Análise e Engenharia de Big Data
Objetivos educativos
O Mestrado em Análise e Engenharia de Big Data tem como objetivo formar especialistas, a nível de um 2.º ciclo de estudos, no domínio emergente de Ciência de Dados e Engenharia de Dados, e destina-se a candidatos com formação ao nível de um 1.º ciclo de estudos, possuidores de bases matemáticas e de programação.
O curso desenvolve competências relativamente ao processamento e análise de grandes volumes de dados por métodos computacionais e matemáticos avançados, e metodologias para procurar e encontrar respostas necessárias aos processos de gestão, monitorização, e otimização, ou extrair conhecimento, tendências, correlações, ou previsões, em particular através de aprendizagem automática.
Os objetivos do curso estão alinhados com a “Iniciativa Nacional Competências Digitais e.2030“, nos eixos da especialização (item qualificação e criação de maior valor acrescentado na economia) e de investigação (item big data).
Saídas profissionais
O Mestrado em Análise e Engenharia de Big Data visa a educação de analistas, líderes de desenvolvimento do projeto e especialistas em inovação no campo emergente da Ciência de Dados e Engenharia. Os especialistas nesta área de Big Data são especialmente procurados por todas as empresas e instituições onde são gerados ou são consumidos grandes volumes de dados, nomeadamente na saúde, na administração pública, comércio electrónico e marketing, finanças, energia, meio ambiente e urbanismo, telecomunicações, media e comunicação social, indústria farmacêutica ou biotecnológica.
Caracterização geral
Código DGES
994
Ciclo
Mestrado (2.º Ciclo)
Grau
Mestre
Acesso a outros cursos
Acesso ao 3.º ciclo
Coordenador
João Carlos Gomes Moura Pires
Data de abertura
Setembro
Número máximo de admissões
25
Propinas
Estudantes nacionais: 2000 Euros/anual
Estudantes internacionais: 7000 Euros/anual
Horários
Diurno
Idioma de ensino
A disponibilizar brevemente
Requisitos para obtenção do grau ou diploma
Duração: 2 anos
Créditos totais: 120 ECTS
Área científica | Sigla | ECTS | |
Obrigatórios | Optativos | ||
Informática | I | 18 | 6 |
Matemática | M | 12 | 6 |
Informática ou Matemática | M/I | 63 | 6 |
Competências Complementares | CC | 3 | 0 |
Qualquer Área Científica | QAC | 0 | 6 a) |
TOTAL | 96 | 24 |
(a) 6 créditos ECTS em unidades curriculares escolhidas pelo estudante numa lista, aprovada anualmente pelo Conselho Científico da NOVA FCT, que inclui unidades de todas as áreas científicas da NOVA FCT.
Condições de acesso
Podem candidatar-se:
- Titulares do grau de licenciado ou equivalente legal em licenciaturas das áreas de Engenharia, Ciências Exatas, Ciências Naturais ou Economia, sujeito a apreciação curricular do candidato. O programa requer bases matemáticas e noções de computação e programação ao nível de um primeiro ciclo geral de engenharia.;
- Titulares de um grau académico superior estrangeiro conferido na sequência de um 1.º ciclo de estudos organizado, naquelas áreas, de acordo com os princípios do Processo de Bolonha por um Estado aderente a este Processo;
- Titulares de um grau académico superior estrangeiro, naquelas áreas, que seja reconhecido como satisfazendo os objectivos do grau de licenciado pelo Conselho Científico da Faculdade de Ciências e Tecnologia;
- Detentores de um currículo escolar, científico ou profissional, que seja reconhecido como atestando capacidade para realização deste ciclo de estudos pela Comissão Científica do curso.
Critérios de seriação:
- Classificação de curso;
- Curriculum académico e científico;
- Curriculum profissional;
- Eventual entrevista
Regras de avaliação
A avaliação de todas as UC é contínua para todas as componentes que a integrarem, tendo obrigatoriamente de estar concluída até ao último dia do período de aulas do semestre letivo.
A avaliação contínua de uma UC tem de incluir um mínimo de três elementos no conjunto das componentes de avaliação, em datas adequadamente espaçadas ao longo do período de aulas.
