Conhecimentos de Base Recomendados
Os alunos devem possuir e dominar conceitos de bases de dados relacionais (Linguagem SQL, Modelos ER e Transacções).
Recomenda-se a conclusão anterior da seguinte unidade curricular:
– Bases de Dados.
Métodos de Ensino
Nesta unidade curricular são utilizadas as seguintes metodologias de ensino:
1 – Método expositivo: método explicativo onde fundamentos teóricos e conceito são apresentados pelo professor e discutidos com a turma, seguido de exemplos demonstrativos;
2 – Método experimental: método activo onde o aluno desenvolve o conhecimento através da resolução problemas e o desenvolvimento de projectos laboratoriais individuais ou em dinâmica de grupo, sendo o método predominante.
Cada aula será composta por dois momentos:
1 – Exposição introdutória: No início da aula o docente expõe e discute com os alunos os novos conteúdos em estudo;
2 – Aplicação prática: Após a exposição introdutória, os alunos desenvolvem fichas de trabalho e resolução de problemas, individualmente e em conjunto, para aplicação prática dos novos conceitos, de forma autónoma e sob a orientação do docente.
Resultados de Aprendizagem
Espera-se que no final da unidade curricular o aluno esteja habilitado a:
1. Identificar os aspectos físicos de bases de dados e adquirir competências para a sua administração;
2. Identificar e aplicar as técnicas de exploração e análise de dados;
3. Projectar e desenvolver abordagens para transformação e análise de dados;
4. Programar um servidor de bases de dados usando a linguagem PL/SQL.
Programa
- Arquitectura de um SGBD
- PL/SQL (Tipos de dados, Estruturas, Excepções, Cursores, Triggers, Procedimenots, Funções e Views)
- Desenvolvimento de projectos de base de dados
- Armazenamento e parâmetros físicos
- Optimização de consultas e índices
- Administração de base de dados e conceitos de segurança
- Introducção à analise de dados (OLAP, ROLAP e MOLAP; Data Warehousing; Bases de Dados Multidimensionais; Processo ETL; Preparação de dados; Conceitos de Data Mining)
Docente(s) responsável(eis)
Gonçalo Miguel Santos MarquesMétodos de Avaliação
1 - Avaliação Periódica:
a) trabalhos práticos (50%);
b) uma prova escrita individual (50%)
2 - Avaliação por Exame:
a) trabalhos práticos (25%);
b) uma prova escrita individual (75%)
Regras Gerais:
Existe um valor mínimo de 45% para cada elemento de avaliação em todas as épocas de avaliação.
Os trabalhos práticos são seguidos de uma apresentação oral ao docente da disciplina para validação, defesa individual e discussão das opções executadas.
Cada época de avaliação é independente das restantes épocas de avaliação, apresentando enunciados próprios, distintos das restantes épocas de avaliação.
Os trabalhos práticos devem ser realizados exclusivamente no período de lecionação. A não obtenção do aproveitamento mínimo de 45% nos trabalhos práticos em grupo implicará na não admissão do aluno à Avaliação por Exame, com a consequente reprovação à unidade curricular.
Estágio(s)
NAO
Bibliografia
Caldeira, C. (2012). Data warehousing – Conceitos e modelos. Edições Silabo.
Coronel, C. & Morris, S. (2019) Database Systems: Design, Implementation, and Management (13.ª ed.)., Cengage Learning.
Gama, J., Lorena, C., Faceli, K., Oliveira, M., & Carvalho, A. (2017). Extracção de conhecimento de dados: Data mining (3.ª ed.). Edições Sílabo.
Garcia-Molina, H. (2014). Database systems: The complete book. Prentice Hall.
Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3.ª ed.). Morgan Kaufmann.
Kimball, R., & Ross., M. (2013). The data warehouse toolkit: The complete guide to dimensional modeling. J. Wiley & Sons.
Santos, M., & Ramos, I. (2017). Business intelligence: Da informação ao conhecimento (3.ª ed.). FCA.
Silberschatz, A., Korth, H. F., & Sudarshan, S. (2019). Database System Concepts (7ª. ed.). McGraw-Hill.
Witten, I., & Frank, E. (2016). Data mining: Practical machine learning tools and techniques (4.ª ed.). Morgan Kaufman.