Análise Inteliigente de Dados

São recomendados conhecimentos de programação, designadamente em python e ecossistema SciPy

Aulas teóricas

– Apresentação e discussão dos temas do programa

– Apresentação e discussão de trabalhos e exemplos

– Palestras de convidados

Aulas práticas

São realizados exercícios, trabalhos práticos com dados reais e apresentações.

1 – Compreender as principais etapas do processo de análise de dados

2 – Aplicar a metodologia CRISP-DM num processo de análise de dados

3 – Conhecer técnicas de visualização, pré-processamento e transformação de dados

4 – Conhecer métodos de aprendizagem computacional supervisionada e não supervisionada

5 – Compreender as métricas de desempenho usadas na avaliação de resultados

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

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. Pré-processamento e transformação
3.1. Visualização
3.2. Dados em falta e discrepantes
3.3. Normalização, redução de dimensionalidade e seleção de caraterísticas

4. Métodos de aprendizagem computacional
4.1. Métricas de desempenho
4.2. Aprendizagem não supervisionada
4.3. Aprendizagem supervisionada

5. Modelação
5.1. Análise de imagem
5.2. Análise de texto
5.3. Análise de séries temporais
 

NAO

Raschka, S., & Mirjalili, V. (2019). Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2 (3rd ed.). Packt Publishing. Loc. 1A-4-187 (ISEC) – 18950.

Chollet, F. (2021). Deep learning with Python. Shelter Island, NY : Manning, cop. Loc. 1A-4-205 (ISEC) – 19262

Géron, A. (2019) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow.  O’Reilly Media.  ISBN-13 : 978-1492032649. Loc. 1A-4-179 (ISEC) – 18948.

Kelleher, J., & Tierney, B. (2018), Data Science (The MIT Press Essential Knowledge series). MIT Press. ISBN-13: 978-0262535434. Loc. 1A-19-31 (ISEC) – 19364.

Goodfellow, I., & Bengio, Y., & Couville, A.  (2016). Deep learning. The MIT Press. ISBN: 0262035618.

Kelleher, J., & Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of Machine Learning for Predictive Data Analytics. The MIT Press. ISBN: 9780262044691.

Pointer, A. (2019). Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications (1st Ed.). O’Reilly Media.

Han J., Kamber M., & Pei J. (3rd Ed.). (2012). Data Mining Concepts and Techniques. Elsevier. Loc. 1A-19-11 (ISEC) – 14693.

Rebala G., Ravi A., & Churiwala S. (2019). An Introduction to Machine Learning. Springer.

Outros recursos disponíveis online, designadamente manuais do Python, sk-learn, tensorflow, pytorch e keras.