pagetop

Desenho Experimental 
Esta unidade curricular pretende desenvolver competências metodológicas e de investigação. No final da unidade curricular, os Alunos deverão ser capazes de:

• Desenhar, conduzir e analisar experimentos em qualquer campo do conhecimento.
• Desenvolver e realizar seus próprios estudos experimentais.

Desenvolvimento de Escalas
No final da unidade curricular, os Alunos deverão ser capazes de:

• Compreender e selecionar escalas de medida na investigação em ciências sociais;
• Gerar itens de escala;
• Administrar questionários;
• Refinar itens de escala usando técnicas de julgamento e estatísticas;
• Compreender e avaliar a fiabilidade e validade de escalas.

Machine Learning
Objetivos principais desta unidade curricular:

• Garantir que os Alunos do programa de doutoramento que pretendem desenvolver o seu projeto de doutoramento
  na área da ciência dos dados possuem conhecimento teórico avançado e formalmente fundamentado da área da
  aprendizagem automática.
• Compreender detalhadamente os principais paradigmas e princípios da aprendizagem automática;
• Compreender os principais aspetos da avaliação de algoritmos de aprendizagem automática e seleção de modelos;
• Conhecer as principais áreas de investigação em aprendizagem automática na NOVA IMS;
• Ser capaz de desenvolver, testar e avaliar o desempenho de protótipos de modelos de aprendizagem em Python e
  scikit-learn;
• Ser capaz de analisar criticamente artigos científicos e entender as problemáticas associadas.

Tópicos avançados em Ciência da Informação Geográfica
Principais objetivos da unidade curricular:

• Identificar as propriedades da Informação Geográfica (IG);
• Reconhecer a importância da IG na atualidade;
• Perceber a utilização da IG em vários domínios;
• Conhecer e utilizar conceitos relacionados com o uso da IG e tecnologias associadas;
• Compreender as relações entre Ciência da IG (CIG) e SIG;
• Identificar as principais componentes da CIG;
• Enquadrar os principais problemas geográficos no contexto da CIG e explorar as suas relações e desafios;
• Reconhecer as vantagens de apresentar um modelo funcional global de SIG;
• Compreender de forma crítica os principais desafios de investigação da CIG;
• Perceber o conceito de modelação espacial e a sua importância em SIG;
• Identifcar diversas metodologias de modelação espacial e reconhecer a sua adequabilidade tendo em conta os
  objectivos do projecto e as restrições de dados existentes.

Programação Genética
Principais objetivos desta unidade curricular:

• Introduzir os principais conceitos de Computação Evolutiva, motivando a sua importância em diversos cenários >
  aplicativos;
• Introduzir a Programação Genética, explicando porque e como ela é particularmente apropriada para Data Science>
  (e, portanto, criando uma importante ligação com a disciplina de Machine Learning);
• Apresentar as tendências recentes e os temas mais quentes de investigação na área da Programação Genética;
• Introduzir o conceito de Neuro-evolução, e alguns dos seus possíveis aspetos.

Teorias de Adoção e Impacto das Tecnologias
Esta unidade curricular pretende desenvolver competências metodológicas e de investigação. No final do curso, os Alunos deverão ser capazes de:

• Discutir criticamente as noções e conceitos chave relacionados com os modelos de adoção de tecnologias de
  informação (TI) e modelos de impacto das TIs;
• Realizar investigação científica relacionada com os modelos de adoção e/ou de impacto (valor) das TIs;
• Apresentar de forma correta os resultados de investigação científica;
• Criticar construtivamente e avaliar os resultados dos colegas;
• Avaliar os resultados dos colegas;
• Escrever um artigo científico publicável num jornal de elevado impacto (Q1 ou nível 3 na lista ABS).

Teste de Teoria com Modelos de Equações Estruturais
Com a conclusão desta unidade curricular, os Alunos deverão estar familiarizados com as várias etapas associadas com a especificação, identificação, estimação, avaliação e modificação de modelos de equações estruturais necessários para testar teorias em ciências sociais.
Os Alunos deverão ainda ser capazes de selecionar os métodos de estimação mais adequados ao contexto em que trabalham, conhecer as condições de aplicação de cada método e tomar as decisões mais adequadas em cada etapa da modelação.
Finalmente os Alunos deverão ser capazes de organizar e apresentar os resultados produzidos e escrever a secção de resultados de um relatório ou artigo científico.

Tópicos Avançados em Análise Geoespacial
No final desta unidade curricular, os Alunos deverão ser capazes de:

• Usar ferramentas avançadas de Análise Exploratória de Dados Espaciais;
• Descrever características e padrões de dados espaciais;
• Verificar os pressupostos dos modelos de regressão, compreender as consequências da violação dos pressupostos;
  aplicar correções; interpretar resultados;
• Compreender os modelos de regressão espacial, discutir as suas limitações, usar o modelo adequado e interpretar
  os resultados;
• Compreender as implicações do prefixo espacial em Spatial Data Mining e os conceitos de Spatial associations e
  Spatial outliers;
• Compreender a aprendizagem não supervisionada para dados espaciais e analisar os algoritmos mais importantes;
• Compreender a aprendizagem supervisionada para problemas de classificação espacial e de regressão espacial e
  analisar os principais algoritmos;
• Entender a análise de dados espaciotemporais e dados de trajetórias;
• Identificar as principais áreas de investigação da análise geoespacial e compreender as limitações dos métodos
  atuais.