Ciência de Dados

Imagem d@ Ricardo Nuno Taborda Campos [Ficheiro Local]
Ricardo Nuno Taborda Campos
Código:
17929
Ano:
1
Semestre:
S1
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) saber usar modelos de elevada dimensão; (8) discutir as preocupações éticas e de privacidade associadas à obtenção, uso e manipulação 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:
Avaliação Ensino/Aprendizagem
- Frequência: 50% (prova individual realizada em computador com consulta parcial dos conteúdos)
- Projeto: 50% (grupos de 3 elementos)

Avaliação por Exame
- Exame: 100% (prova realizada em computador sem consulta)
Bibliografia principal:
- Belorkar, A., Guntuku, S., Hora, S. & Kumar, A. (2020). Interactive Data Visualization with Python.
- Provost, F. & Fawcett, T. (2013). Data Science for Business.
- VanderPlas, J. (2017). Python Data Science Handbook.
- Loukides, M., Mason, H. & Patil, D. (2018). Ethics and Data Science.
- Molin, S. (2019). Hands-On Data Analysis with Pandas: Efficiently perform data collection, wrangling, analysis, and visualization using Python.
- Blair, S. (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
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython.
- Alammar, J. & Grootendorst, M. (2024). Hands-On Large Language Models.
- Rodriguez, C. (2024). Generative AI. Foundations in Python.
- Raschka, S. (2024). Build a Large Languade Model (From Scratch). Manning
Língua:
Português