| Código |
15643
|
| 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, de privacidade e transparência 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
- MP1 - Mini Projeto I (individual): 15%
- MP2 - Mini Projeto II (individual): 20%
- MP3 - Mini Projeto III (individual): 15%
- P - Projeto (grupos de 3 elementos): 50%
A classificação final da UC resulta da média ponderada das classificações obtidas nas componentes de avaliação definidas. O aluno obtém aprovação à UC, estando dispensado de Exame, no caso de obter uma nota igual ou superior a 9.5 valores.
Avaliação por Exame
- Exame: 100% (prova realizada em computador sem consulta)
Requisitos de admissibilidade à frequência e ao exame:
- Mínimo de 70% de assiduidade às aulas durante o período de ensino-aprendizagem (exceto trabalhadores estudantes);
- Nota mínima de 6 valores em AE, onde AE = ((MP1 * 15%) + (MP2 * 20%) + (MP3 * 15%) + (P * 50%))
O incumprimento de qualquer um destes itens (incluindo a submissão de projetos fora do prazo) impede o aluno de se submeter à frequência e ao exame.
|
|
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.
- Gomes, D., Demidova, E., Winters, J. & Risse, T. (2021). The Past Web: Exploring Web Archives.
- Alammar, J. & Grootendorst, M. (2024). Hands-On Large Language Models.
- Rodriguez, C. (2024). Generative AI. Foundations in Python.
|
| Língua |
Português
|