Master in Data Science and Advanced Analytics
Education objectives
A popularidade da ciência de dados e análise de negócios tem crescido continuamente nos últimos anos, quer na indústria quer no meio académico. O curso de Mestrado em Data Science and Analytics é destinado a pessoas com capacidades analíticas que pretendem enfrentar os desafios da tecnologia moderna, resolver problemas novos e desafiadores, que gostam de transformar dados em conhecimento e desejam desenvolver uma carreira numa área com enorme potencial de crescimento e com grande demanda mundial.
Os melhores alunos do 1º ano deste curso serão convidados para um estágio remunerado de 6 meses, a decorrer durante o 2º ano, numa das seguintes instituições: Accenture, BI4ALL, Feedzai, Future Healthcare, Grupo Ageas Portugal, iFood, Izertis, Millennium BCP, NOVA IMS, SAS e Tranquilidade.
Este curso tem duas especializações, identificando as duas principais áreas e tendências de Data Science and Analytics: Business Analytics e Data Science. No plano de estudos, existe um tronco comum que consiste numa formação nos principais paradigmas associados a grandes quantidades de dados, processos de tomada de decisão, estatística, data mining e machine learning, e processos de criação e manutenção de modelos descritivos e preditivos.
Candidaturas
Para a candidatura ser considerada completa terá de preencher o formulário disponível em Portal de Candidaturas da NOVA IMS, fazer o upload do Curriculum Vitae, realizar o pagamento da taxa de candidatura e submeter a candidatura no final, de 20 de abril a 26 de maio de 2022. O processo de seleção dos alunos é feito com base na análise do currículo académico e profissional.
General characterization
DGES code
7512
Cicle
Master (2nd Cycle)
Degree
Master
Access to other programs
Access to Doctoral Program.
Coordinator
Roberto Henriques
Opening date
September 2022
Vacancies
Fees
6.200€
Schedule
Working Hours
Teaching language
English
Degree pre-requisites
Cada especialização do Mestrado tem a duração de 4 semestres letivos, num total de 120 ECTS. Os dois primeiros semestres correspondem à parte letiva, durante a qual os alunos têm que realizar um conjunto de Unidades Curriculares, a que correspondem 60 ECTS. O terceiro semestre é dedicado à elaboração de uma dissertação de natureza científica, de um trabalho de projeto ou de um relatório de estágio de natureza profissional, a que corresponde 60 ECTS.
Conditions of admittance
Para ingressar neste curso, o candidato deverá satisfazer as seguintes condições: possuir grau de Licenciatura em área compatível (concluído até setembro); ser proficiente na língua inglesa, falada e escrita. O processo de seleção dos candidatos é realizado com base na análise do currículo académico e profissional.
Evaluation rules
Structure
Paths
| 1º year - Autumn semester | ||
|---|---|---|
| Code | Name | ECTS |
| 200179 | Machine Learning | 7.5 |
| 200174 | Storing and Retrieving Data | 4.0 |
| 200175 | Data Mining | 7.5 |
| 200178 | Statistics for Data Science | 7.5 |
| 200211 | Programming for Data Science | 3.5 |
| 1º year - Spring semester | ||
|---|---|---|
| Code | Name | ECTS |
| 200180 | Deep Learning | 3.5 |
| 200282 | Biga Data Analytics | 7.5 |
| 200011 | Business Intelligence | 7.5 |
| 200208 | Business Cases with Data Science | 7.5 |
| 200278 | Business Process Management | 3.5 |
| 200142 | Computational Intelligence for Optimization | 7.5 |
| 200181 | Text Mining | 4.0 |
| 200283 | Digital Transformation | 4.0 |
| Options | ||
| 200180 | Deep Learning | 3.5 |
| 200292 | Ethics in Data Science | 3.5 |
| 200142 | Computational Intelligence for Optimization | 7.5 |
| 200207 | Big Data Modelling and Management | 3.5 |
| 200294 | Neural and Evolutionary Learning | 4.0 |
| 200293 | Machine Learning Operations | 3.5 |
| 200295 | Reinforcement Learning | 4.0 |
| 200181 | Text Mining | 4.0 |
| 200176 | Data Visualization | 4.0 |
| 2º year - Autumn semester | ||
|---|---|---|
| Code | Name | ECTS |
| 200290 | Dissertation/ Work Project/ Interneship Report | 54.0 |
| 200289 | Research Methods | 6.0 |
| 200289 | Research Methods | 6.0 |