| Código |
14733
|
| Ano |
3
|
| Semestre |
S1
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Tipo de ensino |
Ensino presencial.
|
|
Estágios |
Não aplicável.
|
|
Objectivos de Aprendizagem |
Esta unidade curricular tem como objetivo dar a conhecer o que é uma plataforma de desenvolvimento de aplicações inteligentes para a web. Dar a conhecer quais os seus principais componentes, a estrutura de cada componente e ensinar a usá-los de forma integrada. No final o aluno deverá ser capaz de comparar as principais plataformas de desenvolvimento. O aluno deverá ser capaz de conhecer e compreender os conceitos e técnicas básicas de Recuperação de Informação, Pesquisa na Web, Mineração de Dados e Aprendizagem Automática para extrair conhecimento da Web. O aluno deverá desenvolver habilidades no uso de softwares de mineração de dados recentes para resolver problemas práticos de mineração na Web.
|
|
Conteúdos programáticos |
1 – Arquitetura das aplicações web.
2 – Frameworks de desenvolvimento web.
3 – Mineração na Web
4 – Recuperação da Informação e Pesquisa Web
5 – Ranking baseado nas hiperligações.
6 – Abordagens de conjuntos para a Web.
7– Abordagens de classificação para a Web.
8 – Sistemas de Recomendação
|
|
Metodologias de Ensino e Critérios de Avaliação |
Componente Prática - 100% da nota fi nal: Trabalho Individual (TI), o(a) aluno(a) pode ter no máximo 5 valores; Trabalho de Grupo (TG), o(a) aluno(a) pode ter no máximo 15 valores, com três momentos de avaliação obrigatórios: Relatório a incidir nos requisitos funcionais e não funcionais, do trabalho, máximo 2 valor na nota fi nal; Relatório com os mockups da Aplicação Web, máximo 3 valor na nota fi nal; máximo 10 valores na nota final. Assiduidade - máximo de 6 faltas presenciais nas aulas teóricas e/ou aulas práticas: Assiduidade (Ass) para esta unidade curricular é de aproximadamente 80%, em termos concretos, o(a) aluno(a) tem uma tolerância máxima de 6 faltas no total das aulas da unidade curricular; Por cada falta o(a) aluno(a) tem um desconto de 0,5 na sua nota fi nal. A aprovação à unidade curricular depende da assiduidade e da classi cação para o período ensino-aprendizagem: Classi cação obtida da média ponderada das classi cações obtidas nos referidos elementos: C = 0,25xTI + 0,75xTG. O(a) aluno(a) é aprovado(a) caso obtenha uma classi cação superior ou igual a 9.5 e assiduidade superior ou igual a 80% durante o período ensino-aprendizagem. Em caso de aprovação, a classi cação fi nal (CF) é o número inteiro mais próximo de C, ou seja: Se C >= 9,5 e Ass >= 80%, Então Aprovado com CF = arredondar (C). Em caso de aprovação no período ensino-aprendizagem, o(a) aluno(a) é dispensado de exame, embora possa ir melhorar a sua classi cação final em exame. Época de exames em janeiro, o(a) aluno(a) é avaliado para um total de 20 valores. A admissão a exame depende da obtenção de uma classi cação superior ou igual a 6 e assiduidade superior ou igual a 80%, ou seja: Se C >= 6 e Ass >= 80%, então Admitido a Exame, caso contrário, Reprovado. O exame (E) versa sobre toda a matéria lecionada e praticada durante o período ensino-aprendizagem, substituindo o teste de aferição de conhecimentos escrito, valendo portanto 100% da classi cação fi nal. A classi cação após exame (CE) é calculada usando a fórmula: CE = E. A classi cação fi nal à unidade curricular no fi nal das atividades letivas depende da assiduidade e da maior das duas classi caçõs C e CE: O(a) aluno(a) é Aprovado à unidade curricular se uma das classi cações C ou CE for superior ou igual a 9,5 e a assiduidade superior a 80% (faz-se notar que a assiduidade conta também para admissão a exame). Em caso de aprovação, a classi cação fi nal (CF) é o numero inteiro mais próximo da maior das duas classi cações. A classi cação fi nal será Reprovado caso ambas as notas sejam inferiores a 9.5 ou a assiduidade inferior a 80%: Se MAX(C; CE) >= 9:5 e Ass >= 78%, Então Aprovado com CF = arredondar (MAX(C; CE)), Caso Contrário, Reprovado.
|
|
Bibliografia principal |
Liu, Bing. Web data mining: exploring hyperlinks, contents, and usage data. Vol. 1. Berlin: Springer, 2011.
Zdravko Markov and Daniel T. Larose. Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage, Wiley, 2007, ISBN: 978-0-471-66655-4.
Eibe Frank, Mark A. Hall, and Ian H. Witten (2016). The WEKA Workbench. Online Appendix for "Data Mining: Practical Machine Learning Tools and Techniques", Morgan Kaufmann, Fourth Edition, 2016.
DuBois, Paul. MySQL. Pearson Education, 2008.
Alexandre Pereira e Carlos Poupa, “Linguagens Web”, 5.ª ed. Lisboa: Sílabo, 2013. ISBN: 978-972-818-715-8.
Tim Converse and Joyce Park, “PHP Bible”, 2nd Edition, Wiley, ISBN: 978-0-7645-4955-7.
Leon Shklar and Rich Rosen, “Web Applicatin Architecture: Principles, Protocols and Practices”, 2nd Edition, Wiley, 2009.
Tutoriais da W3Schools: http://www.w3schools.com
Alexis Goldstein, Louis Lazaris and Estelle Weyl, “HTML5 and
|
| Língua |
Português
|