Extracção de Conhecimento e Aprendizagem Computacional
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Inteligência Artificial |
Ocorrência: 2010/2011 - 1S
Ciclos de Estudo/Cursos
Língua de trabalho
Português
Objetivos
O objectivo da disciplina é o de dotar os alunos de conhecimentos que os tornem capazes de utilizar técnicas de análise automática de grandes quantidades de dados.
Programa
Introdução à disciplina de extracção de conhecimento: O que se entende por pesquisa de informação (Data Mining).
Revisões de conceitos de Estatística Descritiva.
Preparação de Dados: Limpeza de dados; Normalização, Redução e Discretização de dados.
Regras de associação: Definição do problema de pesquisa de regras de associação. Medidas de qualidade das regras de associação Alguns algoritmos de pesquisa de regras de associação.
Clustering: Técnicas de clustering. Algoritmos de clustering de partição (K-means, K-medoids) e Algoritmos de clustering hierárquicos. Outros algoritmos: BIRCH, CURE, DBSCAN.
Classificação: Técnicas de classificação para análise de grandes quantidades de dados; Árvores de decisão; Árvores de classificação e de Regressão (CART); Princípios de prunning; Classificação Bayesiana; Redes Neuronais; Indução de Regras; Algoritmos Genéticos.
Visualização de dados.
Web Mining e Text Mining: Conceitos de data mining na Web e em Texto.
Bibliografia Obrigatória
Han, Jiawei;
Data mining. ISBN: 1-55860-489-8
Bibliografia Complementar
Ian H. Witten abd Eibe Frank; Data Mining, Practical Machine Learning Tools and Techniques, Elsevier, 2005. ISBN: 0120884070
Métodos de ensino e atividades de aprendizagem
Aulas teóricas para Exposição dos conceitos referidos e sessões laboratoriais para aplicação prática dos conceitos aprendidos.
Software
Weka 3: Data Mining Software in Java
The R Project for Statistical Computing
SPSS 17.0
RapidMiner 5
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Descrição |
Tipo |
Tempo (Horas) |
Peso (%) |
Data Conclusão |
Participação presencial (estimativa) |
Participação presencial |
39,00 |
|
|
Realização de trabalho |
Trabalho escrito |
60,00 |
|
|
Exame final |
Exame |
3,00 |
|
|
|
Total: |
- |
0,00 |
|
Componentes de Ocupação
Descrição |
Tipo |
Tempo (Horas) |
Data Conclusão |
Acompanhamento de aulas e preparação para exame |
Estudo autónomo |
60 |
|
|
Total: |
60,00 |
|
Obtenção de frequência
Nota média da componente distribuída igual ou superior a 6 valores.
Fórmula de cálculo da classificação final
0.50* Nota do trabalho + 0.5 * Nota do exame
Provas e trabalhos especiais
O trabalho será elaborado em grupo (2 a 3 alunos) e consiste na análise de um conjunto de dados e preparação de um relatório que apresente o método de análise e os resultados obtidos.
Será necessária a apresentação de um relatório de progresso.
O trabalho vale 50% da nota final, sendo 10% relativos ao relatório de progresso e 40% relativos ao relatório final e apresentação.
Avaliação especial (TE, DA, ...)
Os alunos com estatuto que isenta da frequência das aulas têm que realizar o trabalho prático e ser sujeitos a exame.
Melhoria de classificação
A melhoria da avaliação distribuída só pode ser feita no ano seguinte.