Analítica Empresarial
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Métodos Quantitativos |
Ocorrência: 2018/2019 - 2S ![Requerida a integração com o Moodle Ícone do Moodle](/feup/pt/imagens/MoodleIcon)
Ciclos de Estudo/Cursos
Língua de trabalho
Inglês
Objetivos
Atualmente as empresas têm investido em sistemas capazes de recolher dados que podem ser analisados e transformados em conhecimento relevante para a tomada de decisão. É neste contexto que se integra esta Unidade Curricular de Analítica Empresarial.
Objectivos:
- Dar a conhecer a importância das técnicas de análise de dados no apoio à tomada de decisão;
- Promover o desenvolvimento das competências dos estudantes para usar as técnicas de análise de dados na indústria e nos serviços;
- Promover a utilização de software de apoio ao desenvolvimento de projetos de análise de dados.
Resultados de aprendizagem e competências
No final da UC, os estudantes deverão ser capazes de:
- Identificar problemas de apoio à tomada de decisão que podem ser solucionados com recurso às técnicas de análise de dados;
- Conhecer as várias fases do processo de análise de dados e extração de conhecimento;
- Conhecer as principais técnicas de análise de dados e conhecer as suas principais características;
- Usar os referidos métodos em problemas de apoio à decisão;
- Avaliar o resultado de um projeto de análise de dados;
- Utilizar software para desenvolver projetos de análise de dados.
Modo de trabalho
Presencial
Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)
Conhecimentos de estatística e conhecimento básico em bases de dados relacionais.
Programa
Esta UC irá focar-se nos temas seguintes:
- Introdução à Analítica Empresarial (Data mining, the KDD process, aplicações de Data mining, Big data)
- Caracterização dos dados e pré-processamento (Tipos de dados, limpeza dos dados, normalização dos dados e redução da dimensionalidade)
- Visualização como ferramenta de compreensão dos dados
- Data mining não supervisionado (clustering, regras de associação)
- Métodos supervisionados de data mining (classificação, previsão e métricas de avaliação de desempenho)
- Temporal mining (Clustering e classificação de séries temporais)
- Text mining (repesentação dos dados e exploração)
- Sistemas de recomendação (neighborhood-based collaborative filtering methods e métodos SVD)
Bibliografia Obrigatória
Pang-Ning Tan, Michael Steinbach, Vipin Kumar;
Introduction to Data Mining: Pearson New International Edition. ISBN: 1-292-02615-4
Bibliografia Complementar
Yanchang Zhao;
R and Data Mining: Examples and Case Studies. . ISBN: 978-0-123-96963-7 (ftp://cran.r-project.org/pub/R/doc/contrib/Zhao_R_and_data_mining.pdf)
Jiawei Han, Micheline Kamber, Jian Pei;
Data Mining: Concepts and Techniques, Third Edition. ISBN: 9380931913
Vijay Kotu and Bala Deshpande;
Predictive Analytics and Data Mining - concepts and practice with rapidminer, Morgan Kaufmann, 2015. ISBN: 978-0-12-801460-8
Observações Bibliográficas
Durante as aulas será recomendada alguma bibliografia adicional.
Métodos de ensino e atividades de aprendizagem
Esta UC decorrerá com:
- Aulas teóricas para exposição dos conceitos referidos;
- Sessões laboratoriais para aplicação prática dos conceitos aprendidos.
Software
RapidMiner
R
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Exame |
55,00 |
Trabalho prático ou de projeto |
45,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Elaboração de projeto |
50,00 |
Estudo autónomo |
63,00 |
Frequência das aulas |
49,00 |
Total: |
162,00 |
Fórmula de cálculo da classificação final
0.45 * Projecto + 0.55 * Exame
Avaliação especial (TE, DA, ...)
Os estudantes com estatuto especial (dirigentes associativos ou atletas de alta competição) podem optar pela forma e regras de avaliação dos restantes estudantes anteriormente descrita. Em alternativa, podem fazer o exame final na época especial destinada a estudantes com estatutos especiais, mantendo-se o peso do exame igual a 55% e o peso dos trabalhos de grupo igual a 45%.
Melhoria de classificação
Os estudantes podem repetir o exame na época de recurso. Os estudantes que pretendam obter melhoria de classificação poderão também fazê-lo no ano letivo seguinte, repetindo apenas o exame. As notas dos trabalhos de grupo serão consideradas no caso da repetição de exame no mesmo ano letivo ou no ano letivo seguinte.