Analítica Empresarial

Código:

EIG0067

Sigla:

AE

Áreas Científicas
Classificação	Área Científica
OFICIAL	Métodos Quantitativos

Ocorrência: 2018/2019 - 2S

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

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIEGI	78	Plano de estudos oficial a partir de 2006/07	4	-	6	49	162

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.