 10º ponto 5)

Fórmula de cálculo da classificação final

30% avaliação individual + 70% trabalho de grupo (2 trabalhos com o mesmo peso)