Graça Trindade

Ao concluir a Unidade Curricular, o estudante deverá ser capaz de:
OA1. Avaliar a qualidade dos dados (casos omissos e outliers), listar os padrões dos dados descritivos (estatísticas básicas, transformação de variáveis e relações entre pares de atributos), detectar propriedades de sub-populações de dados significativos, segmentar sujeitos de acordo com várias técnicas de clustering, e identificar padrões ou tendências dos dados, reproduzindo-os na realização de exercícios.
OA2. Interpretar os resultados decorrentes de técnicas de sumarização dos dados.
OA3. Diferenciar os métodos de redução da dimensionalidade dos dados e de segmentação de sujeitos e escolher os métodos mais adequados a um determinado problema.
OA4. Identificar e aplicar o modelo de regressão linear mùltipla na presença de dados adequados à Hotelaria e Turismo.

CP1. Introdução à Análise exploratória dos dados
1.1. Tipos de dados
1.2. Avaliação da qualidade dos dados: não-respostas e valores extremos
CP2. Técnicas de sumarização
2.1. Análise de Dados uni e bivariados
Medidas descritivas e representações gráficas.
2.2 Análise de Dados multivariados
2.2.1 Técnicas para reduzir a dimensionalidade dos dados de input: Análise de Componentes Principais (ACP), Análise de componentes principais para dados categóricos (CatPCA), e Análise de correspondência múltiplas (ACM).
2.2.2 Técnicas de segmentação: Hierárquico aglomerativo, k-Means, e Two-Step Clustering.
CP3. Técnicas de associação
(Market Basket Analysis)
Algoritmos Apriori, Carma, e Sequential.
CP4. Aplicações de técnicas descritivas em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics.

Avaliação ao longo do semestre ou avaliação por exame.
Avaliação ao longo do semestre:
a) 1 Exercício (de 1h 15 m) a realizar online com peso de 10%
b) Trabalho de grupo com peso de 40%
c) Teste final individual (50%)
d) Média ponderada das avaliações individuais de um mínimo de 8.5
e) assiduidade mínima de sete aulas (de 8).
2/3 das aulas leccionadas.
Avaliação por exame: exame individual (60%) + trabalho individual (40%) com nota mínima 8,5 a cada prova desde que a nota final seja de 10 no mínimo.
Em ambas as modalidade, poderá ser necessário relaizar uma discussão oral do trabalho de grupo ou trabalho individual.
Escala: 0-20 valores

Nuno Santos

No final do período curricular desta UC, o aluno deverá:
OA1. Identificar e aplicar os conceitos e as tecnologias associadas à área de texto não estruturado e análise de redes sociais com vista a implementar soluções que possam auxiliar a tomada de decisão em contexto de gestão.
OA2. Aplicar técnicas de text mining para melhor compreender e gerir problemas de negócio.
OA3. Desenvolver a capacidade de estudo, de pesquisa pessoal e de comunicação em Text Mining.
OA4. Conhecer o contexto de NLP na Inteligência Artificial actual.

CP1. Introdução a Análise de Dados não Estruturados e ao Text Mining.
CP2. Tokenization, Criação de Dicionários e Preparação do Corpus.
CP3. Métodos de Agrupamento de Documentos e Termos.
CP4. Modelos de Classificação em Texto.
CP5. Aplicação de Casos de Agrupamento de Documentos e Termos à Gestão.
CP6. Aplicação de Casos de Classificação de Texto Aplicados à Gestão: Análise de Sentimentos.
CP7. Tópicos avançados de NLP.

1) Avaliação ao longo do semestre:
a) Teste individual (50%).
b) Trabalho de grupo 1 - Ferramentas (Imagens, Vídeo, Som, ou Texto) (15%).
c) Trabalho de grupo 2 - Aplicação/Projecto (Imagens, Vídeo, Som, ou Texto) (25%).
d) Participação em aula (10%).

Aprovação: a) mín. 7,5 valores em cada um dos elementos de avaliação; b) classificação final mín. 10 valores.

2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores.
3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores.

Escala: 0-20 valores.

Raul Laureano

Ricardo Manuel Machado Pires

OA1. Conhecer a metodologia CRISP-DM;
OA2. Perceber o processo de implementação de projetos de business analytics;
OA3. Conhecer as principais ferramentas informáticas em business analytics;
OA4. Conhecer algumas aplicações reais de business Analytics.

