Análise de Dados Complexos

Código:

MECD11

Sigla:

ADC

Áreas Científicas
Classificação	Área Científica
CNAEF	Ciências informáticas

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
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	22	Plano de estudos Oficial	2	-	6	42	162

Língua de trabalho

Inglês

Objetivos

O objetivo geral é criar competências no tratamento de dados de natureza complexa. Pretende-se desenvolver a capacidade de tratar dados que não sejam simplesmente tabelas de observações i.i.d. Os tipos de dados complexos (DC) abordados incluem os que são importantes hoje (texto, grafos e dados espácio-temporalmente referenciados) mas irá também acomodar novos tipos ou fontes de dados para preparar os estudantes para o desenvolvimento de técnicas adequadas para os problemas com que sejam confrontados nas suas vidas profissionais.

Resultados de aprendizagem e competências

Os learning outcomes são:

• compreender a natureza de tipos de DC comuns e o seu impacto nas metodologias de análise de dados, em particular em relação aos algoritmos e à avaliação.
• compreender as abordagens típicas e também o estado da arte para análise dos tipos de DC mais comuns.
• configurar e utilizar tecnologias para análise de tipos de DC.
• desenvolver (criar/adaptar) metodologias para análise de novos tipos e fontes de DC.

Modo de trabalho

Presencial

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

Competências básicas em Inteligência Artificial e Aprendizagem Computacional (Machine Learning), incluindo Estatística e Programação.

Programa

Tópicos avançados em sistemas de recomendação

Processamento de linguagem natural/Text mining

Análise de Redes Sociais

Análise de dados de séries temporais

Análise de dados espácio-temporalmente referenciados

Tendências em análise de dados complexos

Bibliografia Obrigatória

Burke, R.; Recommender Systems: An Introduction, 2012 (https://doi.org/10.1080/10447318.2012.632301)
David Easley; Networks, crowds, and markets
Hyndman, R.J. & Athanasopoulos, G.; Forecasting: Principles and Practice (3rd edition), 2021 (https://otexts.com/fpp3/)
Dan Jurafsky and James H. Martin; Speech and Language Processing (https://web.stanford.edu/~jurafsky/slp3/)

Métodos de ensino e atividades de aprendizagem

Exposição de conteúdos pelo docente.

Realização de exercícios teórico-práticos pelos estudantes.

Discussão de artigos científicos.

Software

Python
R

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Teste	50,00
Trabalho prático ou de projeto	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	73,00
Estudo autónomo	50,00
Frequência das aulas	39,00
Total:	162,00

Obtenção de frequência

No caso de falta de uma das componentes da avaliação, a nota respetiva é de 0 (zero) valores.

Nota mínima em cada componente: 8,0 (oito) valores (em 20).

Fórmula de cálculo da classificação final

50% Mini-testes + 50% Projeto

Avaliação especial (TE, DA, ...)

Os alunos com estatuto que isenta da frequência das aulas têm que realizar todas as componentes de avaliação, devendo contactar o regente para definir datas de acompanhamento do trabalho.

Melhoria de classificação