Mestrado
Acreditações
Acreditado
6 Anos
01 abr 2020
Registo DGES
Registo inicial R/A-Ef 1081/2011 de 18-03-2011
Registo de alteração R/A-Ef 1081/2011/AL01 de 27-05-2015 | R/A-Ef 1081/2011/AL02 de 02-06-2020
Contactos
ISTA – Escola de Tecnologias e Arquitetura
Secretariado
Edifício Sedas Nunes (Edifício I), Sala 1W10
secretariado.ista @iscte.pt
(+351) 210 464 013
9:30 - 18:00
Período de aulas
Ínicio 20 set 2021
Fim 28 mai 2022
Propinas estudantes UE (2021/2022)
1.ºAno 3300.00 €
2.ºAno 1200.00 €
Propinas estudantes fora da UE (2021/2022)
1.ºAno 4000.00 €
2.ºAno 1600.00 €
Candidatar
Leccionado em
Português
O mestrado em Sistemas Integrados de Apoio à Decisão tem a duração de dois anos, correspondentes à obtenção 120 créditos ECTS, repartidos entre: 60 em unidades curriculares obrigatórias, 12 em optativas e 48 na dissertação.
As unidades curriculares optativas são escolhidas (em articulação com a coordenação de curso) em função do perfil de especialização do estudante. As optativas permitem a obtenção de competências nas áreas de Big Data, Machine Learning (ou Aprendizagem Automática) e Análise Multicritério.
Tipicamente, as optativas mais escolhidas são:
- Fundamentos de Bases de Dados (MSIAD)
- Tópicos Avançados em Business Intelligence
- Aprendizagem Automática
- Algoritmos para Big Data
- Processamento Computacional da Língua
- Modelação Computacional dos Sistemas Sociais Complexos
O mestrado implica a realização de uma dissertação predominantemente de âmbito científico correspondente a 48 créditos. No novo plano curricular, a unidade curricular Dissertação em Sistemas Integrados de Apoio à Decisão tem um componente lectiva de 36h, repartidos pelos dois semestres do 2.º ano do curso. Nestas horas estão incluídos dois seminários (com participação obrigatória) de monitorização do progresso dos trabalhos de dissertação.
Plano de Estudos para 2021/2022
Análise de Dados para Business Intelligence
Docentes
Objectivos
Pretende-se que os alunos desenvolvam competências para proceder a Análise de Dados, usando algum software (SPSS, R ou Python).
ProgramaPontos principais:
1. Tipos de variáveis. Descrição e exploração de dados.
2. Medidas de localização, dispersão, simetria , achatamento, testes e desvios à normalidade.
3. Tópicos de inferência estatística: Ensaio de hipóteses, erros tipo I e tipo II, função potência.
4. Relacionar variáveis
5. O Modelo de Regressão Linear Simples e Múltipla
6. Análise em Componentes Principais:
7. Análise de Clusters
Avaliação Periódica: Três fichas de trabalho, 3*15%=45% . Um teste escrito correspondendo a 55% na nota final. Nota mínima de cada instrumento: 8 em 20.
Avaliação final: Constituída por dois instrumentos: Um teste teórico interpretativo (2h), 60%; uma prova prática, em laboratório (1h) 40%. Nota final ponderada, arredondada às unidades, terá de ser igual ou superior a 10.
Bibliografia Obrigatória
[1] Pestana, M.H. & Gageiro, J. (2014). Análise de Dados para Ciências Sociais: A Complementaridade do SPSS. 6ª edição. Edições Silabo.
[2] Folhas de apoio a disciplina a disponibilizar no Fenix (support sheets for the course to be made available in the Fenix)
[1] Field, A, & Tabachnick , B. (2001). Using Multivariate Statistics, 4th edition, Allyn and Bacon..
[2] Mik Wisniewski, (2016). Quantitative Methods for Decision Makers, 6th Edition, Pearson.
Desenho e Desenvolvimento de Aplicações de Business Intelligence
Docentes
![]()
Objectivos
Dotar os alunos da capacidade de desenhar e desenvolver aplicações de Business Intelligence (BI) no contexto de um programa de Data Warehouse. Apresentar aos alunos os fundamentos do desenho e desenvolvimento dos diferentes tipos de aplicações de Business Intellgence: exploração ad hoc, reports standards, aplicações analíticas, dashboards e scorecards, e BI operacional.
Pretende-se que os alunos desenvolvam a capacidade de desenhar e criticar diferentes aplicações de BI para o apoio à decisão a nível operacional, tático e estratégico. Os alunos devem igualmente ser capazes de implementar aplicações de BI para a tomada de decisão.