P1. Business analytics nas organizações
P.1.1. Framework para a implementação
P1.2. Metodologia CRISP-DM
P1.3. Maturidade analítica
P2. Aplicações de business analytics
P2.1. Problemas com os dados
P2.2. Problemas de business intelligence
P2.3. Problemas de analytics

1) Avaliação periódica:
a) Trabalhos individual com apresentação oral e digital (70%)
(OA 1, 2, 3, 4)
b) Trabalho de grupo com possibilidade de discussão (30%)
(OA 3, 4)

Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 4/5 das aulas

Escala: 0-20 valores

Dada a natureza prática dos conteúdos da UC, não está prevista a realização de exame

Renato Lopes da Costa

OA1. Desenvolver conceitos inerentes ao processo de gestão estratégica e compreender a forma como este processo é visto a partir de diferentes abordagens teóricas.
OA2. Compreender e aplicar o conceito e a abordagem das capacidades dinâmicas.
OA3. Introduzir conceitos inerentes à formulação e ao desenvolvimento de estratégias de negócio e de estratégias corporativas, incluindo a avaliação do envolvente e a análise de stakeholders.
OA4. Perceber a importância da implementação e do controlo de gestão estratégica e da sua ligação ao reporte e à business analytics.
OA5. Criar sistemas de controlo e avaliação de desempenho para o reporte de informação relativa à gestão empresarial.
OA6. Desenvolver pensamento crítico.
OA7. Ter autonomia para planear processos de aprendizagem e avançar os conhecimentos na área em estudo.

CP1. Estratégia como ponto de partida para business analytics
CP2. O processo de gestão estratégica
CP3. Análise interna da organização baseada nos recursos e nas capacidades dinâmicas
CP4. Análise da envolvente externa
CP5. Estratégias de negócio, novos modelos de negócio e transformação digital
CP6. Estratégias corporativas
CP7. Implementação e controlo da estratégia, reporting e business analytics.

Opção 1 (Avaliação Contínua)

i. Teste Escrito Individual 50%
ii. Trabalho de Grupo 40%
iii. Relatório do Seminário 10%

Aprovação: Média ponderada de 10 valores ou superior, com a nota mínima de 8 valores em cada uma das componentes da avaliação contínua.

Opção 2 (Exame Final)
Aprovação: 10 valores ou superior

Escala: 0-20 valores.

Luísa Domingues

No final da lecionação desta UC o aluno deve estar apto a (OA):
1. Compreender a importância da gestão de bases de dados no universo do data science.
2. Interpretar e desenhar modelos de dados de sistemas operacionais e de sistemas analíticos.
3. Utilizar com eficiência e eficácia as linguagens e ferramentas para pesquisa de informação proveniente de dados estruturados e semi-estruturados

A. Enquadramento da gestão de dados no universo do datascience
B. Desenho de esquemas relacionais
1. Relações e chaves primárias
2. Chaves estrangeiras e regras de integridade;
3. Análise crítica e construção de um modelo relacional;

C. Linguagem S.Q.L
1 Interrogações Simples;
2 Funções de Agregação e Agrupamentos;
3 Interrogações Encadeadas;
4. Criação de Views

D. Otimização

E. Modelo Dimensional
1. Conceção modelo dimensional
2. Modelo dimensional vs relacional
3. ETL & qualidade dos dados

F. Dados semi-estruturados

Avaliação por exame (1ª Época, 2ª Época e Época Especial):
* Prova escrita (100%)
- Aprovação: nota >= 10 valores.

Avaliação ao longo do semestre:
* Trabalho de grupo com discussão - entregas faseadas ao longo do semestre e discussão no final do semestre (50%);
* Teste individual escrito - data de 1ª Época (50%).
- Aprovação: Nota final >=10 valores; e Teste individula escrito >=8 valores.

- A não comparência na discussão implica a anulação do trabalho de grupo como elemento de avaliação.
- As notas finais do trabalho de grupo dependerão do desempenho de cada aluno na discussão, e poderão variar entre 0 (zero) e 20 valores.

