Introdução a Data Science

Conhecimentos de Base Recomendados

MI/SP I - não é obrigatória a aprovação mas é aconselhável a frequência de forma a ter conhecimentos básicos de estatística descritiva.

Métodos de Ensino

Nas aulas teóricas são apresentados os conceitos fundamentais contextualizados em problemas reais. Recorre-se ao método expositivo e dialético.

Nas aulas teórico-práticas são introduzidos exemplos de resolução de problemas práticos seguidos de exercícios para resolução pelos alunos, usando ferramentas informáticas de acesso livre geral (Orange) ou enquanto estudantes da UC (Microsoft Excel e SPSS), sendo apresentados tutoriais para a sua utilização na resolução dos problemas.

Os problemas oferecidos aos alunos serão integrados com os conteúdos lecionados em diferentes unidades curriculares do 1º semestre do MIM.

Resultados de Aprendizagem

Ser capaz de:

- Compreender as diferentes naturezas dos dados e as suas implicações para a análise

- Planear recolha de dados, a sua organização e a sua gestão e armazenamento em plataformas adequadas

- Transformar os dados de acordo com a necessidade da análise

- Aplicar técnicas usuais de descrição e representação gráfica de dados

- Reconhecer as diferenças entre análise de dados numéricos e de texto

- Conhecer algumas formas de geração e integração de dados com a realidade biomédica.

Estágio(s)

Não

Programa

1.Aquisição e organização de dados:

Recolha de dados na era digital:

-Sensores inteligentes, apps e a internet das coisas;

-Imagens: RX, TAC, PET e RM

-Texto: Artigos cientísficos

-API’s para obter dados da net automaticamente

Geração automática de dados no Excel

Organização, armazenamento e proteção de dados

-Ficheiros csv, txt; conversão para formatos usuais

-Manuseamento de dados usando o Microsoft Excel

2.Extração de conhecimento a partir dos dados (visualização):

Descrição sumária de dados no Excel

Representação e visualização dos dados:

-Criação automática de tabelas

-Gráficos no Excel

Representação gráfica em Orange

Exemplos de data mining e text mining com dados biomédicos

-Aprendizagem automática

-A análise automática de texto (NLP)

Docente(s) responsável(eis)

Bárbara Cecília Bessa dos Santos Oliveiros Paiva

Métodos de Avaliação

Avaliação
Projecto: 100.0%

Bibliografia

- Knaflic, C. N. (2015). Storytelling with data: a data visualization guide for business professionals. Hoboken, New Jersey: John Wiley & Sons, Inc.

- Emc Education Services (2015, Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data

- Bruce, P. C., & Bruce, A. (2017). Practical statistics for data scientists: 50 essential concepts.