Laboratório de Análise de Dados

Conhecimentos de Base Recomendados

São recomendados conhecimentos sobre:

– Aprendizagem Computacional, clássica e profunda

– Python

Métodos de Ensino

Aulas teóricas

– Apresentação e discussão dos temas do programa

– Apresentação e discussão de trabalhos e exemplos

– Palestras de convidados

Aulas práticas

É realizado um trabalho prático com dados reais, designadamente do LXDatalab

Resultados de Aprendizagem

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

 

 

Programa

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

 

Docente(s) responsável(eis)

Estágio(s)

NAO

Bibliografia

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.

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.

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