Mestrado em Ciência de Dados / Data Science

• Matemáticas e Físicas

  Fundamentos de Estatística para Ciência de Dados Apresentação Esta unidade curricular dedica-se aos conceitos fundamentais da teoria da probabilidade, estatística e inferência estatística. Docentes: Sofia Naique.  Programa 1. Estatística Descritiva Tipos de dados: inteiros, contínuos, categóricos, array, matriz Tabelas de frequências Medidas de centralidade e de variabilidade Visualização (Gráficos de barras, Histogramas, Caixas de Bigodes … )   2. Regressão Linear Variável independente vs. dependente. Gráficos de dispersão Covariância e coeficiente de Pearson Reta de regressão, resíduo, método dos mínimos quadrados Cálculo da estimativa para a resposta, dado certo valor para a variável independente   3. Probabilidade Experiência aleatória. Espaço de resultados. Evento. Operações entre eventos. Propriedades da função probabilidade. Probabilidade da união de eventos Lei da probabilidade total Teorema de Bayes Probabilidade condicionada. Eventos independentes   4. Inferência Estatística Amostra e amostra aleatória Estimador e estimativa para uma proporção Teste de hipótese para uma proporção Objetivos Esta disciplina permite que o(a) aluno(a) seja OA1: seja exposto à probabilidade como uma função de medida essencial à ciência. OA2: entenda a estatística como uma área da ciência que permite à engenharia recolher dados, analisar dados, formular hipóteses relativas a esses dados e testar essas hipóteses. Nessa medida, a estatística e a probabilidade são essenciais ao conhecimento e à engenharia. Saber mais

• Arquiteturas e Sistemas Operativos
• Redes e Telecomunicações
• Programação e Engenharia de SW

  Programação Aplicada para Ciência de Dados Apresentação Nesta Unidade Curricular (UC), mergulhamos nas bases essenciais da programação aplicada à Ciência de Dados. Aprimoramos habilidades na criação de algoritmos e na construção de estruturas de dados em Python, capacitando para a manipulação (extração, transformação, armazenamento) e análise de dados, o cerne da Ciência de Dados. Estrategicamente situada no primeiro semestre do mestrado, esta UC fomenta habilidades cruciais. Desenvolve a capacidade de abstração, o pensamento lógico e estruturado, além de aprimorar a mestria algorítmica. Mais do que isso, estimula o pensamento criativo e a habilidade de resolver problemas – competências fundamentais na formação de um cientista de dados. Estas bases sólidas constituem alicerces essenciais, preparando os estudantes para módulos mais avançados do mestrado Docentes: Lucio Studer.  Programa Os Conteúdos Programáticos (CP) desta unidade curricular são os seguintes: CP1. Introdução à programação CP2. Introdução à linguagem Python e sua sintaxe CP3. Intordução aos ambientes de trabalho Jupyter Notebook, Google Collab e Moodle CodeRunner. CP4. Sintaxe do Python. Variáveis e operadores. Tipos de dados simples: numéricos; strings e seus métodos. CP5: Controlo de fluxo, com decisores e ciclos. CP6. Funções. Módulos e packages. CP7: Tipos de dados compostos: listas, tuplos, sets e dicionários CP8: Manipulação e gestão de ficheiros (texto, JSON, CSV). CP9: Visualização de dados com matplotlib. CP10: Programação funcional. Compreensões, lambda, map, filter, reduce. CP11: Programação orientada a objetos. Classes. Objetivos Esta Unidade Curricular tem os seguintes Objetivos de Aprendizagem (OA): OA1. Conhecimentos Fundamentais em Programação: Compreensão sólida dos princípios da programação. Familiaridade proficiente com a linguagem Python. OA2. Aptidões para Resolução de Problemas: Habilidade de analisar e decompor problemas complexos em partes menores, permitindo uma compreensão mais clara e uma abordagem mais controlada. Abstração eficaz para isolar elementos cruciais e identificar estruturas de dados adequadas. Raciocínio lógico, identificando padrões e tomando decisões fundamentadas. OA3. Competências em Manipulação de Dados: Coleta, limpeza e transformação (ETL) de dados para análise. Criação de algoritmos eficientes para resolver desafios reais. OA4. Preparação para Módulos Avançados: Base sólida para explorar tópicos mais complexos em análise de dados. Desenvolvimento do pensamento crítico e criativo Saber mais

