Técnicas Avançadas de Análise de Dados

Ano
0
Ano lectivo
2021-2022
Código
02041211
Área Científica
Física Aplicada Tecnológica
Língua de Ensino
Português
Outras Línguas de Ensino
Inglês
Modo de Ensino
Presencial
Duração
Semestral
Créditos ECTS
6.0
Tipo
Opcional
Nível
2º Ciclo - Mestrado

Conhecimentos de Base Recomendados

Conhecimentos de base em estatística e programação.

Métodos de Ensino

Ensino combinando componentes teórica e prática, de modo a desenvolver as bases avançadas de estatística necessárias à compreensão das ferramentas e técnicas da ciência de dados atual. O conhecimento adquirido é cimentado através do desenvolvimento de projetos eminentemente práticos, com a análise de dados de natureza experimental ou teórica.

Resultados de Aprendizagem

A análise de dados em física experimental é hoje em dia de uma enorme sofisticação. Em várias áreas da física, são essenciais técnicas que vão desde o ajuste estatístico de curvas à classificação por aprendizagem automática (machine learning) de eventos de sinal numa multidão de ruído de fundo, ou à determinação da significância estatística de uma descoberta. O objetivo desta unidade curricular é apresentar estas técnicas avançadas de análise de dados, utilizadas por exemplo em física experimental de partículas, mas com crescente aplicação a outras áreas da Física, na tecnologia, e até na finança. Em particular a área da aprendizagem automática tem tido um desenvolvimento muito importante nos últimos anos, que é importante refletir no currículo de Física e Engenharia Física.

Estágio(s)

Não

Programa

1. Análise estatística de dados

1.1. Conceitos de base

1.2. Simulação de Monte Carlo e o seu uso em análise de dados

1.3. Métodos multivariacionais de análise

1.4. Testes estatísticos e p-values

1.5. Teste da hipótese nula e critérios para estabelecer uma descoberta

1.6. Estimativa de parâmetros

1.7. Limites de confiança

1.8. Determinação da sensibilidade experimental

1.9. Tratamento de incertezas sistemáticas

2. Aprendizagem automática (machine learning)

2.1. Técnicas de machine learning em análise de dados experimentais

2.2. Supervised learning, e unsupervised learning

2.3. Modelos lineares: classificação e regressão

2.4. Teste de hipóteses e curva ROC

2.5. Técnicas de aprendizagem automática

2.6. Aprendizagem profunda (deep learning).

Docente(s) responsável(eis)

José Ricardo Morais Silva Gonçalo

Métodos de Avaliação

Avaliação
Revisão e apresentação de um artigo científico: 10.0%
Frequência: 40.0%
Projecto: 50.0%

Bibliografia

Glen Cowan, Statistical Data Analysis, Oxford University Press, 1998.

Ilya Narsky and Frank C. Porter, Statistical Analysis Techniques in Particle Physics, Wiley, 2014.

Luca Lista, Statistical Methods for Data Analysis in Particle Physics, Springer, 2017.

Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

A. R. Oganov, ed., Modern methods of crystal structure prediction, Wiley, 2010.

T. Lookman, S. Eidenbenz, F. Alexander, and C. Barnes, eds., Materials Discovery and Design By Means of Data Science and Optimal Learning, Springer, 2018.

Jonathan Schmidt, Mário R. G. Marques, Silvana Botti, and Miguel A. L. Marques, Recent advances and applications of machine learning in solid-state materials science, Psi_k Scientific Highlight Of The Month, March 2019.