Acreditações
Propinas UE (2025/2026)
Propinas fora da UE (2025/2026)
A Licenciatura em Ciência de Dados (LCD) está alicerçada na convergência das várias áreas científicas - Matemática, Estatística e Informática – com um plano construído em torno da atividade de projeto, onde se promove uma reflexão prática e teórica, no sentido de dotar o aluno para um pensamento informado, crítico e autónomo perante as várias dimensões dos dados na Sociedade do Conhecimento e em plena Revolução Digital.
A Licenciatura está bem sedimentada na apreensão, compreensão e experimentação nas áreas base de conhecimento, seguida por uma aquisição de progressiva autonomia do estudante e na capacidade de responder a problemas de complexidade crescente.
Com a síntese operada nos dois últimos semestres, consolida-se a coerência de um programa formativo de acordo com uma prática consolidada e a exigência de requisitos profissionais excecionais, de modo a responder aos desafios da sociedade moderna.
Plano de Estudos para 2025/2026
Tópicos de Matemática II
No final da UC, cada estudante deverá ser capaz de:
OA1. Calcular derivadas parciais e gradientes (algebricamente e numericamente).
OA2. Determinar aproximações lineares de funções de várias variáveis.
OA3. Determinar e caracterizar pontos críticos de funções de várias variáveis (algebricamente e numericamente).
OA4. Aplicar os conceitos anteriores no contexto de problemas de regressão linear.
OA5. Calcular integrais duplos (algebricamente e numericamente).
OA6. Aplicar o cálculo integral ao cálculo de áreas, volumes e probabilidades.
OA7. Interpretar geometricamente todos os conceitos estudados.
OA8. Implementar em MATLAB alguns dos métodos computacionais desenvolvidos.
CP1. Cálculo Diferencial.
1.1. Limites e continuidade
1.2. Derivadas parciais.
1.3. Plano tangente e diferenciabilidade.
1.4. Regra da cadeia.
1.5. Cálculo e classificação de pontos críticos.
1.6. Descida do gradiente.
1.7. Regressão linear.
CP2. Cálculo Integral.
2.1. Integrais duplos.
2.2. Integrais duplos em coordenadas polares.
2.3. Aplicações: áreas e volumes; densidades e massas; teoria das probabilidade.
Aprovação com classificação não inferior a 10 valores numa das modalidades:
- Avaliação ao longo do semestre: Teste Escrito (80%) + mini-projetos MATLAB (20%).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.
Stewart, J. "Cálculo - Volume 2", Tradução da 8ª edição norte-americana (4ª edição brasileira), Cenage Learning, 2017.
Dados na Ciência, Gestão e Sociedade
Após esta unidade curricular o estudante estará apto a atingir os Objetivos de Aprendizagem (OA):
OA1. Distinguir as diferentes definições e diferentes tipos de dados, bem como as diferentes estratégias de investigação ou negócio que os geram.
OA2. Distinguir quais as principais alegações que conduzem a diferentes interpretações o que são dados.
OA3. Explicar as diferenças entre aproximações quantitativas e qualitativas na geração de dados.
OA4. Examinar as implicações da recolha de dados em Ciência, Gestão e na Sociedade.
OA5. Debater as implicações dos modelos de dados em para as pessoas nas organizações e na sociedade em geral.
Conteúdos Programáticos (CP):
CP1. O que são dados e como pensar com dados.
CP2. Tipos de Problemas tratados em Ciência de Dados e especificidades nos domínios da Ciência, Gestão e Sociedade.
CP3. Diferentes tradições e metodologias de investigação e definições de aquisição de conhecimento.
CP4. Tradução de desafios reais para conceitos técnicos e de acordo com uma linguagem cientificamente orientada.
CP5. A dimensão ética das e nas estratégias de utilização de dados.
CP6. Exposição de casos práticos.
Esta UC é feita apenas por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame.
Componentes da avaliação:
a) Mini-testes (30%): 6 mini-testes (5% cada, a grande maioria para fazer em casa)
b) Projeto (30%): trabalho de grupo
c) Teste final (40%): Prova escrita a realizar no período da 1ª época, 2ª época ou época especial (Art 14º, RGACC)
Requisito de aprovação: Teste final >= 8 valores (em 20 valores)
A nota final do Projeto dependerá do código, dos relatórios e do desempenho dos estudantes na apresentação do trabalho realizado.
Cathy O'Neil, Rachel Schutt, Doing Data Science: Straight Talk from the Frontline, 2014, ISBN: 9781449358655,
Borgman, C. L., Big data, little data, no data: scholarship in the networked world, 2015, ISBN: 9780262529914,
Rob Kitchin, The data revolution: Big data, open data, data infrastructures and their consequences, 2014, https://doi.org/10.4135/9781473909472,
Davenport, T., Harris, J., and Morison, R., Analytics at work: smarter decisions, better results. Harvard Business Review Press, USA., 2010, ISBN: 9781422177693,
Turban, E., Sharda, R., Delen, D., Decision Support and Business Intelligence Systems (9th Eds), 2010, ISBN: 978-0136107293,
Davenport, T., Big Data at Work: Dispelling the Myths, Uncovering the Opportunities, 2014, ISBN: 978-1422168165,
Análise Exploratória de Dados
Objetivos de aprendizagem (OA) a desenvolver em articulação com os objetivos gerais:
OA1. Organizar e preparar os dados para análise.
OA2. Saber utilizar e interpretar um conjunto de instrumentos estatísticos no domínio da estatística descritiva.
OA3. Utilizar Excel, R e Jamovi nas aplicações de preparação, análise e representação de dados.
OA4. Adequar os modelos de representação visual a diferentes objetivos, de acordo com as boas práticas de visualização.
OA5. Interpretar e redigir os resultados de uma análise descritiva de dados.
Conteúdos programáticos (CP) articulados com os objetivos de aprendizagem.
