Saltar para:
Logótipo
Comuta visibilidade da coluna esquerda
Você está em: Início > 2MDA01
Mapa das Instalações
Edifício Principal | Main Building Edifício Pós-Graduações | Post-Graduate Building

Extração de Conhecimento de Dados I

Código: 2MDA01     Sigla: ECD I

Áreas Científicas
Classificação Área Científica
OFICIAL Tecnologia da Informação

Ocorrência: 2020/2021 - 1S Ícone do Moodle

Ativa? Sim
Página Web: http://moodle.up.pt/course/view.php?id=480
Curso/CE Responsável: Mestrado em Modelação, Análise de Dados e Sistemas de Apoio à Decisão

Ciclos de Estudo/Cursos

Sigla Nº de Estudantes Plano de Estudos Anos Curriculares Créditos UCN Créditos ECTS Horas de Contacto Horas Totais
MADSAD 38 Plano Oficial - a partir de 2020/2021 1 - 6 42 162

Docência - Responsabilidades

Docente Responsabilidade
João Manuel Portela da Gama Regente

Docência - Horas

Teorico-Prática: 3,00
Tipo Docente Turmas Horas
Teorico-Prática Totais 1 3,00
João Manuel Portela da Gama 3,00

Língua de trabalho

Inglês

Objetivos

No final do semestre os alunos deverão conhecer os vários tipos de tarefas de extracção de conhecimento de dados (Data Mining), conhecer os principais métodos/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.

Resultados de aprendizagem e competências

Conhecimento de vários tipos de tarefas de extracção de conhecimento de dados (Data Mining), conhecimento de principais métodos/algoritmos para cada tipo de tarefa; capacidade de aplicar esses métodos a um novo problema de análise de dados e de avaliar os resultados e compreender o funcionamento dos métodos estudados.

Modo de trabalho

Presencial

Programa

- Aprendizagem automática, data mining - Desde o OLTP ao OLAP. Bases de dados multidimensionais. - Conhecimento: Representação de conhecimento. Generalização e especialização. - Dados: Exemplos e instâncias de conceitos. Atributos e valores. Ruído e sinal. Representações multi-relacionais. Tipos de atributos. Formatos de dados para sistemas de data mining. Análise exploratória dos dados. - Métodos baseados em distâncias: o algoritmo do k-NN, propriedades. - Métodos Probabilisticos: classificadores Bayesianos. - Métodos baseados em Procura: arvores de decisão e regras de decisão. O algoritmo de cobertura. - Avaliação de modelos de classificação. Custos. Sobre-ajustamento. - Pre-processamento: valores desconhecidos, outliers. - Tópicos avançados em classificação. - Regressão. Avaliação de modelos de regressão. Séries temporais. - Padrões frequentes, regras de associação. - Análise de agrupamentos. - Métodos de Combinação de modelos. Métodos de votação, métodos baseados em amostragem, Combinação hierarquica de modelos. Ferramentas de data mining. - Metodologias de projectos de data mining (CRISP-DM)

Bibliografia Obrigatória

J. Gama, A. Carvalho, K. Faceli, A. Lorena, M. Oliveira; Extração de Conhecimento de Dados, Silabo, 2012. ISBN: 978-972-618-698-4
Jiawei Han; Data Mining: Concepts and Techniques, Moegan Kaufman, 2006
Tom M. Mitchell; Machine learning, McGraw Hill, 1997
an Witten, Eibe Frank; Data Mining: practical machine learning tools and Techniques with java implementations, Morgan Kaufmann, 2000
David Hand, Heikki Mannila; Padhraic Smyth;Principles of Data Mining, MIT Press, 2001

Métodos de ensino e atividades de aprendizagem

Aulas teórico-praticas

Software

Weka -> http://www.cs.waikato.ac.nz/ml/weka/
R -> http://www.r-project.org/
Knime

Palavras Chave

Ciências Tecnológicas > Tecnologia > Tecnologia da informação
Ciências Físicas > Ciência de computadores > Cibernética > Inteligência artificial

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação Peso (%)
Exame 50,00
Participação presencial 0,00
Trabalho escrito 50,00
Total: 100,00

Componentes de Ocupação

Designação Tempo (Horas)
Elaboração de projeto 50,00
Frequência das aulas 42,00
Trabalho escrito 50,00
Apresentação/discussão de um trabalho científico 15,00
Estudo autónomo 5,00
Total: 162,00

Obtenção de frequência

Nota ponderada dos trabalhos e exame maior ou igual a 9.5

0.5*Exame + 0.5 (media dos trabalhos)

Fórmula de cálculo da classificação final

Exame: 50% Trabalhos: 50% - a nota dos trabalhos é a média dos trabalhos realizados - um trabalho não entregue conta como 0 - o exame tem nota mínima de 6,5 - os trabalhos têm nota mínima de 6,5

Recomendar Página Voltar ao Topo
Copyright 1996-2024 © Faculdade de Economia da Universidade do Porto  I Termos e Condições  I Acessibilidade  I Índice A-Z  I Livro de Visitas
Página gerada em: 2024-06-16 às 00:22:49 | Política de Utilização Aceitável | Política de Proteção de Dados Pessoais | Denúncias
SAMA2