Análise de Dados e Engenharia de Software

Código:

MESW0009

Sigla:

ADES

Áreas Científicas
Classificação	Área Científica
CNAEF	Ciências informáticas

Ocorrência: 2020/2021 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado em Engenharia de Software

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MESW	21	Plano Oficial a partir do ano letivo 2016/17	1	-	6	42	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Enquadramento: 
Após uma época em que as diferentes empresas/instituições muito investiram na recolha de dados no âmbito da informatização das suas operações (por ex.: sensores, sistemas GPS), e em que muitas e variadas novas fontes de dados surgiram (por ex.: redes sociais), existe agora a necessidade de pôr esses dados ao serviço dessas empresas/instituições. O objetivo é ser capaz de extrair conhecimento desses dados de modo a melhorar a eficiência dos processos e ganhar vantagem competitiva. Uma das áreas em que esse evolução se tem observado de forma mais marcante é a Engenharia de Software. É desta necessidade que surge a Unidade Curricular de Análise de Dados e Engenharia de Software (ADES).

 

Objetivos:
O estudante deve ser capaz de: desenvolver projetos simples de data mining (DM) descritivos e preditivos envolvendo as tarefas mais tradicionais: clustering, associação, classificação, e regressão.

Resultados de aprendizagem e competências

Como resultado da aprendizagem, pretende-se que os estudantes sejam capazes de:
1. identificar problemas que podem ser resolvidos com DM;
2. seguir uma metodologia adequada para resolver problemas de DM simples;
3. compreender superficialmente o comportamento dos métodos envolvidos;
4. avaliar resultados, tanto numa perspective técnica como da do domínio da aplicação.

Modo de trabalho

Presencial

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

Não sendo obrigatório ter frequentado nenhuma UC em concreto, é importante o estudante ter conhecimentos básicos de probabilidades e estatística.

Programa

• Introdução ao data mining (DM).


• Projetos DM: metodologia; Análise exploratória de dados.


• Clustering: introdução; algoritmos.


• Classificação: introdução; medidas de avaliação; estimativa de desempenho; algoritmos baseados em distância e probabilísticos.


• Preparação de dados: métodos de pré-processamento.


• Classificação binária: avaliação; lidar com o desequilíbrio de classe.


• Regressão: introdução; medidas de avaliação; algoritmos básicos.


• Algoritmos baseados em busca e otimização para modelos preditivos; ensembles.


• Frequent pattern matching e sistemas de recomendação.


• AutoML e Metalearning.

Bibliografia Obrigatória

João Pedro Carvalho Leal Mendes Moreira; A^general introduction to data analytics. ISBN: 978-1-119-29624-9

Bibliografia Complementar

Provost Foster; Data science for business. ISBN: 978-1-449-36132-7
Charu C. Aggarwal; Data mining. ISBN: 978-3-319-14142-8
João Gama, André Ponce de Leão Carvalho, Katti Faceli, Ana Carolina Lorena, Márcia Oliveira; Extração de conhecimento de dados, Edições Sílabo, Lda., 2012. ISBN: 978-972-618-698-4
Matthew North; Data mining for the masses, 2012. ISBN: 0615684378

Observações Bibliográficas

Serão disponibilizados documentos de apoio às aulas da autoria dos docentes da unidade curricular.

Métodos de ensino e atividades de aprendizagem

As aulas servem para discussão dos tópicos correspondentes e para a realização de exercícios e do projeto.

Software

Rapid Miner
R language
Python

Palavras Chave

Ciências Físicas > Ciência de computadores > Design de sistemas > Redes neuronais
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 prático ou de projeto	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	60,00
Estudo autónomo	60,00
Frequência das aulas	44,00
Total:	164,00

Obtenção de frequência

N/A

Fórmula de cálculo da classificação final

0.5*Exame + 0.5*Trabalho;
Nota mínima: Exame >= 8.0; Trabalho >= 8.0.

Provas e trabalhos especiais

A componente da classificação final 'Trabalho' consiste na elaboração de um trabalho a ser realizado por grupos de duas pessoas. Esta classificação pode ser diferente para os diferentes elementos do grupo.

Trabalho de estágio/projeto

N/A

Avaliação especial (TE, DA, ...)

A avaliação distribuída, realizada durante o semestre de funcionamento da unidade curricular, é exigida a todos os alunos, independentemente do regime de inscrição. Os estudantes que não frequentam regularmente a unidade curricular fazem as entregas dos trabalhos e apresentações nas épocas previstas e devem tomar a iniciativa de acordar, com o docente, reuniões específicas para acompanhamento dos trabalhos práticos.

Melhoria de classificação

A melhoria de classificação será efectuada através de prova individual única com duas componentes:
1. Exame que valerá 50% da classificação final;
2. Componente adicional que permita avaliar as competências avaliadas através do trabalho desenvolvido na avaliação distribuída. Valerá 50% da classificação final.
A melhoria de classificação pode ser efetuada no exame da época de recurso dessa edição ou da edição subsequente da unidade curricular.