CP1. Organização, preparação e transformação de dados
CP2. Análise exploratória de dados
Valores omissos
Codificação e imputação
Gráficos exploratórios
Variáveis aleatórias
Função de distribuição empírica
Distribuição Normal
CP3. Análise descritiva dos dados
Medidas descritivas
Análise uni e bivariada
Medidas de associação
CP4. Representação visual
Introdução aos princípios de representação visual
Estruturas de representação visual
Avaliação ao longo do semestre:
- Exercício individual em R (10%)
- Trabalho de grupo (35%); nota mínima 7,5
- Teste escrito (55%); nota mínima 7,5
É necessária uma frequência mínima de 70% de horas de aulas para a realização da avaliação ao longo do semestre.
Avaliação por exame:
- Exame/trabalho prático individual (40%); nota mínima 7,5
- Exame escrito (60%); nota mínima 7,5
Brown, D.S. (2022). Statistics and Data Visualization Using R. The Art and Practice of Data Analysis. Sage Publication, Inc.
Cairo, A. (2013). The Functional Art: An introduction to information graphics and visualization (Voices That Matter).
New Riders.
Carvalho, A. (2017). Métodos quantitativos com Excel, Lisboa, Lidel edições técnicas.
Chang, W. (2024) R Graphics Cookbook. 2nd ed. O’Reilly. (Disponível em: https://r-graphics.org/)
Reis, E. (1998). Estatística Descritiva, Lisboa, Sílabo,7ª ed.
Rocha, M. & Ferreira, P.G. (2017) Análise e Exploração de Dados com R. Lisboa, FCA
Alexandrino da Silva, A. (2006). Gráficos e mapas-representação de informação estatística. Lisboa, Lidel edições técnicas.
Barroso, M., Sampaio, E. & Ramos, M. (2003). Exercícios de Estatística Descritiva para as Ciências Sociais, Lisboa, Sílabo.
Carvalho, A. (2017). Gráficos com Excel - 95 Exercícios, Lisboa, FCA.
Dias Curto, J.J., & Gameiro, F. (2016). Excel para Economia e Gestão. Lisboa, Ed. Sílabo.
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. London, SAGE Publications Ltd.
Hoaglin, D.C., Mosteller, F & Tukey, J. W. (1992). Análise Exploratória de Dados. Técnicas Robustas, Ed. Salamandra, Lisboa.
Murteira, B. J. F. (1990). Análise Exploratória de Dados. Estatística Descritiva, McGraw Hill.
Wickham, H. (2015). ggplot2: Elegant Graphics for Data Analysis, Springer. (Disponível em: https://ggplot2-book.org/)
Optimização para Ciência de Dados
Ao concluir esta Unidade Curricular o estudante deverá ser capaz de:
OA1. Desenvolver formulações em programação linear, programação linear inteira e programação não linear para a resolução eficiente de problemas complexos em contextos reais.
OA2. Utilizar programas generalistas para determinar soluções para problemas formulados em programação linear, programação linear inteira e programação não linear.
OA3. Fazer a interpretação económica e produzir recomendações baseadas nas soluções obtidas para problemas formulados em programação linear, programação linear inteira e programação não linear.
Conteúdos programáticos (CP):
CP1: Programação Linear
1.1 Modelo Geral de Programação Linear
1.2 Formulação de problemas em Programação Linear
1.3 Resolução gráfica
1.4 Resolução usando software generalista (Solver para Excel)
1.5 Interpretação de resultados e análise de sensibilidade
CP2: Programação Linear Inteira
2.1 Formulação de problemas em Programação Linear Inteira
2.2 Formulação de problemas com variáveis binárias
2.3 Resolução usando software generalista (Solver para Excel)
2.4 Interpretação de resultados
2.5 Algoritmo Branch-and-Bound
CP3: Programação Não Linear
3.1 Formulação de problemas em Programação Não Linear
3.2 Resolução usando software generalista (Solver para Excel)
3.3 Interpretação de resultados
1. Avaliação ao longo do semestre:
a) Teste escrito (60%);
b) Projecto em grupo com discussão (40%);
c) Presença em, pelo menos, 2/3 das aulas.
2. Avaliação por Exame (1.ª e 2.ª Época):
a) Teste escrito (60%);
b) Projecto com discussão (40%).
A aprovação (em ambas as modalidades de avaliação):
i) Requere classificação mínima de 8,5 no teste escrito;
ii) Pode ser exigida uma prova oral.
Escala: 0-20 valores.
* Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cengage Learning.
* Evans, J. (2021). Business Analytics. 3rd Ed. Global Edition. Pearson.
* Hillier, F.S and Lieberman, G.J. (2015). Introduction to Operations Research, 10th Ed., McGraw-Hill.
* Ragsdale, C.T. (2001). Spreadsheet Modeling & Decision Analysis: A Practical Introduction to management science. 3rd Ed., South-Western College Publishing.
* Wolsey, L.A. (1998). Integer Programming. Wiley.
Tópicos de Matemática I
No final da UC o aluno deverá ser capaz de:
OA1: Calcular limites de sucessões
OA2. Calcular derivadas e interpretar o resultado obtido.
OA3. Determinar aproximações lineares e de ordem superior.
OA4. Calcular explicitamente primitivas de funções reais.
OA5. Usar o teorema fundamental do cálculo na derivação de integrais indefinidos
OA6. Utilizar a noção de integral na determinação de áreas, comprimentos, probabilidades, etc.
OA7. Integrar algumas EDOs notáveis.
OA8. Recorrer a métodos numéricos para obter soluções de alguns problemas, e utilizar ferramentas computacionais de representação gráfica.
