| Código |
16680
|
| Ano |
2
|
| Semestre |
S2
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Objectivos de Aprendizagem |
A disciplina de visualização de dados pretende introduzir as técnicas de construção de elementos visuais ou textuais para fins de apresentação, confirmação, exploração e análise de um conjunto de dados. Para isso, a disciplina tem os seguintes objetivos:
- Dar a conhecer os principais problemas, conceitos e abordagens na área de visualização de dados;
- Conhecer os passos típicos na cadeia de produção do processo de análise e visualização de um conjunto de dados;
- Estudar técnicas de pré-processamento de dados, que permitam facilitar a sua compreensão/visualização;
- Introduzir os diferentes tipos de visualização gráfica existentes para sumarizar dados;
- Introduzir as técnicas de interpretação do processo de decisão de modelos de aprendizagem automática;
- Dominar as técnicas necessárias à construção de histórias visuais através de conjuntos de dados.
|
|
Conteúdos programáticos |
Introdução à visualização de dados: principais problemas, conceitos e abordagens na área de visualização de dados.
Introdução à cadeia de produção do processo de análise e visualização de um conjunto de dados.
- Técnicas de pré-processamento de dados
- Técnicas de limpeza de dados;
- Técnicas de transformação de dados;
- Técnicas de redução de dados.
Representações visuais de dados
- Representações de dados univariadados e multivariados;
- Gráficos condicionais, temporais e com valores multi-agregados;
- Análise visual para conjuntos de dados espaciais e temporais.
Técnicas de Interpretação do processo de decisão de modelos de aprendizagem automática.
Construções de histórias através dos dados usando representações visuais
- Introdução ao software Tableau;
- Análise de um conjunto de dados através das técnicas estudadas e uso do software Tableau para a criação das representações visuais.
|
|
Metodologias de Ensino e Critérios de Avaliação |
Metodologias de ensino:
• Aulas teóricas;
• Aulas prático-laboratoriais;
• Projeto individual;
• Tutoria para esclarecimento de dúvidas e acompanhar o aluno no desenvolvimento do seu projeto.
Métodos e Critérios de Avaliação:
As componentes teóricas e práticas são avaliadas recorrendo a dois elementos principais:
- uma prova escrita (T) de avaliação de conhecimentos, com um peso de 70% na nota final;
- um trabalho prático (TP) de grupo com relatório de execução e apresentação, com peso de 30% na nota final.
Classificação Ensino-Aprendizagem (CEA)= 0.7T + 0.3TP
Admissão ao exame final: CEA >= 6 valores (regulamento da UBI).
|
|
Bibliografia principal |
[1] Stephen Few. Now you see it: simple visualization techniques for quantitative analysis. Analytics Press, 2009.
[2] Roy Jafari, Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics, 2022
[3] He, Xiangyang, et al. "Multivariate spatial data visualization: a survey." Journal of Visualization 22.5 (2019): 897-912.
[4] Christoph Molnar, Interpretable Machine Learning: A Guide For Making Black Box Models Explainable, 2018.
[5] Lindy Ryan. Visual data storytelling with tableau: story points, telling compelling data narratives. Addison-Wesley Professional, 2018.
|
| Língua |
Português
|