Ciência dos Dados para a Melhoria da Qualidade

Conhecimentos de Base Recomendados

Tratamento de dados, Introdução à Estatística Industrial

Métodos de Ensino

A metodologia de ensino é baseada numa combinação de aulas convencionais onde os temas são motivados e introduzidos, com apoio a diapositivos, software e ilustrações (aulas teóricas) e aulas demonstrativas dos conceitos e da sua implementação computacional (aulas práticas). No decurso das aulas e fora delas, os alunos consolidam os conhecimentos com projetos realizados em grupo onde as ferramentas são aplicadas autonomamente sob supervisão do docente.

Resultados de Aprendizagem

Os objetivos fundamentais de aprendizagem para a unidade curricular desdobram-se em objetivos ao nível da aquisição de conhecimentos técnicos (hard skills) e do desenvolvimento de competências (soft skills). No que respeita à aquisição de conhecimentos técnicos, pretende-se que os alunos: compreendam os pilares funcionais de um sistema da qualidade e a importância que a análise de dados assume em cada um deles; compreendam a diferença entre dados observacionais e dados recolhidos de forma ativa, e as respetivas consequências; reconheçam a importância da análise exploratória de dados e saber como a conduzir recorrendo especialmente a ferramentas gráficas; adquiram know-how nas metodologias de análise de estabilidade, diagnóstico de situações anómalas, previsão e QbD lecionadas. No que respeita ao desenvolvimento de competências, pretende-se que os alunos sejam capazes de: analisar de forma sistemática problemas complexos, trabalhar em equipa e comunicar efetivamente resultados.

Estágio(s)

Não

Programa

I.          Introdução aos Sistemas da Qualidade

    a.     Princípios da Qualidade

    b.     Componentes de um sistema de gestão da qualidade

    c.      Metodologias sistemáticas para a melhoria de processos

 

II.        Visualização & reporting

    a.     Gráficos

    b.     KPIs e scoreboards

    c.      Visualização multidimensional

    d.     Clustering

    e.     Aspectos comunicacionais. Densidade cognitiva.

 

III.       Análise da estabilidade

    a.     Teoria da variabilidade de Shewhart

    b.     EWMA, CUSUM, SPM multivariado

 

IV.        Diagnóstico e prognóstico

    a.     Metodologias de diagnóstico

    b.     Contribution plots e métodos causais

    c.      Métodos preditivos

         i.  Previsão

         ii. Classificação

 

V.         Quality by Design

    a.     Análise de risco

    b.     DOE

Docente(s) responsável(eis)

Marco Paulo Seabra dos Reis

Métodos de Avaliação

Avaliação
Trabalho de síntese: 50.0%
Exame: 50.0%

Bibliografia

Eriksson, L., Johansson, E., Kettaneh-Wold, N., & Wold, S. Multi- and Megavariate Data Analysis – Principles and Applications. Umeå (Sweden): Umetrics AB., 2001

 

Jolliffe, I. T. Principal Component Analysis (2nd ed.). New York: Springer, 2002

 

Han, J., & Kamber, M. Data Mining - Concepts and Techniques: Morgan Kaufmann, 2012.

 

Hastie, T., Tibshirani, R., & Friedman, J. The Elements of Statistical Learning. 2^nd edition, NY: Springer, 2016.

 

Van der Heijden, F., Duin, R. P. W., De Ridder, D., & Tax, D. M. J. Classification, Parameter Estimation and State Estimation. Chichester: Wiley, 2004.

 

Draper, N. R., & Smith, H. Applied Regression Analysis (3rd ed.). NY: Wiley, 1998

 

Kourti, T. (2005). Application of latent variable methods to process control and multivariate statistical process control in industry. International Journal of Adaptive Control and Signal Processing, 19, 213-246.