Laboratório
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Tecnologia da Informação |
Ocorrência: 2020/2021 - 1S ![Requerida a integração com o Moodle Ícone do Moodle](/fep/pt/imagens/MoodleIcon)
Ciclos de Estudo/Cursos
Língua de trabalho
Inglês
Objetivos
Desenvolvimento de competências práticas na formulação e resolução de problemas de análise de dados
Desenvolvimento de competências praticas em análise exploratória de dados, visualização de dados, modelação predictiva e descritiva.
Resultados de aprendizagem e competências
No final do semestre o estudante deve ser capaz de:
- selecionar e aplicar os métodos apropriados para
- descrever
- visualizar
- desenvolver modelação preditiva
- utilizar o software adequado
- sintetizar os resultados de uma análise de dados.
Modo de trabalho
Presencial
Programa
Case 1 - Competição Kaggle: análise exploratória de dados, visualição de dados, seleção de atributos, valores extremos.
Caso 2 - Análise de Dados
Caso 3 - Modelação Descritiva. Análise de agrupamentos.
Bibliografia Obrigatória
Han, Jiawei; Kamber, Micheline ; Data mining: concepts and techniques, Morgan Kaufmann, 2001
Witten, Ian H.; Frank, Eibe; Hall, Mark A; Data Mining: Practical Machine Learning Tools and Techniques , Elsevier, 2011
M Berthold, DJ Hand; Intelligent data analysis: an introduction , Springer, 2007
Métodos de ensino e atividades de aprendizagem
Aulas práticas dedicadas a casos de estudo em análise de dados sugeridos.
Software
R
Knime
Tipo de avaliação
Avaliação distribuída sem exame final
Componentes de Avaliação
Designação |
Peso (%) |
Trabalho prático ou de projeto |
100,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Estudo autónomo |
84,00 |
Frequência das aulas |
42,00 |
Trabalho escrito |
36,00 |
Total: |
162,00 |
Obtenção de frequência
Entrega de 75% dos relatórios preliminares ao trabalho escrito.
Fórmula de cálculo da classificação final
Relatórios preliminares: 40%
Trabalho escrito: 40%
Apresentação oral: 20%