Programação para Ciência de Dados

Conhecimentos de Base Recomendados

Não tem.

Métodos de Ensino

A atividade letiva decorre em regime presencial, com exposição de conceitos, técnicas e métodos, com grande enfoque na resolução de problemas práticos.

Será utilizado software de apoio à resolução de problemas.

Resultados de Aprendizagem

A unidade curricular de Programação para Ciência dos Dados é destinada a estudantes sem experiência prévia de programação.

É uma unidade estruturante do curso de mestrado em análise de dados e sistemas de apoio à decisão dado que os estudantes aprenderão os fundamentos da programação em Python necessários à realização de atividades de programação noutras unidades curriculares e desenvolvimento de projetos de Data Science.

Pretende-se assim com esta Unidade Curricular que os estudantes alcancem os seguintes objetivos:

  • Conceber algoritmos simples aplicando adequadas metodologias de programação.
  • Conhecer e compreender a linguagem Python.
  • Conhecer algumas das bibliotecas fundamentais do Python para a realização de projetos em Data Science, como NumPy, Pandas, MatPlotLib, Scipy e Scikit-learn
  • Conhecer comandos básicos de linguagem SQL para manipulação de conjuntos de dados
  • Compreender e adaptar programas existentes e elaborar novos programas codificados na linguagem Python.

 

Em termos de competências espera-se com esta unidade curricular que o aluno seja capaz de:

  • Utilizar a linguagem Python para a implementação de algoritmos
  • Utilizar a linguagem Python para manipulação de dados
  • Utilizar a linguagem Python para a visualização de resultados
  • Utilizar a linguagem Python para a implementação de projetos de Data Science

 

Programa

  1. Introdução ao Python
    1. Noções básicas de Python
    2. Estruturas de Dados em Python
    3. Fundamentos da Programação em Python
  2. Trabalhando com dados em Python
  3. Visualização de dados em Python
  4. Introdução ao Machine Learning em Python
  5. Outras aplicações do Python

Docente(s) responsável(eis)

Estágio(s)

NAO

Bibliografia

Principal:

  • Antonio Trigo. (2018, June 12). PyTrigo – Introdução à Data Science com Python (Version v0.12). Zenodo.http://doi.org/10.5281/zenodo.1288006

Complementar:

  • Jake VanderPlas (2016). Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media.
  • Wes McKinney (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O’Reilly Media.
  • Joel Grus (2019). Data Science from Scratch: First Principles with Python. O’Reilly Media.
  • Paul Deitel and Harvey Deitel (2019). Intro to Python for Computer Science and Data Science: Learning to Program withAI, Big Data and The Cloud. Pearson.
  • Stephen Klosterman (2019) Data Science Projects with Python: A case study approach to successful data scienceprojects using Python, pandas, and scikit-learn. Packt Publishing