Pipelines para Análise de Processos Inteligentes

Conhecimentos de Base Recomendados

Não aplicável.

Métodos de Ensino

A metodologia de ensino é baseada na exposição de conteúdos e discussão de casos práticos de forma interativa com os alunos.

Pequenos projetos realizados pelos alunos e sua apresentação e discussão concluem o ciclo de aprendizagem e avaliação.

Resultados de Aprendizagem

Adquirir competências efectivas no desenho de estratégias de análise de dados possivelmente complexos em função da estrutura que estes apresentam, forma como foram adquiridos, objetivos a atingir e recursos disponíveis para os analisar.

Os formandos terão contacto com as principais fases no processo de análise de dados, dificuldades comuns, e como as contornar.

Estágio(s)

Não

Programa

1. Tipos de dados.
2. Recolha ativa e passiva de dados
3. Fases da análise de dados

                      i.        Recolha

                     ii.        Integração

                    iii.        Limpeza, imputação

                    iv.        Pré-processamento e feature engineering

                     v.        Análise exploratória

                    vi.        Construção de modelos

                   vii.        Validação do modelo

                  viii.        Solução piloto

                    ix.        Plano de manutenção do modelo

1. Análise da Qualidade de Informação gerada (Info-Q)
2. Análise de casos práticos.

Docente(s) responsável(eis)

Marco Paulo Seabra dos Reis

Bibliografia

• Bart Baesens, Analytics in a Big Data World, Wiley, 2014
• Bernard Marr, Big Data, Wiley, 2015

Dias, T., R. Oliveira, P.M. Saraiva, M.S. Reis, Predictive Analytics in the Petrochemical Industry: Research Octane Number (RON) forecasting and analysis in an Industrial Catalytic Reforming Unit. Computers & Chemical Engineering. 139 (2020), Article 106912. DOI: 10.1016/j.compchemeng.2020.106912