Introdução à Data Science com Python
-
Conhecimentos de Base Recomendados
-
-
Objetivos
- Entender os conceitos fundamentais da ciência de dados e a sua aplicação prática.
- Aprender as bases da programação em Python específicas para data science, incluindo bibliotecas como Pandas, NumPy, Matplotlib e Seaborn.
- Desenvolver competências práticas na utilização de Python para recolha, processamento e análise de dados.
- Capacidade de aplicar métodos estatísticos para resolver problemas reais.
- Capacidade para tomar decisões baseadas em dados e apresentar insights de forma clara e eficaz.
- Desenvolvimento de um pensamento crítico e analítico para abordar e solucionar problemas complexos usando dados. -
Métodos de Ensino
Esta unidade curricular é estruturada em torno de aulas teórico-práticas, que combinam diversas abordagens pedagógicas para uma experiência de aprendizagem interativa e abrangente. As metodologias utilizadas incluem: 1) Aulas Teórico-Práticas (Integração do Método Expositivo e Demonstrativo): -Método Expositivo: Os conceitos são apresentados de forma clara e estruturada, utilizando-se de recursos audiovisuais para reforçar a compreensão. - Método Demonstrativo: A apresentação dos conceitos é intercalada com demonstrações práticas, onde os alunos visualizam a aplicação dos conceitos através de exemplos práticos ou simulações. 2) Realização de Exercícios Práticos: Durante as aulas, são propostos exercícios práticos relacionados com a matéria abordada. Estes exercícios são uma forma crucial de aplicação prática do conhecimento teórico 3) Métodos Ativos: - Quizzes Interativos em Grupo: Utilizados durante a exposição dos conceitos para promover a discussão colaborativa e a aplicação do conhecimento em tempo real. - Exercícios Individuais Semanais: Pequenos exercícios ou questões focadas na matéria da semana, que incentivam a revisão contínua e a autoavaliação, e ajudam o estudante a consolidar os conhecimentos adquiridos. - Técnicas de gamificação (badges e leaderboards) associadas às atividades de aula, que promovem a aprendizagem colaborativa e o envolvimento e motivação dos estudantes. 4) Avaliação Sumativa com Teste Final Individual: Esta avaliação é realizada na fase final da unidade curricular para medir a compreensão global e a capacidade de aplicação integrada dos conceitos estudados. Esta abordagem pedagógica visa não apenas a transmissão de conhecimento, mas também o desenvolvimento de competências analíticas, colaborativas e autónomas nos alunos, preparando-os de maneira eficaz para os desafios práticos da área de estudo.
-
Estágio(s)
Não
-
Programa
1. Introdução à Ciência de Dados e Python
1.1 Conceitos básicos de ciência de dados
1.2 Introdução ao ambiente de programação Python
2. Manipulação e Análise de Dados (e.g. com Pandas, NumPy)
2.1 Importação, limpeza e exploração de dados
2.2 Operações com DataFrames e Series
3. Visualização de Dados
3.1 Criação de gráficos e visualizações interativas (e.g. com Matplotlib, Seaborn) -
Demonstração de conteúdos
No ponto 1 estabelecem-se as bases teóricas e práticas essenciais, introduzindo os estudantes aos conceitos fundamentais da ciência de dados (CD) e ao ambiente de programação Python, e criando uma fundação sólida que aborda o entendimento teórico necessário e prepara os estudantes para a sua aplicação prática. Nos pontos 2 e 3, os estudantes aplicam e desenvolvem aptidões práticas na manipulação, processamento, análise e apresentação de dados utilizando bibliotecas Python para CD. Ao trabalhar com dados reais e criar visualizações impactantes, os estudantes aprendem a gerir e explorar dados e comunicar eficazmente os seus insights, um aspecto vital na tomada de decisões baseadas em dados.
-
Demonstração da metodologia
As aulas teórico-práticas, que integram métodos expositivos e demonstrativos, fornecem uma base sólida para o entendimento dos conceitos fundamentais da ciência de dados e da programação em Python. A utilização de recursos audiovisuais e demonstrações práticas reforça tanto o conhecimento teórico como a compreensão da sua aplicação, contribuindo para que os alunos compreendam a teoria e consolidem essa aprendizagem através da demonstração prática dos conceitos. A realização de exercícios práticos durante as aulas é crucial para o desenvolvimento de competências práticas em Python no campo da ciência de dados, permitindo que os alunos apliquem diretamente o que aprenderam em um contexto real. Esta prática é fundamental para alcançar o objetivo de desenvolver competências na recolha, processamento e análise de dados. Os métodos ativos, incluindo quizzes interativos em grupo e exercícios individuais semanais, promovem a aprendizagem colaborativa e incentivam a revisão contínua e a autoavaliação. Estas atividades ajudam os alunos a consolidar os conhecimentos adquiridos e a desenvolver um pensamento crítico e analítico, preparando-os para abordar e solucionar problemas complexos usando dados. Além disso, a gamificação nas atividades de aula aumenta o envolvimento e a motivação dos alunos, o que é vital para uma aprendizagem eficaz. Por fim, a avaliação sumativa com um teste final individual ajuda a medir a compreensão global e a capacidade de aplicação integrada dos conceitos estudados, garantindo que os alunos tenham alcançado os objetivos de aprendizagem da unidade curricular.
-
Docente(s) responsável(eis)
-
-
Bibliografia
- McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython (2ª ed.). O'Reilly Media.
- VanderPlas, J. (2016). Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly Media.
- Rogel-Salazar, J. (2020). Advanced Data Science and Analytics with Python. Chapman & Hall.
- Deitel, P., Deitel, H. (2019). Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud, Pearson.
- Shah, C. (2020). A Hands-On Introduction to Data Science. Cambridge University Press.
- Grus, J. (2019). Data Science from Scratch: First Principles with Python (2ª ed.). O'Reilly Media.
- Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2ª ed.). O'Reilly Media.
- Vasconcelos, J. B. de, & Barão, A. (2017). Ciência dos Dados nas Organizações: Aplicações em Python. FCA
Detalhes do curso
-
Código
01101819
-
Modo de Ensino
PRESENCIAL
-
ECTS
4.0
-
Duração
Semestral
-
Horas
45h Teórico-Práticas
Conteúdo atualizado em 09/03/2025 23:15
Subscrever a Newsletter do IPS
Subscreva a nossa newsletter e fique a par das últimas novidades, eventos e oportunidades do Politécnico de Setúbal.
CONTACTOS
Campus de Setúbal
Serviços Centrais
Campus do IPS, Estefanilha
2910-765 Setúbal, Portugal
t. +351 265 548 820
e. info@ips.pt
Assuntos Académicos: suporte.ips.pt
Ver no Mapa
Campus do Barreiro
Escola Superior de Tecnologia do Barreiro
Rua Américo da Silva Marinho
2839-001 Lavradio, Portugal
t. +351 212 064 660
e. info@estbarreiro.ips.pt
Assuntos Académicos: suporte.ips.pt
Ver no Mapa
© 2025 Instituto Politécnico de Setúbal. Todos os direitos reservados.
Subscrever a Newsletter do IPS
Subscreva a nossa newsletter e fique a par das últimas novidades, eventos e oportunidades do Politécnico de Setúbal.