Análise de Dados

Conhecimentos básicos de análise de dados.

Conhecimentos básicos de Python.

A nota final será calculada com base nas seguintes 3 componentes de avaliação:

1. Avaliação nas Aulas Práticas: ao longo do semestre serão lançados desafios durante as aulas práticas relacionados com a matéria que está a ser lecionada. Os desafios/exercícios serão completados e submetidos durante a aula. Existirão 6 desafios individuais, sendo contabilizadas as 4 melhores notas. Esta componente tem um peso de 15% na nota final.
2. Trabalho Prático/Seminário: o trabalho consiste no estudo, compreensão e apresentação de um modelo de aprendizagem profunda. Neste trabalho pretende-se que os alunos investiguem e analisem soluções estado da arte para problemas de aprendizagem computacional. No âmbito do trabalho será produzido um relatório com as principais conclusões e deverá ser efetuada uma apresentação em aula. O enunciado do trabalho será divulgado na aula prática 10 e a entrega e apresentação decorrerão na última semana letiva. O trabalho tem peso de 35% na nota final e é realizado em grupos de 2 alunos. Este trabalho pode ser entregue 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.
3. 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 3 componentes de avaliação. Neste caso, o exame tem peso de 50% na nota final.
• Avaliação Periódica: Os alunos realizam apenas as componentes B e C (trabalho e exame). Neste caso, o exame tem um peso de 65% na nota final.

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 e Keras no desenvolvimento de redes neuronais profundas

NAO