Conhecimentos de Base Recomendados

-

Objetivos

- Identificar as etapas de um projeto de programação em Data Science
- Saber selecionar e utilizar funções, packages e bibliotecas de acordo com os objetivos do projeto
- Compreender e utilizar diferentes estruturas e formatos de dados de acordo com os requisitos
- Conceber e implementar programas centrados na análise e visualização de dados recorrendo a técnicas estabelecidas
- Selecionar algoritmos e modelos apropriados de acordo com requisitos de análise/projeto.

Métodos de Ensino

As aulas TP asseguram a introdução dos conceitos e exposição da matéria enquadrada em exemplos/casos de estudo representativos, assim como na proposta e realização de exercícios práticos de aplicação para consolidação. Recorrer-se-á a técnicas de aprendizagem ativa na dinamização das aulas presenciais e remotas (síncronas).

A avaliação é realizada nas modalidades: 1) contínua e/ou 2) final. A modalidade 1 integra 20% de avaliação sumativa parcelar remota, 25 % avaliação de tarefas individuais com entregas, 25% da avaliação com discussão de projeto prático a realizar em grupo, e 30% teste escrito presencial final. A modalidade 2, disponível em caso de impossibilidade de realizar a 1 ou no caso de insucesso nessa, integra a avaliação de projeto com discussão contando 50% e exame escrito presencial contabilizado também em 50% da nota final.
-Contínua: 20% aval. remota,25% tarefas individuais, 25% projeto prático grupo, 30% teste
-Final: projeto e discussão (50%) e exame 50%.

Estágio(s)

Não

Programa

1. Terminologia
2. Projeto de programação em Data Science: fases, organização, ferramentas e ambientes (ex. jupyter)
3. Manipulação de ficheiros (ex. em Python)
4. APIs e recolha de dados
5. Diferentes formatos e estruturas de dados para projetos de Data Science
6. Manipulação de dados, funções e bibliotecas disponíveis
7. Exploração de dados, funções e bibliotecas disponíveis
8. Bibliotecas externas: funcionalidades e sua utilização (e.g. otimização de calculo, implementação de algoritmos machine learning, visualização, …)
9. Modelos: funções disponíveis e sua utilização (ex. regressões)

Demonstração de conteúdos

O objetivo 1 será alcançado com os conteúdos dos pontos 1 e 2.
O objetivo 2 será alcançado com os conteúdos dos pontos 6, 7 e 8.
O objetivo 3 será alcançado com os conteúdos dos pontos 3, 4 e 5.
O objetivo 4 será alcançado com os conteúdos dos pontos 8 e 9.
O objetivo 5 será alcançado com os conteúdos dos pontos 5 e 9.

Demonstração da metodologia

As aulas são teórico-práticas e conjugam diversas metodologias pedagógicas, quer sejam aulas online ou presenciais.
As metodologias de ensino propostas assentam em métodos de ensino-aprendizagem ativos, estimulando a participação e o envolvimento dos estudantes no seu processo de aprendizagem. As metodologias previstas fomentam assim a capacidade do estudante de aplicar competências práticas e de trabalhar de forma autónoma, aspetos cruciais deste Mestrado.
As aulas TP presenciais e remotas (síncronas) permitirão a exposição da matéria e sua aplicação para consolidação da aquisição de saberes. A existência de tarefas individuais permite desenvolver e aferir, de forma granular, competências associadas aos objetivos. O projeto de grupo permite a exploração integrada dos saberes e competências em caso representativo de aplicação.

Docente(s) responsável(eis)

David Alexandre Mendes Silva Simões - 2.º Trimestre

Bibliografia

VanderPlas, J. (2016). Python Data Science Handbook: Tools and Techniques for Developers: Essential Tools for Working with Data. O'Reilly Media.\nRogel-Salazar, J. (2020). Advanced Data Science and Analytics with Python. Chapman & Hall.\nDeitel, P., Deitel, H. (2019). Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud, Pearson.\nEMC Education Services (2015). Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. John Wiley & Sons Inc.\nShah, C. (2020). A Hands-On Introduction to Data Science. Cambridge University Press.\n