1. Sucessões
1.1. Primeiras noções
1.2. Convergência
1.3. Alguns limites e resultados úteis
2. Cálculo diferencial em R
2.1. Breve revisão
2.2. Continuidade e limite
2.3. Diferenciabilidade e fórmula de Taylor; aplicações
2.4. Métodos numéricos
2.4.1. Método do ponto fixo
2.4.2. Método da bissecção
2.4.3. Método de Newton-Raphson
2.4.4. Derivação numérica
3. Cálculo Integral em R
3.1. Métodos gerais de primitivação
3.2. Cálculo de integrais
3.3. Teorema fundamental do Cálculo
3.4. Integração numérica
3.4.1. Método do ponto médio
3.4.2. Método dos trapézios
4. Equações diferenciais ordinárias
4.1. Equações de varáveis separáveis
4.2. Equações lineares de 1ª ordem
4.3. Métodos numéricos
4.3.1. Método de Euler
4.3.2. Método de Runge-Kutta (RK4)
Aprovação com classificação não inferior a 10 valores numa das modalidades:
- Avaliação ao longo do semestre: Frequência (75%) + dois trabalhos de grupo sobre cálculo numérico (25%).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame. O exame compreende uma componente analítica (75%) e outra computacional (25%). Os alunos que tenham tido aproveitamento nos trabalhos de grupo poderão dispensar-se de realizar esta última componente.
A nota mínima é de 8 valores. As notas finais superiores a 16 valores sujeitam-se a homologação através de uma prova oral.
[1] Ferreira, J.C. (2011). “Introdução à Análise Matemática”, Fundação Calouste Gulbenkian.
[2] Strang, G. (1991). “Calculus”, Wellesley-Cambridge.
[3] Caputo, H.P. (1973). “Iniciação ao Estudo das Equações Diferenciais”, Livros Técnicos e Científicos Editora, S.A.
[4] Suleman, A., Rocha, J., Alho, A., Apontamentos de aula. (disponível no Moodle)
[5] Suleman, A., Notas sobre cálculo numérico (disponível no Moodle).
[6] Santos, M.I.R., Matemática computacional (IST).
Fundamentos de Álgebra Linear
No final da UC, cada estudante deverá ser capaz de:
OA1. Definir vetores e explicar as suas propriedades. Realizar operações com vetores no espaço euclideano R^n. Definir e determinar subespaços de R^n, respetivas bases e dimensão.
OA2. Aplicar os métodos de eliminação de Gauss e Gauss-Jordan para resolver e classificar sistemas lineares. Interpretar geometricamente as suas soluções.
OA3. Dar exemplos de diferentes tipos de matrizes e realizar operações com matrizes. Formular relações de matrizes com vetores e sistemas lineares.
OA4. Reconhecer uma transformação linear. Determinar as matrizes associadas, os subespaços núcleo e imagem. Efetuar mudanças de base.
OA5. Calcular determinantes. Explicar as suas propriedades e aplicações.
OA6. Definir e determinar valores e vetores próprios. Diagonalizar matrizes. Calcular potências inteiras de matrizes diagonalizáveis.
CP1. Vetores
O espaço vetorial R^n. Produto interno e norma. Combinações lineares e independência linear. Bases e dimensão. Coordenadas.
CP2. Sistemas de equações lineares
Método de eliminação de Gauss. Classificação de sistemas lineares.
CP3. Matrizes
Soma e multiplicação escalar. Produto matricial. Transposição. Matriz inversa e propriedades.
CP4. Funções lineares
Função linear. Matriz de uma função linear. Subespaços núcleo e imagem e teorema da dimensão. Mudança de base.
CP5. Determinantes
Definição e propriedades do determinante. Determinantes e operações elementares.
CP6. Valores e vetores próprios
Valores e vetores próprios. Subespaços próprios. Diagonalização.
Os alunos podem optar por uma das seguintes modalidades de avaliação:
(AS) Avaliação ao longo do semestre:
- 3 mini-testes presenciais (20%), com as seguintes regras:
* realizados em aula, ao longo do período letivo;
* a nota final nesta componente é a média aritmética das duas melhores notas de entre os três mini-testes (contribuindo 10\% cada uma);
* nota mínima de 10.0 valores na média aritmética dos dois melhores mini-testes.
- 2 quizzes online (10%), com as seguintes regras:
* realizados no Moodle, no período letivo;
* a nota final nesta componente será a média das notas obtidas (contribuindo 5% cada)
* nota mínima de 10.0 valores na média aritmética dos dois quizzes.
- Prova escrita (70%), na 1a época de avaliação, com nota mínima de 8.5 valores.
(AE) Avaliação por Exame:
Prova escrita (100%), na 1a época ou 2º época de avaliação, incidindo sobre toda a matéria lecionada na unidade curricular.
Outras regras de avaliação:
- A Prova escrita da AS incide sobre toda a matéria lecionada e realiza-se em simultâneo com a prova da AE em 1.ª época.
- O aluno obtém aprovação à cadeira se a nota final for maior ou igual a 10 valores.
- A nota final do aluno corresponde à melhor nota obtida entre a modalidade AS e a modalidade AE;
- Os professores responsáveis reservam-se o direito de fazer orais sempre que considerem necessário.
Strang, G. (2023). Introduction to Linear Algebra (sixth edition) Wellesley-Cambridge Press.
Apoio teórico fornecido pelos docentes. Caderno de exercícios fornecido pelos docentes.
Lay, D., Lay, S., & McDonald, J. (2016) Linear Algebra and Its Applications (fifth edition) Pearson.
Programação
Após a conclusão desta unidade curricular o aluno deverá ficar apto a:
OA1. Desenvolver funções/procedimentos que implementem algoritmos simples.
OA2. Desenvolver código para manipular estruturas vetoriais e objetos.
OA3. Desenvolver classes de objetos simples.
OA4. Escrever e compreender código Python.
CP1. Funções e parâmetros
CP2. Variáveis e estruturas de controlo
CP3. Invocação e recursividade
CP4: Procedimentos e input/output
CP5. Objetos e referências
CP6. Classes de objetos
CP7. Objetos compostos
CP8. Classes de objetos compostos
CP9. Vetores
CP10. Matrizes
Esta UC é feita apenas por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame.
Componentes da avaliação:
a) TPCs (15%): 6 mini-testes online, para fazer em casa;
b) TESTE1 (20%): Prova escrita intercalar;
c) PROJETO (25%): Projeto individual;
d) TESTE2 (40%): Prova escrita a realizar em 1º época, 2ª época ou época especial (Artº 14 do RGACC)
Requisito de aprovação: TPCs + PROJETO >= 8 valores (em 20 valores).