• Sistemas de Informação
• Interação Humano-Máquina
• Dados e Inteligência Artificial

  Ciência de Dados Avançada Apresentação Docentes: Gabriela Soares.  Programa Objetivos Saber mais

  Introdução à Ciência de Dados Apresentação A disciplina de Introdução à Ciência de Dados tem como objectivo dar ao estudante competências essenciais na análise de dados, numa perspetiva multidisciplinar, como se trata a  Ciência de Dados. Através da apresentação de metodologias e técnicas fundamentais para tratar, transformar, construir e analisar os dados, é objectivo desta disciplina dar ao estudante capacidade para traduzir essa análise em conhecimento e valor, de modo sustentado para a tomada de decisão. A componente prática é um dos aspetos fundamentais da disciplina, pelo que a capacidade de traduzir conhecimento em ações práticas e decisões de análise é particularmente valorizada. A ligação estreita ao mundo empresarial para resposta a perguntas de negócios será retratada nesta disciplina. Docentes: João Caldeira.  Programa 1. Introdução à Ciência de Dados: Importância e aplicações da Ciência de Dados Worflow de Projectos: Exemplos Práticos Tipos de dados: Estruturados, Semi-estruturados e não estruturados Principais desafios na Ciência de Dados   2. Python para Ciência de Dados Setup: Jupyter notebook NumPy  Pandas ydata-profiling   3. Pré-processamento de dados Limpeza e preparação de dados estruturados (data wrangling: slicing, grouby, pivoting, missing values, imputation, duplicates, outliers, etc) Tratamento de dados não estruturado – Texto (lemmatisation, stemming, etc.)   4. Introdução ao Machine Learning, modelos superviosionados e não superviosionados Conceitos base Regressão Linear Regressão Logística Redução de Dimensionalidade (PCA)   5. Micro-Serviços e fundamentos de APIs Definição de API Desenho de APIs Implementação de APIs em Python Operação de APIs num contexto de processo de previsão Objetivos  A disciplina tem como objetivos dar ao aluno as competências para: OA1. Compreender a importância da Ciência de Dados no mundo real OA2. Compreender a natureza dos dados OA3. Entender as principais técnicas e métodos, em programação Python, usados por cientistas de dados, através da sua prática OA4. Ser capaz de proceder a tarefas básicas de preparação e pré-processamento de dados OA5. Fazer análise exploratórias de dados com implementação em Python OA6. Entender o fluxo de trabalho de um cientista de dados e ser capaz de pensar sobre a solução de problemas com dados OA7. Entender e implementar métodos de aprendizagem automática, supervisionados e não supervisionados OA8. Conhecer as métricas de avaliação do desempenho de um modelo OA9. Entender o conceito de API e desenhar micro serviços num contexto de análise de dados OA10. Ser capaz de implementar APIs que suportem métodos de aprendizagem automática em Python Saber mais

  Introdução às Redes Sociais Apresentação Docentes: Manuel M. Pita.  Programa Objetivos Saber mais

