Ciência dos Dados para Marketing

Objectivos

No final do curso, os alunos devem ser capazes de:
1. Aplicar técnicas de pré-processamento aos dados brutos
2. Compreender os conceitos de validação cruzada, divisão de treino / teste, leave-one-out
3. Compreender as métricas de avaliação de modelos
4. Aplicar técnicas de regressão e classificação para construir modelos preditivos
5. Entender o processo de ajuste de parâmetros
6. Aplicar o processo de aprendizado de máquina para analisar dados relacionados a marketing

Caracterização geral

Código

200201

Créditos

7.5

Professor responsável

Flávio Luís Portas Pinheiro

Horas

Semanais - A disponibilizar brevemente

Totais - A disponibilizar brevemente

Idioma de ensino

Português. No caso de existirem alunos de Erasmus, as aulas serão leccionadas em Inglês

Pré-requisitos

  

Bibliografia

- Kelleher, J. D., Mac Namee, B., & D'Arcy, A. (2015 ). Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT Press.
- Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. " O'Reilly Media, Inc.".
- Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. " O'Reilly Media, Inc.".
- Michalski, R. S., Carbonell, J. G., & Mitchell, T. M. (Eds.). (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.
 

Método de ensino

  

Método de avaliação

  

Conteúdo

1. Machine Learning: definições e conceitos introdutórios
2. A tarefa de aprendizagem de máquina: pré-processamento, construção de modelo e validação
3. Métricas de avaliação
4. Validação cruzada e validação de treino / teste. Complexidade do modelo e overfitting
5. Tarefa de classificação: regressão logística
6. Algoritmo KNN e algoritmo K-means
7. Regressão Linear
8. Máquinas de Vetores de Suporte
9. Florestas Aleatórias, Arvores de Decisão e Técnicas Ensemble
10. A escolha dos hyper parâmetros: ajuste do modelo.
11. Aplicações das técnicas no campo do marketing