Avaliação de Competências / Competence Assessment

Docente responsável:
Marko Beko

Outros docentes:
Slavisa Tomic

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

Esta unidade curricular tem como objetivo central apoiar os estudantes nas competências relacionadas com a preparação para uma entrevista de trabalho em empresas high-tech no campo de ciências de dados.
OA1. O aluno deverá adquirir competências em estratégias para aplicar a ofertas de emprego, conhecimento do tipo de entrevista de apresentação e subsequentes entrevistas técnicas.
OA2. Adquirir competências técnicas para responder a um determinado repertório de perguntas típicas e.g. em código(estrutura de dados e aptidões de programar e raciocínio) e de Aprendizagem Automatizada (problemas típicos e raciocínio).

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

This curricular unit has as main goal support the students with the related competences about writing a good job application to high-tech companies in the field of data science.
LG1. The student must acquire competences about the best strategies to apply to a job description in data science, knowledge about the type of interviews, HR and Technical.
LG2. The student must acquire the competences to answer many typical technical questions, e.g. divided in two technical interviews, one about code (data structures and reasoning competences) and another about Machine Learning with typical problems and assessment on reasoning competences.

Conteúdos programáticos:
CP1. As fases de obter emprego em ciências de dados, e.g. plataformas de busca de oferta de emprego, preparação do C.V., tipos de entrevistas (Recursos Humanos, e entrevistas técnicas).
CP2. Questões de código: e.g.:
– Given a list of numbers and K, return the number of pairs where the sum of the pair is less than K. – Given login and logout times of users (in ints, e.g. [2, 10], [5, 8]) find the peak load interval.
– etc.
CP3. Questões de Machine Learning: e.g. :
How to check overfitting? How to deal with it?
Ensemble algorithm? (Random forest; feature and data replacement; reduce variance…)
How to split tree?
CP4. Exemplos práticos.

Syllabus:
PC1. Phases of application to a job in data science: job search platforms, CV preparation, entreview types (Human Resources interview, Technical interviews).
PC2. Coding Questions: e.g. :
– Given a list of numbers and K, return the number of pairs where the sum of the pair is less than K. – Given login and logout times of users (in ints, e.g. [2, 10], [5, 8]) find the peak load interval.
– etc.
PC3. Machine Learning Questions: e.g. :
How to check overfitting? How to deal with it?
Ensemble algorithm? (Random forest; feature and data replacement; reduce variance…)
How to split tree?
PC4. Practical use-cases.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular:
OA1 – CP1 e CP4
OA2 – CP2, CP3 e CP4

Evidence of the syllabus coherence with the curricular unit’s intended learning outcomes:
LG1 – PC1 e CP4
LG2 – PC2, PC3 e PC4

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 os OA
ME2 – OA2
ME3 – OA2
ME4 – Todos os OA

Evidence of the coherence between the teaching methodologies and the intended learning outcomes:
TM1 – All LG
TM2 – LG2
TM3 – LG2
TM4 – All LG

Bibliografia de consulta/existência obrigatória:
Zheng, A., & Casari, A. (2018). Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. ” O’Reilly Media, Inc.”.
Grus, J. (2015). Data science from scratch: first principles with python. ” O’Reilly Media, Inc.”. Atienza, R. (2018). Advanced Deep Learning with Keras. Packt Publishing. Birmingham – Mumbai. Karumanchi, N. (2017). Data Structures and Algorithms Made Easy. M. Tech, IIT Bombay.
In addition a number of curated recent scientific articles covering course topics will be added throughout the fifteen weeks of lectures.