  Privacidade, Segurança e Ética em Ciência de Dados Apresentação Esta Unidade Curricular pretende dotar o discente de conhecimentos e competências em ética, segurança e privacidade no âmbito da ciência de dados, bem como de sentido e avaliação de impacto na introdução e utilização de tecnologias avançadas no tratamento de grandes volumes de dados. Docentes: Carlos Fernandes, Sofia Fernandes.  Programa CP1. Introdução à Ética.  Utilitarismo e deontologia. CP2. Ética e ciência de dados. Considerações éticas envolvidas no processamento algorítmico de dados sensíveis e no desenvolvimento responsável de Inteligência Artificial. CP3. Gestão de dados e linhagem de dados. Informação sensível e informação pessoal: como identificar. CP4. Tecnologias de privacidade. Técnicas básicas de privacidade em ciência de dados. Anonimização e pseudo-anonimização. Privacidade diferencial. CP5. Estruturas legais e regulatórias relacionadas com a privacidade e segurança de dados. CP6. Introdução de conceitos gerais de segurança e a sua importância em sistemas de aprendizagem automática CP7. Tipos de ataques em sistemas de  aprendizagem automática CP8. Abordagens de mitigação, regulamentos e orientações de segurança em sistemas de aprendizagem automática Objetivos OA1. Compreender os fundamentos da Ética como filosofia moral e pensar numa deontologia para a ciência de dados. OA2. Conhecer os protocolos fundamentais na gestão de dados e compreender o conceito de linhagem de dados.  OA3. Identificar informação sensível e informação de identificação pessoal. OA4. Conhecer técnicas concretas que podem ajudar a proteger a privacidade individual ao trabalhar com conjuntos de dados grandes. OA5. Conhecer os requisitos legais e regulatórios relacionados à privacidade e segurança de dados. OA6. Compreender a importância de estabelecer estruturas robustas de gestão de dados dentro das organizações para garantir a conformidade com as regulamentações de privacidade. OA7. Compreender a necessidade de medidas de segurança específicas para sistemas de aprendizagem automática. OA8. Compreender os principais tipos de ataques a sistemas de aprendizagem automática e as medidas de prevenção e mitigação dos mesmos. Saber mais

  Tópicos em Engenharia de Dados para Ciência de Dados Apresentação Docentes: Bruno Cipriano.  Programa Objetivos Saber mais

  Visualização de Informação Apresentação Docentes: Sofia Fernandes.  Programa Objetivos Saber mais

• Gestão e Softskills
• Genérica

Desenvolver competências de trabalho em equipe e a preparação para a competitividade que o aluno vai encontrar no trabalho:

1 – Garantindo que numa metodologia de interação de grupo o aluno adquira a aptidão de trabalho em equipe.

2 – Garantindo uma formação técnica introdutória diversa e consistente em técnicas de vanguarda e que adicionalmente garanta ao aluno uma maior fluidez na aquisição e desenvolvimento de novas técnicas que vai encontrar no futuro.

3 – Desenvolvendo a capacidade e habilidade de uma metodologia de trabalho que façam face à exigência de apresentar resultados rápidos e rigorosos na sua qualidade.

Adquirir conhecimentos em: fundamentos teóricos, metodológicos e práticos nas áreas de análise de dados em particular de estatística, análise exploratória de dados, aprendizagem automatizada, análise relacional, Estrutura de dados e algoritmos, sistemas de recomendação e privacidade, segurança e ética.

Aptidões em:
1 – Criar ambientes de trabalho computacionais, e.g. Python em plataformas de AWS,
2 – Aceder e tratar os dados em conformidade com as leis de proteção de dados,
3 – Criar estruturas de dados para análise,
4 – Fazer análises exploratórias de dados
5 – Usar técnicas de deteção de padrões,
6 – Formular hipóteses e desenhar experimentos com base nos conhecimentos adquiridos, e repetir ciclos de análise até à conclusão.

As Competências:
1 – Completar os ciclos de análise experimental;
2 – Obter resultados de qualidade científica com fluidez;
3 – Saber integrar-se e trabalhar em equipas multidisciplinares,
4 – Boa capacidade de síntese a apresentar resultados.

Este ciclo de estudos destina-se a candidatos com bases em áreas de Informática, Estatística, Física, Matemática, Gestão, Ciências Economias e Financeiras ou afins, que queiram adquirir competências na área de Ciência de Dados.

Através de um ciclo de estudos contando com a colaboração de empresas e instituições de I&D, o Mestrado em Ciência de Dados implementa um programa destinado a garantir aos seus candidatos um alto grau de empregabilidade, com destaque para os seguintes perfis:

– Data Scientist / Cientista de Dados
– Applied Data Scientist / Cientista de dados Aplicado
– Applied Data Researcher / Investigador de Dados Aplicado
– Applied Machine Learning Researcher / Investigador de Aprendizagem Automatizada Aplicada
– Business Intelligence Analyst / Analista de Inteligência de Negócio