Ciência de Dados Aplicada à Gestão

Conhecimentos de Base Recomendados

São recomendadas noções básicas de estatística.

Métodos de Ensino

Nesta unidade curricular são utilizadas as seguintes metodologias de ensino:

1. Método expositivo: método explicativo onde fundamentos teóricos e conceitos são apresentados pelo docente e discutidos com a turma. Os conceitos e informações serão apresentados aos alunos através, por exemplo, de apresentações em slides ou discussões orais. Será utilizado nas aulas para a estruturação e esquematização da informação.

2. Método demonstrativo: baseia-se na exemplificação pelo docente de uma operação técnica ou prática que se deseja aprendida. Centra-se na forma como se executa uma dada operação, destacando as técnicas, as ferramentas e os equipamentos mais adequados. Será por exemplo utilizado em aulas práticas e laboratoriais.

3. Método interrogativo: processo que se fundamenta em interações verbais, sob a condução do docente, adotando o formato de questões e respostas. Permite obter maior dinâmica na aula e consolidar a aprendizagem. Será utilizado por exemplo para recordar elementos de aulas anteriores, e em revisões do conteúdo lecionado.

4. Métodos ativos: serão utilizadas técnicas pedagógicas em que o aluno é o centro do processo de aprendizagem, sendo um participante ativo e envolvido na sua própria formação. O docente assume o papel de facilitador, estimulando o pensamento crítico, a colaboração, a criatividade e a autonomia dos alunos. Serão aplicados nas aulas para alcançar um ambiente de aprendizagem dinâmico e mais duradouro.

Resultados de Aprendizagem

No final do período curricular desta unidade curricular, o aluno deverá:

– Identificar os principais conceitos da ciência de dados aplicada à gestão 

– Implementar aplicações no domínio da ciência de dados 

– Utilizar métodos/algoritmos em novos problemas de ciência de dados e avaliar os resultados 

– Avaliar e interpretar o trabalho realizado no âmbito da ciência de dados aplicada à gestão

– Utilizar os conceitos e ferramentas analisadas e discutidas nas aulas em projetos futuros e no mercado de trabalho 

Programa

CP1 – Introdução aos conceitos base de ciências de dados aplicados à gestão

CP2 – Metodologia CRISP-DM

CP3 – Exploração de dados

CP4 – Preprocessamento de dados

CP5 – Engenharia de recursos

CP6 – Modelos para problemas de ciências de dados aplicados à gestão

CP7 – Avaliação de modelos e interpretação de resultados

Docente(s) responsável(eis)

Gonçalo Miguel Santos Marques

Métodos de Avaliação

1 - Avaliação Periódica:

a) trabalhos práticos individuais ou em grupo (50%);

b) uma prova escrita individual (50%)

2 - Avaliação Exame:

a) trabalhos práticos individuais ou em grupo (50%);

b) uma prova escrita individual (50%)

 

Existe um valor mínimo de 40% para cada componente da avaliação periódica e Exame. Cada época de avaliação apresenta enunciados distintos.

Os trabalhos práticos são seguidos de uma apresentação oral ao docente da disciplina para validação e defesa individual e discussão das opções executadas.

Os trabalhos práticos serão avaliados com base na participação e proficiência de cada aluno nas actividades laboratoriais realizadas e no relatório elaborado.

Os trabalhos práticos devem ser realizados exclusivamente no período de lecionação. A não obtenção do aproveitamento mínimo de 40% 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

    Bruce, P., Bruce, A., & Gedeck, P. (2020). Practical statistics for data scientists: 50+ essential concepts using R and Python. O’Reilly Media.

    Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2022). Introduction to algorithms. MIT press.

    Gama, J., Carvalho, A., Faceli, K., Lorena, A. C., & Oliveira, M. (2012). Extração de conhecimento de dados: data mining.

    Grander, G., da Silva, L. F., & Santibañez Gonzalez, E. D. R. (2021). Big data as a value generator in decision support systems: A literature review. Revista de Gestão, 28(3), 205-222.

    Jung, A. (2022). The Landscape of ML. In Machine Learning: The Basics (pp. 57-80). Singapore: Springer Nature Singapore.

    Karkošková, S. (2023). Data governance model to enhance data quality in financial institutions. Information Systems Management, 40(1), 90-110.

    Lu, J., Cairns, L., & Smith, L. (2021). Data science in the business environment: customer analytics case studies in SMEs. Journal of Modelling in Management, 16(2), 689-713.

    Murphy, K. P. (2023). Probabilistic machine learning: Advanced topics. MIT press.