Todas as UC com componente de avaliação teórico-prática têm de prever, supletivamente, uma forma de avaliação desta componente por exame, a realizar após o período de aulas (Exame de Recurso).
Todos os requisitos e condições respeitantes à avaliação das UC, nomeadamente os pesos e classificações mínimas, caso existam, de cada componente, bem como as condições de Frequência, são definidas a priori e, obrigatoriamente, publicados na Ficha da Disciplina.
Para cada UC são admitidas combinações de três componentes de avaliação: (i) Avaliação teórico-prática; (ii) Avaliação laboratorial ou de projeto; (iii) Avaliação sumativa.
A disciplina de Dissertação (ou Projeto) compreende uma discussão pública com Júri, de acordo com lei.
Ver Regulamento de Avaliação de Conhecimentos (Licenciaturas, Mestrados Integrados e Mestrados.)
Estrutura
1.º Semestre | ||
---|---|---|
Código | Nome | ECTS |
11157 | Aprendizagem Automática | 6.0 |
8518 | Estatística Multivariada | 6.0 |
10810 | Estatística Numérica Computacional | 6.0 |
12077 | Recuperação de Informação | 6.0 |
12078 | Sistemas para Processamento de Big Data | 6.0 |
2.º Semestre | ||
---|---|---|
Código | Nome | ECTS |
10380 | Empreendedorismo | 3.0 |
12079 | Seminário | 3.0 |
2.º Semestre - Unidade Curricular de Bloco Livre | ||
---|---|---|
Código | Nome | ECTS |
Opções | ||
11066 | Opção(ões) Livre(s) | 6.0 | O aluno deverá obter 6.0 créditos nesta opção. |
2.º Semestre - Unidade de Especialização I | ||
---|---|---|
Código | Nome | ECTS |
Opções | ||
12083 | Algoritmos para Redes Complexas | 6.0 |
12082 | Análise de Grandes Grafos | 6.0 |
12084 | Aprendizagem com Dados Não Estruturados | 6.0 |
12081 | Decisão e Risco | 6.0 |
12080 | Métodos Bayesianos | 6.0 |
12145 | Otimização Linear | 6.0 |
10808 | Otimização Não Linear | 6.0 |
11562 | Processamento de Streams | 6.0 |
11563 | Prospeção e Análise de Dados | 6.0 |
11565 | Visualização Interativa de Dados | 6.0 | O aluno deverá obter 6.0 créditos nesta opção. |
2.º Semestre - Unidade de Especialização II | ||
---|---|---|
Código | Nome | ECTS |
Opções | ||
12083 | Algoritmos para Redes Complexas | 6.0 |
12082 | Análise de Grandes Grafos | 6.0 |
12084 | Aprendizagem com Dados Não Estruturados | 6.0 |
12081 | Decisão e Risco | 6.0 |
12080 | Métodos Bayesianos | 6.0 |
12145 | Otimização Linear | 6.0 |
10808 | Otimização Não Linear | 6.0 |
11562 | Processamento de Streams | 6.0 |
11563 | Prospeção e Análise de Dados | 6.0 |
11565 | Visualização Interativa de Dados | 6.0 | O aluno deverá obter 6.0 créditos nesta opção. |
2.º Semestre - Unidade de Especialização III | ||
---|---|---|
Código | Nome | ECTS |
Opções | ||
12083 | Algoritmos para Redes Complexas | 6.0 |
12082 | Análise de Grandes Grafos | 6.0 |
12084 | Aprendizagem com Dados Não Estruturados | 6.0 |
12081 | Decisão e Risco | 6.0 |
12080 | Métodos Bayesianos | 6.0 |
12145 | Otimização Linear | 6.0 |
10808 | Otimização Não Linear | 6.0 |
11562 | Processamento de Streams | 6.0 |
11563 | Prospeção e Análise de Dados | 6.0 |
11565 | Visualização Interativa de Dados | 6.0 | O aluno deverá obter 6.0 créditos nesta opção. |
2.º Ano | ||
---|---|---|
Código | Nome | ECTS |
12085 | Dissertação em Análise e Engenharia de Big Data | 60.0 |