| Código |
16682
|
| Ano |
3
|
| Semestre |
S1
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Objectivos de Aprendizagem |
No final desta unidade curricular, pretende-se que o aluno seja capaz de:
- Perceber o que é a análise de dados e como se encaixa no workflow de ciência de dados;
- Compreender a natureza dos diferentes tipos de dados e a necessidade de tratá-los;
- Saber aplicar as diferentes tipos de análise de dados (descritiva, preditiva, prescritiva e diagnóstica);
- Organizar e sintetizar os dados de forma a obter as informações necessárias para responder as questões que estão sendo estudadas;
- Aplicar ferramentas para visualizações objectivas e eficazes de dados que resultem em acções concretas;
- Perceber o que é streaming data e em que contexto se aplica;
- Saber fazer análise de dados em streaming data e séries temporais;
- Utilizar a linguagem Python e as suas bibliotecas para análise de dados.
|
|
Conteúdos programáticos |
1. Introdução à análise de dados e compreensão da sua importância na ciência de dados;
2. Caracterização dos diferentes tipos de dados e a sua natureza;
3. Caracterização dos diferentes tipos de análise de dados;
4. Redução de dimensão/número de variáveis;
5. Visualização de dados para análise de dados;
6. Sumário estatístico dos dados;
7. Seleção de variáveis preditivas;
8. Streaming data;
9. Python para análise de dados.
|
|
Metodologias de Ensino e Critérios de Avaliação |
Os conteúdos desta unidade curricular são expostos em aulas teóricas (método expositivo e interativo) e a sua vertente prática é explorada em aulas práticas laboratoriais. Cada tipo de aula tem duas horas de contacto semanal.
As aulas práticas regem-se por guias laboratoriais que os estudantes executam em computadores de laboratórios. Os trabalhos individuais e de grupo propostos são desenhados de modo a que os alunos desenvolvam as capacidades técnicas descritas nos objetivos através do projeto e implementação de labs. Avaliam-se as componentes teóricas e práticas recorrendo a 2 elementos principais:
- Labs 50% - 10 Valores;
- Project 50% - 10 Valores.
|
|
Bibliografia principal |
Reis, Joe, and Matt Housley. Fundamentals of Data Engineering. " O'Reilly Media, Inc.", 2022.
McKinney, Wes. Python para análise de dados: Tratamento de dados com Pandas, NumPy e IPython. Novatec Editora, 2018.
Rogel-Salazar, Jesus. Data science and analytics with python. CRC Press, 2018.
Nelli, Fabio. Python data analytics: Data analysis and science using PANDAs, Matplotlib and the Python Programming Language. Apress, 2015.
Mukhopadhyay, Sayan. Advanced data analytics using Python: with machine learning, deep learning and nlp examples. Apress, 2018.
|
| Língua |
Português
|