Dados de Sistemas Móveis / Data from Mobile Systems

Docente responsável:
Irena Orovic

Objetivos de aprendizagem (conhecimentos, aptidões e competências a desenvolver pelos estudantes):

O objetivos desta UC são:
OA1: Ganhar conhecimento das diversas fontes de dados de sistemas móveis, e.g. smart phone, smart watch, entre outros.
OA2: Ganhar conhecimentos sobre dados provenientes de sensores em sistemas móveis, e.g. acelerômetro, barómetro, temperatura, GPS, entre outros e suas aplicações.
OA3: Ganhar competências e aptidões no tratamento de dados de sistemas móveis: (1) análise e tratamento de séries temporais, (2) falhas de aquisição de dados (data-gaps), (3) regressão e previsão de séries temporais, (4) aplicação do tratamento de dados com base em séries temporais, e.g. dados de acelerômetros e possíveis aplicações.

Intended learning outcomes (knowledge, skills and competences to be developed by the students):

The Learning Goals of this course are:
LG1: Acquire the knowledge about the diverse types of data coming from mobile systems, e.g. smart phone, smart watch among others.
LG2: Acquire knowledge about types of sensor data from mobile devises, e.g. accelerometer, barometer, temperature, GPS, among others and its practical applications.
LG3: Acquire competences and skills on data processing and analysis from mobile systems: (1) Time series processing and analysis, (2) dealing with data-gaps, (3) time series regression and forecasting, (4) Time series processing and analysis from mobile sensor dada, e.g. accelerometer data and its applications.

Conteúdos programáticos:
CP1. Introdução aos diversos tipos de dados de sistemas móveis e suas aplicações e importância. CP2. Introdução ao processamento e análise de séries temporais.
CP3. Manusear séries temporais com falhas (data-gaps).
CP4. Regressão e previsão de séries temporais.
CP5. Caso de estudo: tratamento de dados provenientes de acelerômetros e suas possíveis aplicações.

Syllabus:
PC1. Introduction to the diverse types of data coming from mobile systems and its applications and importance. PC2. Introduction to time series processing and analysis.
PC3. Dealing with data-gaps in time series.
PC4. Time series regression and forecasting.
PC5. Use case: time series processing from accelerometer data and its applications.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular:
OA1 – CP1
OA2 – CP1 e CP5
OA3 – Todos os CP.

Evidence of the syllabus coherence with the curricular unit’s intended learning outcomes:
LG1 – PC1
LG2 – PC1 e PC5
LG3 – all PC

Metodologias de ensino (avaliação incluída):
A metodologia de ensino (ME) e avaliação:
ME1: Expositiva: apresentação teórica de acordo com o plano curricular.
ME2: Experimental: realização de análises de dados em laboratório informático com software apropriado ao plano curricular.
ME3: Ativa: realização de um trabalho de projeto em grupo e sua apresentação oral (40%).
ME4: Auto-estudo: trabalho individual do aluno em trabalhos semanais a atribuir (60%).
Notas importantes da avaliação:
– Classificação mínima de 8 valores no trabalho de grupo e de 8 valores no trabalho autónomo do aluno.
– Os grupos do trabalho de projeto podem ser entre 2 e 3 alunos.

Teaching methodologies (including students’ assessment):
Teaching methodologies (TM) including assessment:
TM1: Expositional: Theoretical exposition according to the syllabus.
TM2: Experimental: data analysis in informatics laboratory with appropriate software according to the syllabus. TM3: Active: teamwork in a working project and its oral presentation (40%).
TM4: Self-study: individual work on a weekly basis working problems (60%).
Important assessment notes:
– Teamwork (working project) minimum grade 8 and individual weekly working problems minimum grade 8.
– The teamwork is with teams of 2 or 3 students.

Demonstração da coerência das metodologias de ensino com os objetivos de aprendizagem da unidade curricular:
ME1 – Todos AO
ME2 – OA3
ME3 – OA3
ME4 – OA3

Evidence of the coherence between the teaching methodologies and the intended learning outcomes:
TM1 – All LG
TM2 – LG3
TM3 – LG3
TM4 – LG3

Bibliografia de consulta/existência obrigatória:
Nielsen, A. (2020). Practical Time Series Analysis. O’Reilly Media Inc. Sebastopol, CA.
In addition, a number of curated recent scientific articles covering course topics will be added throughout the fifteen weeks of lectures.