A nota final do PROJETO é fixada para cada estudante através de uma prova oral e dependerá do código, dos relatórios e do desempenho do estudante na oral.
A assiduidade não é requisito essencial de aprovação.
Outra informação relevante:
- As perguntas feitas nas provas escritas podem envolver aspectos relativos ao projeto.
- Não é possível obter aprovação apenas através da realização de exame final
- em caso de reprovação, o estudante poderá realizar o TESTE2 na época seguinte, mantendo a nota das restantes componentes
- Quando a melhoria de nota ocorrer num ano letivo diferente daquele em que foi feito o trabalho, a nota das componentes PROJETO, TPCs e TESTE1 é substituída por uma prova prática, a realizar em computador antes ou depois da prova escrita. Os alunos nessas condições que pretendam realizar melhoria de nota devem contactar o coordenador da UC, com uma antecedência mínima de 2 dias antes da prova da 1ª época.
João P. Martins, Programação em Python: Introdução à programação com múltiplos paradigmas, 2013, IST Press, https://istpress.tecnico.ulisboa.pt/produto/programacao-em-python-introducao-a-programacao-utilizando-multiplos-paradigmas/
Estruturas de Dados e Algoritmos
No final da UC os alunos deverão ser capazes de:
OA1. Identificar, reescrever e examinar formas comuns de organização de dados e algoritmos associados (com e sem gestão dinâmica de memória, com algoritmos iterativos ou recursivos);
OA2: Saber avaliar e comparar a ordem de desempenho e eficiência de uma dada estrutura de dados e/ou algoritmo para as operações de inserção, remoção e acesso;
OA3: Identificar a estrutura de dados mais apropriada e eficiente para um determinado problema;
OA4: Perceber as vantagens e desvantagens de algoritmos recursivos, iterativos e técnicas de programação dinâmica;
OA5. Compreender diferentes algoritmos de pesquisa e ordenação apropriados a soluções computacionais.
CP1: Estruturas de Dados e Algoritmos: o que são e por que são importantes. Tipos Abstratos de Dados.
CP2: Estruturas de dados lineares: pilhas, filas, listas e listas ligadas.
CP3: Introdução à análise da complexidade (eficiência) de algoritmos.
CP4: Algoritmos de pesquisa: linear e binária.
CP5: Recursão, iteração e programação dinâmica.
CP6: Algoritmos de ordenação elementar: Selectionsort, Insertionsort.
CP7. Algoritmos de ordenação avançada: Mergesort, Quicksort.
CP8: Estruturas de dados não lineares: árvores, árvores de pesquisa binária, árvores AVL e grafos.
CP9: Algoritmos simples sobre estruturas de dados não lineares.
A aprovação nesta unidade curricular (UC) só pode ser conseguida pela modalidade de avaliação ao longo do semestre ou pela época especial (para os alunos com algum estatuto conferido pelos Serviços de Gestão do Ensino que permita aceder a Época Especial). Não existe para esta UC a modalidade de avaliação por exame.
Elementos de avaliação e respetivas ponderações na nota final:
- teste 1, escrito individual -> 30%, nota mínima de 8 valores, previsto realizar no período de avaliações do 3º trimestre;
- teste 2, escrito individual -> 30%, nota mínima de 8 valores, previsto realizar no período de avaliações da 1a época;
- trabalho 1, individual, com discussão -> 15%;
- trabalho 2, individual, com discussão (eventualmente em grupos de 2 alunos) -> 25%, nota mínima de 8 valores. Assim Nota_final = 30% x Nota_teste1 + 30% x Nota_teste2 + 15% x Nota_trabalho1 + 25% x Nota_trabalho2.
Em Época Especial, os elementos de avaliação e respetivas ponderações na nota final são:
- teste, escrito individual -> 60%, nota mínima de 8 valores, e
- dois trabalhos, individuais -> 15% + 25%, nota mínima de 8 valores em cada um dos trabalhos.
Assim Nota_final_época_especial = 60% x Nota_teste + 15% x Nota_trabalho1 + 25% x Nota_trabalho2.
Para obter aprovação na UC a Nota_final ou a Nota_final_época_especial têm que ser 10 valores em 20 valores.
- J. Wengrow, A Common-Sense Guide to Data Structures and Algorithms, Second Edition. The Pragmatic Bookshelf, 2020.
- M. Goodrich, R. Tamassia, and M. Goldwasser, Data Structures & Algorithms in Python. Wiley, 2013.
- B. Miller and D. Ranum, Problem Solving with Algorithms and Data Structures using Python, Second Edition, Release 3.0. 2013.
- T. Cormen, C. Leiserson, R. Rivest, and C. Stein, Introduction to Algorithms, Fourth Edition. MIT Press, 2022.
- Referências adicionais a indicar durante as aulas.
Métodos de Aprendizagem Supervisionada
OA1: Compreender os métodos de aprendizagem supervisionada: âmbitos de aplicação e procedimentos
OA2: Utilizar software R para realizar as análises de dados
OA3: Avaliar e interpretar os resultados das análises de dados
CP1: Sobre Aprendizagem Supervisionada
Tipologias
Dados para aprendizagem
Funções objetivo
Avaliação e seleção de modelos
Notas sobre inferência estatística
CP2: Métodos de Regressão
K- Nearest Neighbor
Árvores de Regressão (algoritmo CART)
CP3: Métodos de Classificação
Naive Bayes
K-Nearest-Neighbor
Regressão Logística
Árvores de Classificação (algoritmo CART)
A avaliação da Unidade Curricular pode ser feita recorrendo à Avaliação ao Longo do Semestre ou à Avaliação por Exame.
AVALIAÇÃO AO LONGO DO SEMESTRE:
- quiz online realizado em grupo (40%) com nota mínima de 9 valores
- teste individual (60%) com nota mínima 9 valores.