Raul Laureano

OA1. Descrever e demonstrar a aplicação de técnicas de classificação: árvores de decisão, regras proposicionais e redes neuronais
OA2. Descrever e demonstrar a aplicação de técnicas de regressão: regressão linear, árvores de decisão e redes neuronais
OA3. Aplicar, em plataformas analíticas, técnicas de classificação e regressão para resolver problemas reais de negócio

P1. Técnicas de classificação
P1.1. Árvores de decisão e regras proposicionais
P1.2 Redes neuronais: algoritmo backpropagation
P1.3 Outros algoritmos para classificação
P2. Técnicas de regressão
P2.1. Regressão linear
P2.2. Árvores de decisão
P2.3 Redes neuronais: algoritmo backpropagation
P2.4. Outros algoritmos para regressão
P3. Aplicações de classificação e regressão em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics; ou outro

1) Avaliação ao longo do semestre:
a) Teste individual (50%) - OA 1, 2.
b) Trabalho de projeto aplicado em grupo com apresentação digital (50%) e possível discussão - OA 1, 2, 3

Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 2/3 das aulas.

2) Avaliação por exame (todas as épocas):
Trabalho de projeto aplicado individual, a realizar numa semana, com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambos.

Escala: 0-20 valores.

Ana Catarina Nunes

Ao concluir esta Unidade Curricular o estudante deverá ser capaz de:
OA1: Identificar modelos prescritivos de apoio à tomada de decisão adequados para aplicações em gestão.
OA2: Identificar técnicas prescritivas de apoio à tomada de decisão adequados para aplicações em gestão.
OA3: Desenvolver modelos de apoio à decisão para aplicações em gestão.
OA4: Utilizar programas generalistas para resolver modelos de apoio à decisão.
OA5: Interpretar e produzir recomendações baseadas nos resultados dos modelos de apoio à decisão.

P1. Modelos e técnicas de optimização matemática
1.1 Optimização Linear
1.2 Optimização com variáveis inteiras
1.3. Optimização Não Linear
1.4 Aplicações da optimização matemática na Gestão
1.5 Resolução usando software
1.6 Fazer recomendações prescritivas
P2. Modelos e técnicas de optimização multiobjectivo
2.1 Modelos multiobjectivo
2.2 Aplicações da optimização multiobjectivo na Gestão
2.3 Resolução usando software
2.4 Fazer recomendações prescritivas
P3. Técnicas de optimização heurística
3.1 Introdução à optimização heurística
3.2 Aplicações da optimização heurística na Gestão
3.3 Resolução usando software
3.4 Fazer recomendações prescritivas
P4. Outros modelos e técnicas prescritivas para Gestão

1. AVALIAÇÃO PERIÓDICA:
a) Teste escrito (60%);
b) Trabalho de grupo com discussão (40%);
c) Presença em, pelo menos, 2/3 das aulas.
2. AVALIAÇÃO POR EXAME (1.ª e 2.ª Época):
a) Teste escrito (60%);
b) Projecto individual com discussão (40%).
A aprovação (na avaliação Periódica ou por Exame):
i) Requere classificação mínima de 8,5 em cada prova;
ii) Pode ser exigida uma prova oral.
Escala: 0-20 valores.

Patrícia Filipe

OA1. Perceber o que é Big Data e as suas principais implicações para as organizações
OA2. Aplicar modelos analíticos em Big Data
OA3. Avaliar soluções analíticas de Big Data

CP1. Big Data: Introdução, Desafios, Tendências e Aplicações ao Negócio
CP2. Características do Big Data: os V's do Big Data
CP3. As Tecnologias do Big Data
CP4. Análise de Streams e Modelos Analíticos para Big Data
CP5. Casos de negócio com problemas e soluções analíticas de Big Data

1. Avaliação ao longo do semestre: a) Trabalho de grupo com apresentação (50%). (OA 2, 3); b) Teste individual (50%). (OA 1, 3);
A aprovação em avaliação ao longo do semestre exige:
- presença em, pelo menos, 75% das aulas;
- nota mínima de 7,5 valores para cada um dos elementos de avaliação;
- classificação final mínima de 10 valores.

2. Avaliação por exame: Teste individual (50%) e Trabalho individual com apresentação (50%).
A aprovação em avaliação por exame exige:
- nota mínima de 10 valores para cada um dos elementos de avaliação;
- classificação final mínima de 10 valores.

Ricardo Manuel Machado Pires

Rute Saraiva

Objetivos de Aprendizagem:
OA1. Descrever os conceitos e metodologias-chave para o desenvolvimento de um caso de negócio.
OA2. Descrever os principais conceitos e frameworks para o desenvolvimento de uma arquitectura de dados.
OA3. Desenvolver e comunicar um caso de negócio suportado numa arquitetura de dados.

