Laboratório de Análise de Dados

São recomendados conhecimentos sobre:

• Aprendizagem Computacional, clássica e profunda
• Python

1) A avaliação é exclusivamente contínua, com estas componentes:

• 1.5 valores: Acompanhamento das aulas
• 1.5 valores: Mini-teste
• Desenvolvimento de um trabalho prático: 17 valores

2) O trabalho prático está dividido em etapas, cada etapa sujeita a apresentação e defesa. Pode ser feita apenas uma única entrega para cada etapa.

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

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

NAO