Análise de Dados Complexos
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
OFICIAL |
Engenharia Informática |
Ocorrência: 2024/2025 - 1S
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 |
Docência - Responsabilidades
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%).