Tópicos de Ciência de Dados

Os métodos de ensino (ME) a utilizar estão balanceados entre tradicionais e ativos e são os seguintes:
ME1 – Exposição de conteúdos pelo professor (compatível com objetivos de aprendizagem 1, 2, 3, 4, 5, 6)
ME2 – Testar os conteúdos apreendidos pelos alunos (compatível com objetivos de aprendizagem 1, 2, 3, 4, 5, 6)
ME3 – Resolução de problemas pelos alunos (compatível com objetivos de aprendizagem 1, 2, 5, 6, 7)
ME4 – Interação e partilha de ideias pelos alunos (compatível com objetivos de aprendizagem 1, 2, 5, 6, 7)
ME5 – Desenvolvimento de pensamento crítico pelos alunos (compatível com objetivos de aprendizagem 1, 2, 5, 6, 7)
ME6 – Investigação feita pelos alunos (compatível com objetivos de aprendizagem 5, 7)
ME7 – Criação feita pelos alunos (compatível com objetivos de aprendizagem 7)
A unidade curricular baseia-se em aulas teóricas-práticas. Os métodos de ensino (ME) a utilizar estão balanceados entre tradicionais e
ativos.
As aulas incluem a apresentação de conceitos e metodologias e procedem com a sua discussão, assim como a demonstração da
resolução de problemas aplicados. Nas aulas apresentam-se conceitos e metodologias, discutem-se conteúdos e demonstra-se a
resolução de problemas. O conteúdo é ensinado e discutido em ambiente de sala.
Para além do tradicional método expositivo, a metodologia incluirá a aprendizagem baseada em projetos (ABP), do inglês “Project Based
Learning”. Como o próprio nome diz, uma metodologia de aprendizagem ativa que tem como objetivo associar o aprender ao fazer. Esse
método baseia-se na construção do conhecimento de maneira coletiva, fugindo do modelo de sala de aula convencional onde o professor
ensina uma matéria e os alunos mostram o quanto aprenderam a partir de uma atividade avaliativa final. O projeto que se propõe
desenvolver, desejavelmente realizado em grupo, tem por objetivo abranger as primeiras fases de um projeto de ciência de dados, de
acordo com a proposta de ciclo de vida da ciência de dados feita por Hotz (2022) da Data Science Process Alliance. Este projeto incluirá a
fase de definição do problema e a fase de investigação e limpeza de dados. É expectável que, em momento mais avançados da
licenciatura, o aluno desenvolva projetos que abranjam as restantes fases do ciclo de vida da ciência de dados.

Os principais objetivos de aprendizagem (AO) definidos são os seguintes:
OA1 Conhecer o papel central dos dados numa estratégia de criação de valor das organizações
OA2 Compreender como se estrutura e dinamiza um pensamento orientado por dados

1 Os dados, a sua transformação em valor e o pensamento orientado por dados
2 A ciência de dados e aplicações em vários domínios
3 Os envolvidos num projeto de ciência de dados
4 As principais técnicas da ciência de dados
5 Fontes de dados a nível nacional e internacional
6 O(s) ciclo(s) de vida da ciência de dados
7 Processamento de linguagem natural (PLN)
8 Análise de casos práticos
9 Ferramentas usadas na ciência de dados
10 Principais problemas e desafios da ciência de dados

NAO

Adamson, J. (2021). Minding the Machines: Building and Leading Data Science and Analytics Teams. John Wiley & Sons.
Berry, Michael J, & Linoff, Gordon. (1997). Data Mining Techniques: For Marketing, Sales, and Customer Support. New York, USA: John
Wiley & Sons, Inc.
Bigus, Joseph P. (1996). Data Mining with Neural Networks: Solving Business Problems from Application Development to Decision Support.
Crawfordsville, Indiana, USA: McGraw-Hill, Inc.
Chakrabarti, Soumen, Cox, Earl, Frank, Eibe, Güting, Ralf Hartmut, Han, Jiawei, Jiang, Xia, Neapolitan, Richard E. (2008). Data Mining:
Know It All. Burlinghton, Massachusetts: Morgan Kaufmann Publishers.
Fernandes, Anita Maria da Rocha. (2005). Inteligência Artificial: Noções Gerais. Brasil: Visual Books.
Hotz, N. (2022, October 7). What is a Data Science Life Cycle?. Data Science Process Alliance. https://www.datascience-pm.com/datascience-
life-cycle/
Kelleher, J. D., Mac Namee, B., & D’arcy, A. (2015). Fundamentals of machine lea