Código |
14479
|
Ano |
1
|
Semestre |
S2
|
Créditos ECTS |
6
|
Carga Horária |
PL(30H)/T(30H)
|
Área Científica |
Informática
|
Objectivos de Aprendizagem |
Esta UC tem por objetivo introduzir os alunos a tópicos fundamentais da ciência de dados (CD). No final da UC o aluno deverá saber (1) listar os passos envolvidos num projeto de CD e descrever as funções de cada um; (2) conhecer as principais ferramentas de desenvolvimento de um projeto de CD; (3) aplicar métodos de aquisição e obtenção de dados com recurso a pacotes de software python, APIs e web scraping; (4) importar, manipular, transformar, relacionar, analisar e armazenar dados numéricos sob a forma de vetores e de matrizes com recurso ao Numpy; (5) importar, limpar, transformar, manipular, filtrar, agregar, ordenar e analisar dados de forma exploratória com recurso ao Pandas; (6) comunicar resultados através da visualização de dados estáticos e interativos com recurso ao matplotlib, plotly, seaborn e streamlit; (7) entender o que é a IA generativa e saber usar modelos de elevada dimensão;(8) discutir as preocupações éticas associadas à obtenção e ao uso de dados em projetos de CD
|
Conteúdos programáticos |
1. Introdução à Ciência de Dados 2. Ferramentas de desenvolvimento no contexto da Ciência de Dados 3. Aquisição de Dados 4. Manipulação e Análise de Dados Numéricos com Numpy 5. Manipulação e Análise de Dados com Pandas Dataframes 6. Visualização de Dados Estáticos e Interativos com recurso ao Matplotlib, Plotly, Seaborn e Streamlit 7. Introdução aos Modelos de Linguagem de Grande Dimensão (LLMs) para Processamento da Linguagem Natural (PLN) 8. Ética e Privacidade na Ciência de Dados
|
Metodologias de Ensino e Critérios de Avaliação |
Assiduidade (A) A aprovação à disciplina está condicionada a níveis mínimos de assiduidade de 80% nas aulas. Trabalho Prático (P) Os trabalhos práticos da disciplina contribuem em 10 valores para a classificação final. A aprovação à disciplina requer a nota mínima de 5 valores no trabalho prático. Parte 1: Data Science Use Case: In-depth Report and Presentation (3 valores): 26 de Março de 2021, 23:59, via email. (Grupos de até 4 elementos) Parte 2: Data Science Hands-On Project: Supermarket Analysis (7 valores): 28 de Maio de 2021, 23:59, via email. (Individual) A obtenção de classificação nos trabalhos práticos está condicionada à apresentação/discussão individual de cada aluno com o docente. Frequência Prova (F1) - 6ª feira, 4 de junho de 2021, 14:00-16:00, Sala 6.17 Classificação Ensino/Aprendizagem (C) C=P1*3/20+P2*7/20+F*10/20 Admissão a Exame Consideram-se admitidos a Exame os alunos que obtiverem classificação mínima de 6 valores na componente de Ensino-Aprendizagem. Exames
|
Bibliografia principal |
- Abha Belorkar, Sharath Guntuku, Shubhangi Hora, Anshu Kumar (2020). Interactive Data Visualization with Python. 2nd edition. Packt Publishing. - Foster Provost, Tom Fawcett (2013). Data Science for Business. O'Reilly - Jake VanderPlas (2017). Python Data Science Handbook. O’Reilly - Mike Loukides, Hilary Mason, DJ Patil (2018). Ethics and Data Science. O'Reilly - Stefanie Molin (2019). Hands-On Data Analysis with Pandas: Efficiently perform data collection, wrangling, analysis, and visualization using Python. Packt Publishing. - Steve Blair (2019). Python Data Science: The Ultimate Handbook for Beginners on How to Explore NumPy for Numerical Data, Pandas for Data Analysis, IPython, Scikit-Learn and Tensorflow for Machine Learning and Business - Wes McKinney (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O´Reilly - Daniel Gomes, Elena Demidova, Jane Winters, Thomas Risse (2021). The Past Web: Exploring Web Archives. Springer
|
Língua |
Português
|