A aprovação requer nota mínima de 10 valores.
AVALIAÇÃO POR EXAME:
1ª parte - teste individual (60%)
2ª parte - teste individual online com análises de dados efetuadas com a ferramenta de software R usada nas aulas (40%).
Os alunos devem obter uma nota mínima de 9 valores em cada parte do exame e nota mínima (ponderada) de 10 valores para aprovação.
Escala 0-20
Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R. Springer.
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: Springer.
Lantz, B. (2023). Machine Learning with R: Learn techniques for building and improving machine learning models, from data preparation to model tuning, evaluation, and working with big data. 4th Edition. Packt Publishing.
Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons.
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R (2012). Great Britain: Sage Publications, Ltd, 958.
Processamento de Big Data
No final da UC os alunos deverão ser capazes de:
OA1: compreender e conhecer as principais plataformas para processamento de grandes quantidades de informação
OA2: compreender e saber aplicar os modelos de programação/computação distribuídos
OA3: compreender as etapas associadas a um projeto de machine learning para grandes quantidades de informação
OA4: saber aplicar técnicas de redução de dimensionalidade
OA5: aplicar técnicas de aprendizagem supervisionada ou não supervisionada em problemas de grande dimensão
CP1: Plataformas computacionais para big data
CP2: Pipeline de machine learning para big data
CP3: Redução de dimensionalidade
CP4: Aprendizagem supervisionada/não supervisionada para larga escala
CP5: Casos de estudo: PageRank e Sistemas de Recomendação
Esta UC contempla as seguintes modalidades de avaliação: (1) avaliação ao longo do semestre; (2) avaliação por exame.
(1) Avaliação ao longo do semestre
A nota final é composta por:
• Teste escrito individual (70%), com nota mínima de 8,0;
• Trabalho de grupo (30%).
O trabalho de grupo tem uma entrega intercalar que contará 30% e uma entrega no final do semestre que contará 70%. Quem não entregar a parte correspondente à entrega intercalar passa automaticamente para a modalidade de avaliação por exame.
O trabalho terá uma apresentação/discussão oral sendo a nota final individual.
(2) avaliação por exame
A nota final será a obtida num único exame escrito, incluindo o exame de época especial.
- Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale, Ofer Mendelevitch, Casey Stella and Douglas Eadline, Addison-wesley, 2016.
- Advanced Analytics with Spark: Patterns for Learning from Data at Scale, Sandy Ryza et al., O'Reilly Media, 2017.
- Learning Spark: Lightning-Fast Big Data Analysis, Holden Karau, A. Konwinski, P. Wendell and M. Zaharia, O'Reilly Media, 2015.
- Big Data: Algorithms, Analytics, and Applications, Kuan-Ching Li et al., Chapman and Hall/CRC, 2015.
- Mining of Massive Datasets, A. Rajaraman, J. Ullman, 2011, Cambridge University Press.
- The elements of statistical learning, Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Springer, 2001
- All of Statistics: A concise course in Statistical Inference, L.Wasserman, Springer, 2003.
Fundamentos em Gestão de Bases de Dados
O1: Desenvolver mecanismos de Abstracção;
O2: Desenvolver estruturação de informação;
O3: Desenvolver capacidade de utilizar eficazmente extrair informação de bases de dados.
P1 - Desenho de esquemas relacionais
P1.2 Modelo relacional;
P1.2.1 Relações e chaves primárias
P1.2.2 Chaves estrangeiras e regras de integridade
P1.2.3 Optimizações e índices
P1.2.5 Transacções e concorrência
P2 Linguagem S.Q.L
P2.1 Querys Simples;
P2.2 Funções de Agregação;
P2.3 SubQuerys;
P2.4 Triggers e Stored Procedures;
A avaliação é feita através exame escrito: 1ªépoca , ou 2ª época 2 ou época especial.
Bibliografia-Ramos, P, Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos, Editora Sílabo, 2ª Edição, 2007
-Perreira, J. Tecnologia de Base de Dados" FCA Editora de Informática, 1998
-Damas, L. SQL - Structured Query Language " FCA Editora de Informática, 2005 (II)
http://plsql-tutorial.com/.
-Date, C.J. "An introduction to Database Systems" Addison-Wesley Publishing Company, sexta edição, 1995 (I.2, I.3, I.4, II);
-Booch, G., Rumbaugh, J., Jacobson, I "The Unified Modeling Language User Guide" Addison-Wesley Publishing Company, 1999 (I.1);
-Nunes, O´Neill, Fundamentos de UML, FCA, 2002
Armazenamento para Big Data
1. Implementar soluções de armazenamento de dados em suporte distribuído e tolerantes a falhas;
2. Manipulação e extracção de grandes quantidades de informação de bases de dados não estruturadas;
3. Desenvolver aptidões sociais (soft skills), nomeadamente Resolução de Problemas, Trabalho de Equipe e Colaboração e Observação Crítica
1. Introdução às Bases de Dados Não Relacionais;
2. Redundância para gerir tolerância a falhas;
3. Distribuição de Dados para gerir grandes volumes de informação;
4. Introdução ao MongoDB;.
5. Desenho de Bases de Dados no MongoDB;
6. Manipulação de estruturas JSON;
7. Extracção de dados no MongoDB.
A avaliação ao longo do semestre é feita através de teste escrito (nota mínima 7.5 valores) que ocorre na mesma data do exame de 1.ª época e que vale 70% da nota e um trabalho de grupo, 30% da nota ((nota mínima 7.5 valores)), a entregar na última semana de aulas. Alternativamente existe a avaliação por exame. (época 1, época 2 e época especial).
BibliografiaNoSQL Database: New Era of Databases for Big data Analytics - Classification, Characteristics and Comparison, A B M Moniruzzaman, Syed Akhter Hossain, 2013 (https://arxiv.org/abs/1307.0191)
MongoDb Homepage
Modelos de Regressão
Projeto Final Aplicado em Ciência dos Dados
No final da UC, cada estudante deverá ser capaz de:
OA1. Definir os objetivos e formular as tarefas em CD que permitem extrair o conhecimento pretendido pelo cliente.