No final da UC cada estudante deverá ser capaz de:
1) Analisar um caso de negócio;
2) Desenhar um framework de arquitetura de dados;
3) Identificar critérios de decisão;
4) Selecionar funcionalidades tecnológicas;
5) Elaborar uma proposta de valor; e
6) Definir requisitos tecnológicos para a implementação do caso de negócio.

P1. Fundamentos de arquitetura de dados
P2. Armazenamento e recuperação de dados
P3. Integração de dados
P4. Análise, modelação e visualização de dados
P5. Segurança e qualidade de dados
P6. Arquiteturas com tecnologias emergentes
P7. Identificação de problemas
P8. Fundamentação de propostas
P9. Identificação de riscos e benefícios
P10. Definição de requisitos tecnológicos
P11. Comunicação de casos de negócio

A avaliação ao longo do semestre é composta pelas seguintes componentes:
a) 10% em função da assiduidade do aluno nas aulas;
b) 50% com trabalho de grupo, onde os alunos devem demonstrar a capacidade de desenvolvimento de um caso de negócio, com trabalho colaborativo e brainstorming, através da gravação de um vídeo (pitch);
c) 30% com a entrega individual dos requisitos tecnológicos do caso de negócio;
d) 10% com a discussão oral individual do caso de negócio.

Aprovação: a) classificação mínima 10 valores em cada elemento;

Escala: 0-20 valores.

Esta UC não contempla avaliação por exame dada a sua natureza de seminário.

Raul Laureano

Filipe Ramos

OA1. Saber diferenciar: uma dissertação e um projeto empresa
OA2. Saber como selecionar um problema de investigação e rever a literatura
OA3. Saber escrever uma proposta de investigação e um artigo científico

P1. As etapas do processo de investigação
P.1.1.Tipos de teses
P1.2. Identificação de problemas de investigação
P1.3. Planeamento das fases do trabalho
P2. Elaboração da revisão de literatura e fontes de bibliografia
P3. Tipos e fases do trabalho empírico
P3.1. Identificação de metodologias,
P3.2. Identificação de dados, ferramentas e técnicas analíticas
P4. Elaboração e apresentação de projeto de investigação e de artigo científico
P4.1. Acompanhamento individual ou em pequenos grupos do desenvolvimento e aperfeiçoamento do trabalho de investigação

Avaliação ao longo dos semestres:
1) Projeto de tese (60%)
2) Análise crítica a uma tese de business analytics (10%)
3) Escrita, individual, ou em grupo, de artigo científico e respetiva apresentação oral e digital (10% parte teórica + 10% parte prática + 10% artigo completo submetido a journal ou conferência científica)


Aprovação: a) mín. 10 val. nos instrumentos 1) e 2); b) nota final mín. 10 val.; e, c) assiduidade de 2/3 das aulas.


UC sem exame devido à sua natureza de seminário.

OA1. Escrever uma dissertação
OA2. Apresentar em público uma síntese da dissertação

P1. Escrita da introdução e resumo (abstract);
P1.1. Definição do problema e objetivos de investigação;
P2. Revisão de literatura;
P3. Definição da metodologia
P4. Apresentação de resultados e sua discussão
P5. Escrita de conclusões
P5.1. Contributos/implicações em termos académicos e empresariais
P5.2. Limitações e pistas futuras de investigação
P6. Apresentação oral da síntese da tese

Avaliação ao longo dos semestres:
1) Apresentação escrita da dissertação (80%)
2) Apresentação oral da síntese da dissertação e posterior discussão pública perante um júri (20%)

Nota mínima: 10 valores numa escala 0 a 20 valores

OA1. Escrever um trabalho de projeto
OA2. Escrever uma síntese do trabalho de projeto
OA3. Apresentar em público uma síntese do trabalho de projeto

P1. Escrita da introdução e resumo (abstract);
P2. Definição do problema de negócio e diagnóstico da organização;
P3. Definição dos objetivos do projeto;
P4. Revisão de literatura;
P5. Definição dos objetivos analíticos e métricas de monitorização;
P6. Compreensão dos dados recolhidos e preparação dos dados;
P7. Técnicas de análise de dados (modelação) e de avaliação dos modelos;
P8. Escrita de conclusões e definição de possibilidades de projetos futuros;
P9. Avaliação de impactos possíveis e formas de controlo de resultados.

- Apresentação escrita da dissertação (80%)
- Apresentação oral da síntese do projeto e posterior discussão pública perante um júri (20%)