Fundamentos de Ciência e Engenharia dos Dados

Código:

MECD01

Sigla:

FCED

Áreas Científicas
Classificação	Área Científica
CNAEF	Ciências informáticas

Ocorrência: 2022/2023 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia e Gestão Industrial
Curso/CE Responsável:	Mestrado em Engenharia e Ciência de Dados

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MECD	27	Plano de estudos Oficial	1	-	12	84	324

Língua de trabalho

Inglês

Objetivos

Pretende-se garantir que os estudantes tenham os conhecimentos fundamentais para a realização das restantes UCs do CE em quatro áreas de base: Estatística, Processamento de Sinal, Base de Dados e Programação. 

Ao nível da Estatística pretende-se que tenham uma visão integrada da área e da sua utilidade, de forma a torná-los utilizadores proficientes da Estatística Descritiva e da Inferência Estatística.

Pretende-se que adquiram conceitos fundamentais, técnicas e ferramentas de análise e projeto na área do Processamento de Sinal. 

Ao nível das Bases de Dados devem ser capazes de descrever e analisar os requisitos de um SI, representá-los por um modelo UML e transformá-lo num modelo relacional e usar a linguagem SQL para criar, manipular e interrogar bases de dados.

Finalmente, pretende-se que na área da Programação os estudantes adquiram conhecimentos sobre programação procedimental e baseada em objetos e que sejam capazes de desenvolver programas, usando a linguagem Python como ferramenta.

Resultados de aprendizagem e competências

Como objetivos de aprendizagem ao nível da Estatística espera-se que os estudantes tenham uma visão integrada sobre a Estatística e a sua utilidade e sejam utilizadores proficientes da Estatística Descritiva e da Inferência Estatística. Competências a obter através sessões de trabalho onde os conceitos teóricos são demonstrados através da resolução de exercícios e pela realização de um mini-projeto.

Adquiram conceitos fundamentais, técnicas e ferramentas de análise e projeto na área do Processamento de Sinal, competências a obter através sessões de trabalho onde os conceitos teóricos são demonstrados através da resolução de exercícios e pela realização de um mini-projeto.

Na área das Base de Dados devem ser capazes de descrever e analisar os requisitos de um SI, representá-los por um modelo UML e transformá-lo num modelo relacional e ser capazes de usar a linguagem SQL para criar, manipular e interrogar bases de dados. Competências a obter através sessões de trabalho onde os conceitos teóricos são demonstrados através da resolução de exercícios e pela realização de um mini-projeto.

Devem adquirir conhecimentos sobre Programação, quer procedimental quer baseada em objetos, e que ser capazes de desenvolver programas, usando a linguagem Python como ferramenta. Competências a obter através sessões de trabalho onde os conceitos teóricos são demonstrados através da resolução de exercícios e pela realização dos mini-projetos anteriores.

Modo de trabalho

Presencial

Programa

Estatística: Estatística Descritiva; Probabilidades; Variáveis Aleatórias e Distribuições de Probabilidade; Principais Distribuições Discretas e Contínuas; Amostragem e Distribuições Amostrais; Estimação e Intervalos de Confiança; Teste de Hipóteses.

Processamento de Sinal: Sinais discretos; Transformada de Fourier; Amostragem e reconstrução de sinais; Transformada Z; Projeto de filtros discretos IIR e FIR; Equivalentes discretos de sistemas contínuos; DFT e FFT; Aplicações.

Base de Dados: Desenho de uma BD usando diagramas de classes UML e passagem para o modelo relacional; Criação, manipulação e interrogação de uma base de dados usando a linguagem SQL; O SGBD PostgreSQL.

Programação: Introdução ao Python; Operadores e Expressões; Estruturas de seleção e de repetição. Tipos de dados estruturados; Organização, funções e módulos de um programa; Classes e Objetos; Iteradores e Geradores; Teste, Depuração e Práticas de Desenvolvimento de Software; Pacotes.

Bibliografia Obrigatória

Raghu Ramakrishnan; Database management systems. ISBN: 0-07-116898-2
Alan V. Oppenheim; Discrete-time signal processing. ISBN: 0-13-083443-2
Tintle, N., Chance, B. L., Cobb, G. W., Rossman, A. J., Roy, S., Swanson, T. & VanderStoep, J.; Introduction to Statistical Investigations, Willey, 2016
John V. Guttag; Introduction to computation and programming using Python. ISBN: 978-0-262-52500-8

Bibliografia Complementar

Igual, Laura, Seguí, Santi; Introduction to Data Science - A Python Approach to Concepts, Techniques and Applications, Springer, 2017

Métodos de ensino e atividades de aprendizagem

As sessões de trabalhos servem para apoiar os estudantes na exploração dos materiais, resolução dos exercícios e implementação dos projetos.

Os métodos de ensino e as atividades de aprendizagem serão baseados em mini-projetos nas áreas de Estatística, Bases de Dados e Processamento de Sinal, todas elas envolvendo Programação.

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Participação presencial	0,00
Exame	50,00
Trabalho prático ou de projeto	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	120,00
Estudo autónomo	120,00
Frequência das aulas	84,00
Total:	324,00

Obtenção de frequência

Conforme o disposto nas normas gerais de avaliação.

Fórmula de cálculo da classificação final

A avaliação consiste na média da classificação em cada uma das três componentes (Estatística, Bases de Dados e Processamento de Sinal). A classificação de cada componente é calculada com base numa prova escrita (Exame) e na realização de um mini-projeto (Proj). A aprovação a FCED requer a obtenção da classificação mínima de 40% em cada componentes.

Fórmula de cálculo da classificação final (ClassFinal):

ClassFinal = (ClassEstat + ClassBD + ClassProcSinal) / 3

ClassEstat = (ExameEst + ProjEstat) / 2

ClassBD = (ExameBD + ProjBD) / 2

ClassProcSinal = (ExameProcSinal + ProjProcSinal) / 2

Melhoria de classificação

A melhoria de classificação será efectuada através de prova individual única com duas componentes: 1. exame de recurso; 2. Uma componente adicional opcional que permita avaliar as competências avaliadas através do trabalho desenvolvido na avaliação distribuída. A melhoria de classificação pode ser efetuada na época de recurso dessa edição ou de edições subsequentes.

Observações

Os trabalhadores estudantes e equivalentes dispensados das aulas devem, com periodicidade a combinar com os docentes, apresentar a evolução dos seus trabalhos, assim como devem fazer a apresentação destes, simultaneamente com os alunos ordinários.