main content

pagetop

header

slides

menu principal

principal

breadcrumbs

conteudo

Unidades Curriculares
  1. Semestre Outono

    Computational Intelligence for Optimization
    Esta unidade curricular pretende apresentar aos alunos o conceito básico de otimização e um conjunto de métodos heurísticos para a resolução ou aproximação de problemas de otimização. Ao mesmo tempo, esta unidade curricular deve ajudar os alunos a adquirirem alguma base de programação.

    Data Mining
    Em termos de conhecimentos adquiridos, no final desta unidade curricular o aluno deverá ser capaz de:

    • Discuta os principais tópicos de DM;
    • Dados de pré-processamento;
    • Use diferentes ferramentas de visualização para explorar os dados;
    • Dados de cluster;
    • Organizar e implementar um processo de agrupamento;
    • Descreva os principais algoritmos usados na análise de associação.

    Data Visualization
    A criação e estudo da representação visual de dados é estudada nesta unidade curricular. Graças às técnicas de visualização mais utilizadas, os alunos serão capazes de efetivamente analisar e raciocinar sobre dados e evidências. Utilizando os métodos estudados nesta unidade curricular, será possível tornar dados complexos mais acessíveis, compreensíveis e utilizáveis. Os alunos serão confrontados com tarefas analíticas específicas, como fazer comparações ou compreender a causalidade, e serão apresentados ao princípio de design dos gráficos.
    Gráficos de informação, visualização de informação, visualização científica, análise exploratória de dados e gráficos estatísticos são o núcleo desta unidade curricular que estará na fronteira entre a teoria e a prática.

    Programming for Data Science
    O objetivo desta unidade curricular é apresentar os conceitos básicos de programação em Python. A unidade curricular está dirigida a alunos que não tenham experiência em programação de computadores, partindo dos fundamentos da computação e da programação imperativa. No entanto, a unidade curricular irá evoluir rapidamente para técnicas e conceitos de programação avançados. Desta forma, no final desta unidade curricular, os alunos serão capazes de abordar de forma eficaz problemas complexos, tipicamente caracterizados por grandes quantidades de dados, programando estratégias eficientes de extração de informação e apoio ao processo de tomada de decisão.

    Statistics for Data Science
    Nesta unidade curricular, os alunos irão aprender todas as abordagens estatísticas mais populares e úteis para o Data Science. Por exemplo, a unidade curricular irá abranger técnicas avançadas de análise estatística multivariada, modelos de regressão clássicos e generalizados, análise de séries temporais e vários outros. No final desta unidade curricular, face a um vasto conjunto de dados e a um problema específico, os alunos serão capazes de escolher a metodologia adequada e serão capazes de compreender e analisar criticamente os resultados obtidos. Os alunos terão também uma visão aprofundada das vantagens, limitações e condições de aplicabilidade das mais conhecidas metodologias estatísticas de análise de dados.

  2. Semestre Primavera

    Big Data Analytics
    Big data é uma coleção de um grande número de dados que são impossíveis de serem processados usando técnicas tradicionais de computação de dados. O Hadoop, por outro lado, pode ser definido como um assunto completo que envolve várias ferramentas, técnicas e estruturas. A unidade curricular fornece conhecimentos aprofundados sobre as tecnologias de Big data e Hadoop.
    No final da unidade curricular, os alunos devem ser capazes de processar e analisar uma vasta quantidade de dados heterogéneos para deles obterem perspetivas úteis.

    Big Data Modelling and Management

    • Entender os principais desafios de armazenamento e modelagem de Big Data;
    • Explicar o impacto das soluções de Big Data em diferentes aplicações tecnológicas;
    • Identificar as principais fontes de Big Data e enumere exemplos clássicos;
    • Compreender as diferentes soluções de modelagem de dados (xml, json, gráfico, relação, etc.) e os sistemas
      de gestão de base de dados associados;
    • Executar operações CRUD em diferentes sistemas de gestão de base de dados que suportam modelos de dados
      não estruturados;
    • Identificar a melhor solução para modelar dados em diferentes cenários;
    • Explicar as diferenças entre fluxos de dados e dados estáticos;
    • Compreender técnicas de esboço de dados para lidar com fluxos de dados (Filtro B loom, Contagem-Min,
      Count-Sketch e FM Sketch).

    Deep Learning
    Esta unidade curricular incidirá sobre uma parte de uma família mais ampla de métodos de machine learning, baseados em arquiteturas como redes neurais profundas, redes de crenças profundas e redes neurais recorrentes.
    O objetivo desta unidade curricular é apresentar aos alunos estas arquiteturas complexas e apresentar alguns dos resultados mais relevantes que se têm obtido nos últimos anos, como por exemplo os de visão computacional, reconhecimento de fala, processamento de linguagem natural, áudio reconhecimento, filtragem de rede social, tradução automática, bioinformática, design de medicamentos, etc. Esta unidade curricular é muito prática e muitos dos sistemas e ferramentas de deep learning mais populares serão explicados e utilizados.

    Machine Learning
    Objetivos da unidade curricular:

    1. 1 - Fazer previsões a partir de dados;
    2. 2 - Conhecer os principais problemas relacionados com previsões baseadas em dados ("data driven");
    3. 3 - Conhecer as principais técnicas:
    • Métodos clássicos: regressão, interpolação, extrapolação;
    • Decisões Bayesianas;
    • Sistemas baseados em instâncias - Árvores de decisão;
    • Redes neurais - Ensambles.

    Storing and Retrieving Data
    O armazenamento e recuperação de dados fornece uma visão geral dos conceitos fundamentais de Relational Database Management Systems (RDBMS) e Data Warehousing. Neste curso os alunos aprenderão os fundamentos de Normalização de Dados e Desenho de Base de Dados, e a realizar operações CRUD básicas e complexas e a criar visualizações que facilitem a recuperação de dados; compreender as diferenças entre os bancos de dados OLTP e OLAP e a função dos Data Warehouses como suporte para Analytics em uma organização; compreender o Modelo Multidimensional e as diferentes e arquiteturas de Data Warehouses; implementar um pipeline ETL para recuperar dados das camadas OLTP para as camadas OLAP; execute operações OLAP complexas para apoiar o processo analítico sobre a abstração do Data Cube de um Data Warehouses usando um servidor ROLAP.

    Text Mining
    Esta unidade curricular abordará o processo de obtenção de informação de alta qualidade a partir do texto. Informações de alta qualidade serão obtidas através do desenvolvimento de padrões e tendências por meios como a aprendizagem padrão estatístico.
    Esta unidade curricular dará uma base sólida ao processo de estruturação de input text (por exemplo, análise, juntamente com a adição de algumas características linguísticas derivadas e a remoção de outras, e subsequente inserção numa base de dados), derivando padrões dentro dos dados estruturados, e, finalmente, avaliação e interpretação de output.
    As aplicações práticas desenvolvidas durante esta unidade curricular envolverão, entre várias outras, a digitalização de vários conjuntos de documentos escritos em linguagem natural e modelar o conjunto de documentos para efeitos de classificação preditiva, quer preencher grandes bases de dados ou indexar a informação extraída.

footer