Data Science and Machine Learning
Objetivos
A unidade curricular de Data Science and Machine Learning tem como objetivo principal permitir que os alunos adquiram compreensão fundamental dos conceitos de Análise de Dados e métodos de Machine Learning, permitindo-lhes extrair informações e conhecimento de grandes bancos de dados. Este campo tem sido desenvolvido rapidamente e tornou-se central para várias atividades. A sua contribuição estende-se à pesquisa científica de marketing, constituindo um corpo de conhecimento muito significativo e ainda em expansão. No final do curso, os participantes serão capazes de compreender os conceitos-chave na aquisição, preparação, exploração e visualização de dados. Além disso, a teoria de Machine Learning combinada com alguns cenários práticos em modelos de Machine Learning serão abordados. Exemplos práticos orientados para a aplicação serão apresentados sobre como construir e obter insights desses modelos usando Python.
Caracterização geral
Código
400088
Créditos
7.5
Professor responsável
Carina Isabel Andrade Albuquerque
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
Sem requisitos
Bibliografia
• Dean Abbott (2014) "Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst", Wiley
• Daniel T. Larose, Chantal D. Larose (2015) "Data Mining and Predictive Analytics", 2nd Edition, Wiley
• Mitchell, T., (1997) "Machine Learning", McGraw Hill.
• Hand, D. J., Mannila, H., Smyth, P. (2001) "Principles of Data Mining (Adaptive Computation and Machine Learning)", MIT Press.
• Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media.
• Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738). New York: springer.
• Ng, A. (2017). Machine learning yearning. URL: http://www. mlyearning. org/(96), 139.
Método de ensino
O curso é baseado em uma combinação de aulas teóricas e aulas e tutoriais práticas. As sessões teóricas incluem a apresentação de conceitos e metodologias teóricas, bem como exemplos de aplicação. O principal objetivo das aulas práticas é familiarizar os alunos com o software para realizar análises e tarefas de exploração de dados.
Método de avaliação
Exame de 1ª chamada
• Exame (40%)
• Projeto 1 (30%)
• Projeto 2 (30%)
Exame de 2ª chamada
• Exame (40%)
• Projeto 1 (30%)
• Projeto 2 (30%)
Nota mínima de 8,0 (em 20) para o exame e os projetos.
Conteúdo
O curso é dividido nas seguintes unidades de aprendizagem (LU):
LU1. Introdução à Ciência de Dados
LU2. Metodologia de Ciência de Dados e Introdução a Machine Learning
LU3. Trabalhando com Dados: pré-processamento de dados e visualização de dados
LU4. Modelos de Aprendizagem Não Supervisionada
• Introdução à análise de cluster
LU5. Modelos de Aprendizagem Supervisionada
• Árvores de regressão e classificação
• Redes neurais
Cursos
Cursos onde a unidade curricular é leccionada: