Business Analytics

Código:

1OP12

Sigla:

BA

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2020/2021 - 1S

Ativa?	Sim
Unidade Responsável:	Agrupamento Científico de Matemática e Sistemas de Informação
Instituição Responsável:	Faculdade de Economia

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
LECO	13	Plano de Bolonha a partir de 2012	3	-	3	-	81
LGES	5	Plano de Bolonha a partir de 2012	3	-	3	-	81

Língua de trabalho

Inglês

Objetivos

Após a conclusão da unidade curricular, o estudante deve:

Conhecer:

1. Estruturar informação em bases de dados multidimensionais
2. os vários tipos de tarefas de extração de conhecimento de dados (Data Mining);
3. conhecer os principais métodos/algoritmos para cada tipo de tarefa;

e ser capaz de:
a)aplicar esses métodos a um novo problema de análise de dados;

b) avaliar os resultados e compreender os métodos estudados.

 

Resultados de aprendizagem e competências

Estruturar a informação numa base de dados multidimensional

Conhecimento como formular um problema como problema de extracção de conhecimento.

Capacidade de aplicar métodos/algoritmos a um novo problema de análise de dados, e de avaliar os resultados e compreender o funcionamento dos métodos estudados.

Modo de trabalho

Presencial

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

Conhecimentos básicos de bases de dados

Programa

1. Bases de dados multidimensionais. PowerBI


2. Conhecimento: Representação de conhecimento.


3. Ferramentas de data mining. - Metodologias de projectos de data mining (CRISP-DM)


4. Classificação, 


5. Text Mining e Web Mining


6. Classificação, análise de agrupamentos, detecção de mudança.


7. Análise de redes sociais.

Bibliografia Obrigatória

Gama João; Extração de Conhecimento de Dados Data Mining, Silabo, 2017

Métodos de ensino e atividades de aprendizagem

A unidade curricular recorre a duas metodologias de ensino complementares: aulas expositivas e sessões laboratoriais. Enquanto as primeiras se destinam a apresentar os métodos e ferramentas de extração de conhecimento, as segundas adotam uma abordagem de tipo ‘hands-on’ que permite aos estudantes trabalhar diretamente com os dados, implementar os métodos e interpretar os resultados obtidos, assegurando a sua total autonomia em trabalho futuro

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Apresentação/discussão de um trabalho científico	30,00
Trabalho prático ou de projeto	30,00
Exame	40,00
Total:	100,00

Componentes de Ocupação

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

Obtenção de frequência

Aprovação nos 2 trabalhos

Fórmula de cálculo da classificação final

0.3*HW1 + 0.3*HW2+ 0.4*Exame