Análise de Dados Complexos

Código:

M.IA014

Sigla:

ADC

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores
OFICIAL	Engenharia Informática

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado em Inteligência Artificial

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.IA	1	Plano de estudos oficial	1	-	6	42	162
			2

Língua de trabalho

Inglês

Objetivos

A informação constante nesta página é provisória e será atualizada no início do ano letivo.

Resultados de aprendizagem e competências

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. Os learning outcomes são:
LO1. 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.
LO2. compreender as abordagens típicas e também o estado da arte para análise dos tipos de DC mais comuns.
LO3. configurar e utilizar tecnologias para análise de tipos de DC.
LO4. desenvolver (criar/adaptar) metodologias para análise de novos tipos e fontes de DC.

Modo de trabalho

Presencial

Programa

CP1. Sistemas de recomendação
CP2. Processamento de linguagem natural/Text mining
CP3. Análise de Redes Sociais
CP4. Análise de dados multi-relacionais/Inductive Logic Programming
CP5. Análise de dados espácio-temporalmente referenciados
CP6. Tendências em análise de dados complexos

Bibliografia Obrigatória

Aggarwal, C. C.; Data Mining: The Textbook
Han, J., Kamber, M., & Pei, J.; Data Mining
Easley, D., & Kleinberg, J; Networks, Crowds, and Markets.
Jordan, M. I., & Mitchell, T. M.; Machine learning: Trends, perspectives, and prospects.

Métodos de ensino e atividades de aprendizagem

ME1. Exposição de conteúdos pelo docente.
ME2. Realização de exercícios teórico-práticos pelos estudantes.
ME3. Discussão de artigos científicos.
ME4. Seminários por outros investigadores.
ME5. Prova escrita.

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Participação presencial	25,00
Apresentação/discussão de um trabalho científico	25,00
Teste	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	60,00
Estudo autónomo	60,00
Frequência das aulas	42,00
Total:	162,00

Obtenção de frequência

A definir.

Fórmula de cálculo da classificação final

A avaliação será repartida (com a ponderação indicada) pelos exercícios em aula TP (ME2: 25%), apresentação de um artigo (ME3: 25%) e pela prova escrita (ME5: 50%).