OA2. Definir as variáveis de dados e os metadados que conduzem ao conhecimento necessário.
OA3. Planear as diferentes fases de desenvolvimento do projeto.
OA4. Tratar os dados com as ferramentas de Ciência de Dados mais apropriadas para atingir os objetivos propostos.
OA5. Produzir visualizações de dados e documentos adequados a correta comunicação dos resultados obtidos.
OA6. Resolver problemas inerentes à utilização de dados reais numa ótica de ethics-by-design.
Os conteúdos programáticos (CP) são os seguintes:
CP1. Introdução aos desafios (projetos) propostos e organização de equipas de projeto.
CP2. Metodologias de pesquisa de informação para enquadramento do tema de projeto.
CP3. Abordagens práticas ao desenvolvimento de projeto numa ótica de ethics-by-design.
CP4. Ferramentas para cada etapa de desenvolvimento do projecto.
CP5. Modelos usuais de comunicação de dados e de resultados.
Sendo uma UC de projeto, não existe a figura de exame a 100%. A avaliação será efetuada ao longo do semestre, consistindo nas diferentes etapas de desenvolvimento do projeto, onde:
(i) cada etapa é pontuada por um entregável (escrito / apresentado em aula) (E) com feedback.
(ii) uma apresentação intermédia (A1) com feedback.
(iii) uma apresentação final (A2) com discussão.
(iv) um poster (informativo) (P).
(v) um relatório de projeto final (R).
A nota será o resultado de: E x 0,15 + A1 x 0,10 + P x 0,10 + A2 x 0,30 + R x 0,35.
Dependente dos temas específicos do desafio em que cada grupo de estudantes irá desenvolver os trabalhos do projeto.
Voeneky, S., Kellmeyer, P., Mueller, O., & Burgard, W. (Eds.). 2022. The Cambridge Handbook of Responsible Artificial Intelligence: Interdisciplinary Perspectives. Cambridge: Cambridge University Press.
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. 2016. Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
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.
Análise de Redes
Ao concluir esta unidade curricular o aluno deve estar apto para:
OA1. Caracterizar as redes com base em medidas de associação, agrupamento, distância, centralidade e heterogeneidade. Avaliar a robustez das redes;
OA2. Obter a rede de co-ocorrência associada a uma rede em que se representam relações. Analisar redes com pesos associados às ligações;
OA3. Escolher e caracterizar modelos de redes aleatórias;
OA4. Detetar comunidades e avaliar os métodos de detecção de comunidades.
1. Conceitos Básicos
Elementos de uma rede, subredes, densidade e grau. Redes Bipartidas.
2. Small Worlds
Correlação de Grau. Caminhos e distâncias. Conectividade. Seis Graus de Separação. Coeficientes de Clustering.
3. Hubs e Heterogeneidade de Pesos
Medidas de centralidade, Heterogeneidade baseada no Grau, Robustez, Decomposição de Core e Heterogeneidade de Pesos
4. Redes Aleatórias
Geração de Redes Aleatórias e caracterização. Modelo de Watts-Strogatz, Configuration Model e Modelos de Preferência.
5. Comunidades
Conceitos, Problemas Relacionados, Métodos de Detecção de Comunidades (Remoção de Pontes, Otimização de Modularidade, Propagação de Etiquetas). Métodos de Avaliação.
Avaliação ao longo do semestre ou avaliação por exame.
Avaliação ao longo do semrestre:
i) Trabalhos de Grupo:
• Peso de 40% na classificação final
• Grupos de 4 estudantes
• Pode ter discussão oral;
ii) Teste Final Individual:
• Peso de 60% na classificação final
• Classificação Mínima necessária 8,5;
iii) Assiduidade mínima:
• 2/3 das aulas leccionadas.
Avaliação por exame:
• projecto (40%);
• exame escrito (60%).
Nota do exame >= 8.5;
Classificação final: média >= 9.5;
Em ambas as modalidades, se classificação final >=9.5: poderão ser sujeitos a um exame oral.
Escala: 0-20 valores.
Menczer, F., Fortunato, S. and Davis, C., A First Course in Network Science,, 2020, 1st edition, Cambridge University Press: Cambridge.,
Barabási, A.-L., Network Science, 2016, 1st edition, Cambridge University Press,
Newman, M., Networks, 2018, 2nd edition. Oxford University Press: Oxford.,
Katherine Ognyanova, Introduction to R and network analysis, 2018, Rutgers University, https://kateto.net/wp-content/uploads/2018/03/R%20for%20Networks%20Workshop%20-%20Ognyanova%20-%202018.pdf
Interfaces Web para A Gestão de Dados
Um aluno quando termina esta UC deve ser capaz de:
OA1. Conhecer e compreender os conceitos e as tecnologias de base para o desenvolvimento para a Web.
OA2. Conhecer e compreender as tecnologias de interface entre uma aplicação Web e uma Base de Dados.
OA3. Modelar e desenvolver uma aplicação Web com capacidade para a gestão de dados persistentes provenientes da interação humana com software Web.
CP1 [Introdução]
- A história da Web;
- Antigas e atuais linguagens de programação para a Web;
- Standards W3C.
CP2 [Modelação e programação de uma aplicação Web]
- Arquitetura cliente/servidor;
- Arquitetura MVC para a Web;
- Principais linguagens de formatação gráfica para a Web;
- Bibliotecas de formatação gráfica;
- Principais linguagens de programação para a Web;
- Bibliotecas de programação para a Web;
- Introdução à segurança do lado do cliente e do lado do servidor.
CP3 [Acesso a Base de Dados]
- Acesso a Base de Dados a partir da Web;
- Modelo de dados na aplicação Web e correspondente interação com a Base de Dados.
CP4 [Registo e Gestão de Dados]
- Registo de dados da Web em Base de Dados.
- Gestão dos dados.
