Conhecimentos de Base Recomendados
São recomendados conhecimentos sobre:
– Aprendizagem Computacional, clássica e profunda
– Python
Métodos de Ensino
Aulas teóricas
– Apresentação e discussão dos temas do programa
– Apresentação e discussão de trabalhos e exemplos
– Palestras de convidados
Aulas práticas
É realizado um trabalho prático com dados reais, designadamente do LXDatalab
Resultados de Aprendizagem
1 – Conhecer profissões e perfis na área da Análise de Dados
2 – Compreender as principais etapas do processo de análise de dados
3 – Compreender a importância das metodologias seguidas num processo de análise de dados
4 – Seguir a metodologia CRISP-DM num processo real de análise de dados
5 – Escolher e aplicar corretamente técnicas de pré-processamento e visualização de dados
6 – Selecionar, adaptar e aplicar técnicas de aprendizagem para criação de modelos de classificação, deteção ou previsão
7 – Avaliar de forma crítica e quantitativa a qualidade dos modelos criados
Programa
1. Introdução
1.1. O que é a análise de dados
1.2. Importância da análise de dados nas organizações
1.3. Perfis profissionais na área da análise de dados
2. Metodologias a seguir num processo de Análise de Dados
2.1 Metodologia CRISP-DM
2.2. Business understanding, Data understanding, Data Wrangling
2.3. Modelação, Análise de resultados e Deployment
3. Deployment de modelos
3.1. Decisões a ter em conta no deployment de modelos
3.2. Plataformas de hardware e software
3.3. Servidor de ML ONNX
4. Aplicação de Análise de Dados
4.1. Pré-processamento e preparação de dados
4.2. Classificação e deteção de objetos com CNN
4.3. Classificação de texto
4.4. Análise e predição com séries temporais
Docente(s) responsável(eis)
Estágio(s)
NAO
Bibliografia
Raschka, S., & Mirjalili, V. (2019). Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2 (3rd ed.). Packt Publishing. Loc. 1A-4-187 (ISEC) – 18950.
Chollet, F. (2021). Deep learning with Python. Shelter Island, NY : Manning, cop. Loc. 1A-4-205 (ISEC) – 19262
Géron, A. (2019) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media. ISBN-13 : 978-1492032649. Loc. 1A-4-179 (ISEC) – 18948.
Kelleher, J., & Tierney, B. (2018),.Data Science (The MIT Press Essential Knowledge series). MIT Press. ISBN-13: 978-0262535434.
Goodfellow, I., & Bengio, Y., & Couville, A. (2016). Deep learning. The MIT Press. ISBN: 0262035618.
Kelleher, J., & Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of Machine Learning for Predictive Data Analytics. The MIT Press. ISBN: 9780262044691.
Pointer, A. (2019). Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications (1st Ed.). O’Reilly Media.
Outros recursos disponíveis online, designadamente manuais do Python, sk-learn, tensorflow, pytorch, keras e onnx.