Data Mining
Código: 22131
Departamento: DCET
ECTS: 5
Área científica: Informática
Total de horas trabalho: 156
Total de horas de contacto: 30

A extração de conhecimento, padrões ou tendências de base de dados é um elemento essencial na construção de sistemas de \'Business Analytics\' para as grandes e médias empresas da atualidade.

 Esta área está intimamente ligada a técnicas de bases de dados, estatística e aprendizagem automática (\'machine learning\').

1. modelos descritivos

2. modelos prescritivos

3. causalidade

Pretende-se que, no final desta Unidade Curricular, o estudante tenha adquirido as seguintes competências:

 • Reconhecer o papel e a importância na extração de conhecimento de dados no contexto mais geral da construção de sistemas de analíticos em ambientes de Ciência dos Dados;

 • Identificar as principais metodologias e ferramentas de extração de conhecimento em modelos descritivos e preditivos, bem como em relações de causa e efeito;

 • Aplicar técnicas de extração de conhecimento em contexto experimental.

 

1. Modelos Descritivos

1.1. Regras Associativas

1.2. Segmentação

 

2. Modelos Preditivos

2.1. Classificação

2.2. Regressão

 

3. Causalidade

3.1. Descoberta causal

3.2. Inferência causal

• Introduction to Data Mining de Pang-Ning Tan, Michael Steinbach e Vipin Kumar, http://www-users.cs.umn.edu/%7Ekumar/dmbook

• Extração de Conhecimento de Dados/ Data Mining (3ª Edição) de João Gama, Ana Carolina Lorena, Katti Faceli, Márcia Oliveira e André Ponce de Leon Carvalho editor: Edições Sílabo isbn: 9789726189145

• The Effect, de Nick Huntington-Klein https://theeffectbook.net/index.html

E-learning

A avaliação tem carácter individual e implica a coexistência de duas modalidades: avaliação contínua (60%) e avaliação final (40%). Essa avaliação será desenvolvida na aplicação de formas diversificadas, definidas no Contrato de Aprendizagem da unidade curricular.

Admite-se que os estudantes dominem a língua inglesa ao nível da leitura.