Dada a natureza prática dos conteúdos lecionados, a avaliação será realizada por projeto. O seu tema deverá estar alinhado com a totalidade ou parte do programa da UC.
Exercícios realizados na aula (10%).
Projeto (90%, incluindo trabalho de grupo (relatório e software) 40% e prova oral individual 50%).
Todas as componentes do projeto proposta, relatório, software e prova oral, são obrigatórias. A classificação mínima para cada componente é de 10 numa escala de 0 a 20.
Haverá apenas uma data limite para a entrega do projeto, com exceção dos alunos inscritos em época especial que poderão entregar durante esse período.
A presença nas aulas não é obrigatória.
Não existe exame final.
A melhoria de nota pode ser realizada através de entrega de novo projeto no ano letivo seguinte.
Mitchell, R. (2016). Web Scraping with Python: Collecting Data from the Modern Web. Ed. O?Reilly Media, Inc. ISBN-13: 978-1491910290. ISBN-10: 1491910291.
Vincent W. S. (2018). Build websites with Python and Django. Ed: Independently published. ISBN-10: 1983172669. ISBN-13: 978-1983172663.
Dean J. (2018). Web Programming with HTML5, CSS, and JavaScript. Ed: Jones & Bartlett Learning. ISBN-13: 978-1284091793. ISBN-10: 1284091791.
Ryan J. (2013). A History of the Internet and the Digital Future. Ed: Reaktion Books. ISBN-13: 978-1780231129
Lambert M. and Jobsen B. (2017). Complete Bootstrap: Responsive Web Development with Bootstrap 4. Ed: Impackt Publishing. ISBN-10: 1788833406. ISBN-13: 978-1788833400.
Downey A. B. (2015). Think Python: How to Think Like a Computer Scientist. Ed: O'Reilly Media. ISBN-10: 1491939362. ISBN-13: 978-1491939369.
Modelação Estocástica
No final do período curricular desta UC, o aluno deverá:
OA1. Compreender os princípios e métodos de simulação estocástica;
OA2. Ser capaz de desenvolver algoritmos eficientes para a geração de números pseudoaleatórios;
OA3. Ser capaz de aplicar o método de Monte Carlo;
OA4. Compreender e ser capaz de aplicar diferentes métodos de Monte Carlo via Cadeias de Markov;
OA5. Ser capaz de implementar técnicas de reamostragem;
OA6. Ser capaz de simular um sistema real através de simulação de eventos discretos;
OA7. Ser capaz de analisar e avaliar os resultados da simulação;
OA8. Ser capaz de implementar algoritmos eficientes de simulação estocástica em R.
O Programa de Modelação Estocástica é constituído pelos seguintes conteúdos programáticos (CP):
CP1. Introdução à Simulação em Ciência de Dados
CP2. Geração de Números Pseudoaleatórios
- Método Congruencial Linear;
- Método da Transformação Inversa;
- Método da Aceitação/Rejeição;
- Outras Transformações;
- Somas e Misturas
CP3. Métodos de Monte Carlo em Inferência Estatística
CP4. Métodos de Monte Carlo via Cadeias de Markov (MCMC)
CP5. Métodos de Reamostragem
- Bootstrapp;
- Cross-Validation
CP6. Simulação de Eventos Discretos
A avaliação ao longo do semestre exige a presença em 2/3 das aulas e inclui:
1 - Um trabalho de grupo de 4 a 5 pessoas (30%), com eventual discussão individual;
2 - Dois mini-trabalhos de grupo de 2 pessoas (20%);
3 - Um teste final individual (50%).
A aprovação requer classificação mínima de 8,5 no teste final e classificação final mínima (média) de 10 valores.
A avaliação pode ser também realizada por exame (100%).
Templ, M. (2016). Simulation for Data Science with R. Packt Publishing Ltd:Birmingham, Uk.
Rizzo, M. L. (2008). Statistical Computing with R. Chapman & Hall/CRC.
Robert, C. P. and Casella, G. (2010). Introducing Monte Carlo Methods with R. Springer-Verlag.
Wickham, H. and Grolemund , G. (2017). R for Data Science. O'Reilly Media Inc.
Projeto Aplicado em Ciência de Dados II
Pretende-se prover os estudantes de experiência na aplicação de soluções a problemas concretos, baseados em dados e em variados contextos e domínios. Os estudantes aprenderão a desenvolver um projeto em ciência de dados, em ambiente académico e científico, identificando necessidades, manipulando dados, e identificando as metodologias apropriadas para o problema a resolver. Serão reforçados um conjunto de aspetos, potencialmente relevantes para um projeto com dados (reais) de dimensão considerável, tais como: visualização (geoespacial), métodos de classificação automáticos, balanceamento de dados e overfitting, séries temporais, realçando também a forma correta de comunicação dos resultados. Dá-se preferência ao acolhimento de problemas de docentes/investigadores do Iscte com projetos reais e delimitados.
ProgramaCP1: Introdução de elementos potencialmente relevantes para o desenvolvimento de um projeto
CP2: Introdução aos projetos aplicados em Data Science
CP3: Enquadramento e escolha de metodologia adequada
CP4: Desenvolvimento do projeto com dados de dimensão considerável e preferencialmente reais
CP5: Templates de divulgação de resultados obtidos
Dada a sua natureza, esta UC é feita apenas por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame.
A avaliação consiste em duas componentes:
a) Questionários (40%): 2 questionários feitos em grupo, com consulta e realizados em aula (5% cada) + 1 questionário feito em grupo e com consulta (30%);
b) Trabalho de grupo (60%): acompanhamento semanal (10%) + escrita de relatório e apresentação oral (50%).
Os alunos devem obter uma nota mínima de 9 valores em cada componente.
