Informação geral
Código: 14850
Área científica predominante: Informática
Regime: Semestral
ECTS: 5
Tipo de ensino: Presencial
Língua de instrução:Português
Carga Horária
Trabalho autónomo:
80 Horas
Aulas:
30 horas – Práticas Laboratoriais
30 horas – Teóricas
Objetivos de ensino
Os conteúdos programáticos cobrem de forma transversal os três componentes principais da Unidade Curricular, apresentando modelo, técnicas, metodologias e ferramentas para a resolução dos problemas.
Resultados de aprendizagem
– Definir os principais conceitos relacionados com Sistemas de suporte à decisão, processamento analítico de dados, Data Warehousing, Mineração de Dados e Aprendizagem Máquina.
– Avaliar as aplicações de software nas áreas anteriores.
– Selecionar as metodologias apropriadas e aplicar software disponível mais recomendado na resolução de problemas reais de análise de dados e tomada de decisão na área biomédica.
– Analisar os resultados de ferramentas de Processamento Analítico ou Mineração de Dados de forma a poder tirar conclusões úteis da sua utilização.
– Conhecer e ser capaz de implementar os principais algoritmos relacionados com técnicas de Aprendizagem Máquina e Mineração de Dados.
– Avaliar as aplicações de software nas áreas anteriores.
– Selecionar as metodologias apropriadas e aplicar software disponível mais recomendado na resolução de problemas reais de análise de dados e tomada de decisão na área biomédica.
– Analisar os resultados de ferramentas de Processamento Analítico ou Mineração de Dados de forma a poder tirar conclusões úteis da sua utilização.
– Conhecer e ser capaz de implementar os principais algoritmos relacionados com técnicas de Aprendizagem Máquina e Mineração de Dados.
Programa sucinto
1. Sistemas de suporte à decisão (Datawarehousing e Processamento Analítico de Dados).
2. Extração e descoberta de conhecimento.
3. Estudos de complexidade.
2. Extração e descoberta de conhecimento.
3. Estudos de complexidade.
Bibliografia essencial
Mitchell, T. (1997). Machine Learning. New York: McGraw-Hill.
Witten, I. & Frank, E. (2005). Data mining: practical machine learning tools and techniques with Java implementations. San Francisco, Calif: Morgan Kaufmann.
Machado, J. & Abelha, A. (2016). Applying business intelligence to clinical and healthcare organizations. Hershey PA: Medical Information Science Reference.
Métodos de ensino
Métodos de Ensino Individualizado: Estudo dirigido; Ensino por fichas; Ensino por módulos.
Métodos de Ensino Socializado: Discussão em pequenos grupos; Discussão dirigida; Brainstorming; Palestra.
Métodos de Ensino Sócio Individualizado: Projeto; Problemas; Pesquisa.
Métodos de Ensino Socializado: Discussão em pequenos grupos; Discussão dirigida; Brainstorming; Palestra.
Métodos de Ensino Sócio Individualizado: Projeto; Problemas; Pesquisa.
Métodos de avaliação
A avaliação envolve dois instrumentos: um trabalho, de carácter individual, concretizando uma componente prática, e um trabalho de desenvolvimentos experimentais e escritos, a realizar em grupo. Tanto a componente individual como a componente de grupo têm limite de execução temporal.
A classificação final é dada na forma:
– 50% da classificação provém da componente prática individual
– 50% da classificação provém da componente prática de grupo.
É obrigatório ter classificação positiva em todos os instrumentos de avaliação.
A classificação final é dada na forma:
– 50% da classificação provém da componente prática individual
– 50% da classificação provém da componente prática de grupo.
É obrigatório ter classificação positiva em todos os instrumentos de avaliação.