Saltar para:
Logótipo
This page in english Ajuda Autenticar-se
Formação regular da Biblioteca |fevereiro a maio
Você está em: Início > EIC0096
Autenticação




Mapa das Instalações
Edifício A (Administração) Edifício B (Aulas) - Bloco I Edifício B (Aulas) - Bloco II Edifício B (Aulas) - Bloco III Edifício B (Aulas) - Bloco IV Edifício C (Biblioteca) Edifício D (CICA) Edifício E (Química) Edifício F (Minas e Metalurgia) Edifício F (Minas e Metalurgia) Edifício G (Civil) Edifício H (Civil) Edifício I (Electrotecnia) Edifício J (Electrotecnia) Edifício K (Pavilhão FCNAUP) Edifício L (Mecânica) Edifício M (Mecânica) Edifício N (Garagem) Edifício O (Cafetaria) Edifício P (Cantina) Edifício Q (Central de Gases) Edifício R (Laboratório de Engenharia do Ambiente) Edifício S (INESC) Edifício T (Torre do INEGI) Edifício U (Nave do INEGI) Edifício X (Associação de Estudantes)

Extracção de Conhecimento e Aprendizagem Computacional

Código: EIC0096     Sigla: ECAC

Áreas Científicas
Classificação Área Científica
OFICIAL Inteligência Artificial

Ocorrência: 2018/2019 - 1S Ícone do Moodle

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

Ciclos de Estudo/Cursos

Sigla Nº de Estudantes Plano de Estudos Anos Curriculares Créditos UCN Créditos ECTS Horas de Contacto Horas Totais
MIEIC 53 Plano de estudos a partir de 2009/10 5 - 6 42 162

Docência - Horas

Teórico-Práticas: 3,00
Tipo Docente Turmas Horas
Teórico-Práticas Totais 2 6,00
João Pedro Carvalho Leal Mendes Moreira 3,00
Carlos Manuel Milheiro de Oliveira Pinto Soares 3,00
Mais informaçõesA ficha foi alterada no dia 2018-10-01.

Campos alterados: Objetivos, Resultados de aprendizagem e competências, Fórmula de cálculo da classificação final, Provas e trabalhos especiais, Bibliografia Complementar, Programa, Componentes de Avaliação e Ocupação, Bibliografia Obrigatória, Obtenção de frequência

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, surge agora a necessidade de pôr esses dados ao serviço dessas empresas/instituições. O objetivo é ser capaz de extrair conhecimento desses dados que permita melhorar a eficiência e ganhar vantagem competitiva. É desta necessidade que surge a Unidade Curricular (UC) de Extração de Conhecimento e Aprendizagem Computacional (ECAC).


Objetivos



  • Motivar para a utilização de técnicas de extração de conhecimento (EC) de dados, ou data mining, no apoio à decisão.

  • Desenvolver a capacidade de utilizar corretamente essas técnicas para análise automática de grandes quantidades de dados. 


Distribuição percentual



  • Componente científica: 70%

  • Componente tecnológica: 30%

Resultados de aprendizagem e competências

Pretende-se que os estudantes:

  • Conheçam os vários tipos de tarefas de Extração de Conhecimento (EC).
  • Identifiquem problemas de apoio à decisão que possam ser representados como tarefas de EC.
  • Conheçam as fases de um projecto de EC.
  • Conheçam os principais métodos/algoritmos para as tarefas mais comuns de EC e compreendam o essencial do seu funcionamento.
  • Apliquem esses métodos a problemas de apoio à decisão.
  • Avaliem os resultados de um projeto de EC.

Modo de trabalho

Presencial

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


  • Não sendo obrigatório ter frequentado nenhuma UC em concreto, é útil o estudante ter frequentado alguma UC de introdução à estatística.

  • É também relevante que o estudante tenha conhecimentos elementares de algoritmia.

Programa

Data Mining descritivo



  • Introdução à extracção de conhecimento (Data Mining).

  • Clustering: Algoritmos de partição (revisão dos algoritmos K-means, K-medoids) e algoritmos hierárquicos. Outros algoritmos. Medidas de avaliação.

  • Regras de associação: Algoritmo APRIORI. Outros algoritmos. Medidas de avaliação.


Data Mining preditivo



  • Avaliação de modelos preditivos: Revisão sobre árvores de decisão. Sobre-ajustamento em árvores de decisão. Metodologias de avaliação.

  • Classificação: Algoritmos de classificação (métodos baseados em regras, distâncias e kernels; métodos Bayesianos). Questões comuns em classificação (distribuição de classes desequilibrada e custos). Medidas de avaliação.

  • Regressão: Algoritmos de regressão (regressão linear e não linear, árvores de regressão, MARS). Medidas de avaliação.


Projetos de Data Mining



  • Metodologias de Data Mining: Processo de extração de conhecimento. Metodologia CRISP-DM. Gestão de projetos.

  • Pré-processamento de dados: Limpeza de dados e transformação de dados (normalização, redução e discretização).


Análise de Dados complexos



  • Text mining: Representação de dados para text mining. Medidas de avaliação.

  • Web Mining e sistemas de recomendação.

Bibliografia Obrigatória

João Moreira, Andre Carvalho, Tomás Horvath; Data Analytics: A General Introduction, Wiley, 2018. ISBN: 978-1-119-29626-3 (https://www.wiley.com/en-aw/A+General+Introduction+to+Data+Analytics-p-9781119296263)

Bibliografia Complementar

Ian H. Witten, Eibe Frank; Data mining. ISBN: 1-55860-552-5
Peter Flach; Machine Learning: The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, 2012. ISBN: 9781107422223 (http://www.cs.bris.ac.uk/~flach/mlbook/)
Mohammed Zaki and Wagner Meira Jr.; Data Mining and Analysis: Fundamental Concepts and Algorithms, Cambridge University Press, 2013. ISBN: 9780521766333 (http://www.dcc.ufmg.br/miningalgorithms/DokuWiki/doku.php)
Max Kuhn, Kjell Johnson; Applied Predictive Modeling, Springer New York, 2013. ISBN: 9781461468493
Jiawei Han, Micheline Kamber; Data mining. ISBN: 1-55860-489-8

Métodos de ensino e atividades de aprendizagem


  • Aulas teóricas para Exposição dos conceitos referidos.

  • Sessões laboratoriais para aplicação prática dos conceitos aprendidos.

Software

RapidMiner 5
The R Project for Statistical Computing

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação Peso (%)
Exame 50,00
Participação presencial 0,00
Trabalho laboratorial 50,00
Total: 100,00

Componentes de Ocupação

Designação Tempo (Horas)
Estudo autónomo 60,00
Frequência das aulas 42,00
Trabalho laboratorial 60,00
Total: 162,00

Obtenção de frequência

A avaliação distribuída consiste na elaboração de um trabalho prático. No caso de falta a um dos momentos da avaliação distribuída, a nota atribuida é de 0 (zero) valores.

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

Fórmula de cálculo da classificação final

0,5* Nota do trabalho + 0,5 * Nota do exame
nota mínima em cada componente: 7,0 valores

Provas e trabalhos especiais

O trabalho será elaborado em grupos de 2 estudantes e consiste na análise de um conjunto de dados e preparação de um apresentação que descreva e discuta tanto o projeto como os resultados obtidos.

 

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.

Recomendar Página Voltar ao Topo
Copyright 1996-2019 © Faculdade de Engenharia da Universidade do Porto  I Termos e Condições  I Acessibilidade  I Índice A-Z  I Livro de Visitas
Página gerada em: 2019-05-24 às 08:42:44 | Política de Utilização Aceitável | Política de Proteção de Dados Pessoais