Escala 0-20
Field Cady, The Data Science Handbook, 2017, DOI:10.1002/9781119092919, https://onlinelibrary.wiley.com/doi/book/10.1002/9781119092919
Bradley Boehmke & Brandon Greenwell, Hands-On Machine Learning with R, 2020, https://bradleyboehmke.github.io/HOML/, https://bradleyboehmke.github.io/HOML/
Jake VanderPlas, Python Data Science Handbook, 2016, O'Reilly Media, Inc., https://jakevdp.github.io/PythonDataScienceHandbook/
José Braga de Vasconcelos e Alexandre Barão, Ciência Dos Dados Nas Organizações - Aplicações Em Python, 2017, FCA Editora,
Trevor Hastie , Robert Tibshirani , Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction, 2016, https://link.springer.com/book/10.1007/978-0-387-84858-7, https://hastie.su.domains/Papers/ESLII.pdf
James, G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to Statistical Learning with Applications in R (1st Ed.), 2013, Springer,
Glenn J. Myatt and Wayne P. Johnson, Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining", Second Edition, 2014, John Wiley & Sons, Inc.,
Modelos Longitudinais
A conclusão bem sucedida desta UC supõe que o aluno é capaz de:
OA1. Compreender a estrutura e características de dados longitudinais e medidas repetidas.
OA2. Compreender os modelos mais usuais para séries temporais.
OA3. Aplicar e interpretar modelos de regressão de efeitos mistos (modelos lineares e não-lineares).
OA4. Compreender a modelação de crescimento e mudança em dados longitudinais.
OA5. Analisar dados longitudinais utilizando ferramentas computacionais como R.
OA6. Desenvolver uma abordagem crítica para a escolha de modelos adequados e a interpretação dos resultados.
P1. Introdução aos dados longitudinais
P2. Séries temporais
P2.1. Operador lag, estacionaridade, teste de raiz unitária
P2.2. Ruído Branco, Modelos ARMA, ARIMA, SARIMAX
P2.3. Metodologia de Box-Jenkins, Previsão
P2.4. Aplicações com R
P3. Modelos com dados de painel
P3.1. Modelos de efeitos fixos
P3.2. Modelos de efeitos mistos
P3.3. Modelos de crescimento e mudança
P3.4. Modelos lineares generalizados
P3.5. Estrutura de covariância em dados longitudinais
P3.6. Aplicações com R
P4. Estudos de caso
A avaliação ao longo do semestre inclui a realização de: a) Trabalho de grupo com ponderação de 40%, com possibilidade de discussão caso os docentes considerem necessário. A nota mínima do trabalho é de 10 valores. b)Teste individual com ponderação de 60% com nota mínima de 8,5 valores. Para aprovar é necessário uma média ponderada dos elementos de avaliação de, pelo menos, 9.5 valores.
Avaliação por exame: exame individual que inclui a matéria toda com nota mínima de 10 valores (nota arredondada às unidades). O teste individual e o exame serão realizados sem consulta de folhas de apoio, livros ou outros materiais, não sendo permitida a utilização de calculadoras gráficas nem de telemóveis; apenas podem consultar o formulário e tabelas disponibilizados no Moodle para o efeito.
Fitzmaurice, G. M., Laird, N. M., Ware, J. H. (2012). Applied Longitudinal Analysis. Wiley Hyndman, R. J., Athanasopoulos, G. (2018), Forecasting: Principles and Practice, 2nd Edition, OTexts Melbourne
Arellano, M., Panel Data Econometrics (2003). Oxford University Press. Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press. Hedeker, D., & Gibbons, R. D. (2006). Longitudinal Data Analysis. Wiley. Pinheiro, J. C., & Bates, D. M. (2000). Mixed-Effects Models in S and S-PLUS. Springer. Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press. Wooldridge, J.M. (2010). Econometric Analysis of Cross Section and Panel Data, 2nd Edition, MIT Press. Verbeke, G., & Molenberghs, G. (2009). Linear Mixed Models for Longitudinal Data. Springer.
Objetivos
A Licenciatura em Ciência de Dados tem como objetivo formar profissionais capacitados para lidar com a crescente quantidade de dados gerada pela sociedade moderna. Esta licenciatura visa a aquisição de competências analíticas e de aplicação de metodologias adequadas ao ciclo de dados.
Neste curso desenvolvem-se competências em Ciência e Tecnologias de Programação, para o desenvolvimento de ferramentas básicas de software para Ciência de Dados; Sistemas de Informação, para desenhar e manipular Base de Dados, armazenar e processar grandes volumes de dados (Big Data); Inteligência Artificial; Estatística e Análise de Dados, para analisar e classificar dados, identificar padrões, efetuar previsões e simulações. Além disso, promove-se e sensibilizam-se os estudantes para a importância da Segurança, Ética e Privacidade.
Muitas unidades curriculares têm trabalhos de grupo, que requerem e promovem o trabalho em equipa. Além de aulas teórico-práticas, muitas unidades curriculares têm aulas prático-laboratoriais, em que se aplicam as metodologias e as tecnologias relevantes para Ciência de Dados.
A licenciatura inclui ainda unidades curriculares de projeto aplicado, em que grupos de estudantes aplicam os conteúdos estudados a dados e problemas reais.
Em “Projeto Final Aplicado em Ciência de Dados” cada grupo de estudantes desenvolve um projeto proposto por uma entidade externa.
Um licenciado deverá ter atingido os seguintes objetivos de aprendizagem:
Conhecimentos: teóricos, metodológicos e práticos em áreas particulares de estatística, investigação operacional, ciências da informação e ciências da computação, de aplicação em ciência de dados;
Aptidões - apto a:
- recolher, limpar, transformar e integrar dados de fontes diversas;
- organizar, sumarizar e visualizar informação descritiva e explicativa de dados e resultados;
- selecionar e aplicar de modo eficiente as metodologias mais apropriadas para analisar os dados de que dispõe, bem como inferir, prescrever e prever usando os modelos construídos;
- desenhar e implementar algoritmos numa linguagem generalista;
- perceber o nível de segurança, proteção e privacidade de dados num sistema proposto.
Competências - capaz de:
- completar o ciclo de análise por dados;
- obter e avaliar conhecimento científico;
- trabalhar numa equipa de caráter multidisciplinar e comunicar resultados.