Análise de Dados

Conhecimentos básicos de análise de dados.

Conhecimentos básicos de Python.

Aulas teóricas: Apresentação de novos conceitos e discussão de exemplos.

Aulas práticas: Implementação e teste de modelos de análise de dados para problemas concretos

 A unidade curricular de Análise de Dados tem como objetivo principal apresentar um conjunto de técnicas e metodologias baseadas em redes neuronais profundas para resolver problemas reais de análise de dados. A compreensão das potencialidades destes sistemas e a capacidade para desenvolver arquiteturas com estas características irão conferir aos alunos um conjunto de competências especializadas para trabalhar na área de análise computacional de dados. Os principais objetivos de aprendizagem desta unidade curricular são:

1. Conhecer e compreender conceitos avançados da área de análise inteligente de dados

2. Compreender as principais arquiteturas de redes neuronais profundas, nomeadamente as redes
convolucionais, as redes recorrentes e os transformers.

3. Desenvolver redes neuronais profundas para aplicação em problemas práticos

4. Compreender as principais características de um sistema de aprendizagem por reforço e perceber as
situações em que deve ser aplicado

5. Utilizar ferramentas de desenvolvimento da área da aprendizagem automática para criação, treino e
validação de modelos de análise de dados

1. Redes Neuronais Profundas

2. Redes convolucionais para visão computacional

3. Redes recorrentes 

4. Processamento de linguagem natural

5. Transformers

6. Aprendizagem por reforço

7. Modelos generativos

8. Aplicação das ferramentas TensorFlow, Keras e Hugging Face no desenvolvimento de redes neuronais profundas

Existem 4 componentes de avaliação:

A. Mini-testes teóricos (12.5%): 4 pequenos testes individuais de escolha múltipla realizados no final de aulas teóricas.

B. Mini-testes laboratoriais (12.5%): 2 pequenos desafios para complementar / expandir problemas abordados nas aulas laboratoriais. O trabalho é realizado em grupos de 2 alunos. A submissão deverá ser efetuada até ao início da aula seguinte.

C. Seminário (25%): estudo de um tema da área de deep learning. Estes temas estão diretamente relacionados com a matéria lecionada, mas não serão abordados durante as aulas. Neste trabalho pretende-se que os alunos investiguem, conheçam e compreendam o tema que lhes for atribuído. No âmbito do trabalho deverá será produzido um breve documento que apresente o tema e efetuada uma apresentação em aula. O trabalho é realizado em grupos de 2 alunos. O seminário pode ser entregue e apresentado apenas uma vez, de acordo com a data indicada no enunciado. A classificação obtida é válida para todas as épocas, incluindo a época especial. Esta componente não tem mínimos e não é passível de melhoria de nota.

D. Exame escrito: esta prova incide sobre a componente teórica e teórico-prática da matéria. O exame tem mínimos de 35% da cotação da prova.

Existem 2 possibilidades para concretizar a avaliação:

Avaliação Contínua e Periódica: Os alunos realizam as 4 componentes de avaliação. Neste caso, o exame tem peso de 50% na nota final.

Avaliação Exclusivamente Periódica: Os alunos realizam apenas as componentes C e D (seminário e exame). Neste caso, o exame tem um peso de 75% na nota final. O enunciado do exame nesta possibilidade terá uma secção adicional.

NAO