CP1. Ciclo analítico para a tomada de decisão baseada em dados
CP2. Tipos de aplicações de Business Intelligence
CP3. Metodologias de desenho e desenvolvimento de aplicações de BI
CP4. Desenho e desenvolvimento de reports standard
CP5. Desenho de indicadores de desempenho (incluindo KPI)
CP6. Desenho e desenvolvimento de dashboards e scorecards
CP7. Princípios de visualização de dados aplicados ao desenho de interfaces de Business Intelligence
Avaliação periódica:
- Teste individual: 20%
- Trabalho prático (em grupo): 80%
Nota mínima 10 em todas as componentes. Grupos de 3 a 4 elementos.
Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota.
Bibliografia Obrigatória
- R. Kimball, M. Ross, W. Thornthwaite, J. Mundy, and B. Becker (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA
- Wexler, S., Shaffer, J., and Cotgreave, A. (2017) The Big Book of Dashboards: Visualizing Your Data Using Real-World Business Scenarios. Wiley
- Cairo, A. (2016). The Truthful Art: Data, Charts, and Maps for Communication. New Riders.
- Evergreen, Stephanie (2016). Effective Data Visualization: The Right Chart for the Right Data. USA. SAGE Publications Ltd
- Cardoso,E. (2020) Business Intelligence e a gestão de performance: sebenta de SIAD II
- Powell, B. (2018) Mastering Microsoft Power BI: Expert techniques for effective data analytics and business intelligence. Packt Publishing
- Adamson, C. (2010) Star Schema: the complete reference. McGraw-Hill, USA
- Corr, L., Stagnitto, J. (2011) Agile Data Warehouse Design - Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press, UK.
- Borner, K., and Polley, D. (2014) Visual Insights: a practical guide to making sense of data. MIT Press
- Person, R. (2009) Balanced Scorecards & Operational Dashboards with Microsoft Excel, Wiley Publishing, Inc
- Larson. B. (2016) Microsoft SQL Server 2016 Reporting Services, 5th Edition. McGraw-Hill Education
- Few, S. (2006) Information Dashboard Design - the effective visual communication of data. O?Reilly.
- Ware, Colin (2004) Information Visualization: Perception for Design, 2nd Ed, Morgan Kauffman
- Caldeira, J. (2010). Dashboards: Comunicar eficazmente a informação de gestão. Edições Almedina.
- Eckerson, W. (2006). Performance Dashboards: Measuring, monitoring and managing your business. John Wiley & Sons.
- R. Kaplan, D. Norton (2008) The Execution Premium: Linking Strategy to Operations for Competitive Advantage. Harvard Business School Press. Versão traduzida em Português: Prémio de Execução, Edição de Actual Editora, 2009
- R. Kaplan, D. Norton (2004) Strategy Maps: Converting Intangible Assets into Tangible Outcomes, Harvard Business School Press
- N.G., Olve, J. Roy, M. Wetter (2004) Performance Drivers: a practical guide to using the Balanced Scorecard, John Wiley & Sons, Ltd (original Swedish Edition published in 1997)
Sistemas de Informação Analíticos I
Docentes
![]()
Objectivos
Esta unidade curricular foi especialmente projetada para apresentar, discutir e lidar com a problemática dos sistemas de data warehousing e de processamento analítico, desde os seus conceitos e terminologia básica até aos seus aspetos de projeto e implementação. Desta forma, pretende-se providenciar aos estudantes o conhecimento e a perícia necessária para planearem, projetarem, implementarem e explorarem sistemas de data warehousing, em cenários de aplicações reais, complementando-os com a formação essencial em processamento analítico, com vista a melhorar as suas aptidões em serviços de exploração de informação para suporte à decisão.
ProgramaCP1. A área dos Sistemas de Suporte à Decisão
CP2. Introdução aos Sistemas de Data Warehousing
CP3. Infra-estruturas e Serviços de um Sistema de Data Warehousing
CP4. Ciclo de Vida do Desenvolvimento de um Sistema de Data Warehousing
CP5. Metodologias para o Desenvolvimento de Sistemas de Data Warehousing
CP6. Planeamento de um Projeto de Data Warehousing
CP7. Levantamento e Análise de Requisitos de Agentes de Decisão
CP8. Modelação Conceptual, Lógica e Física de Data Warehouses
CP9. Projecto de Sistemas de ETL
CP10. Administração de Sistemas de Data Warehousing
CP11. Exploração de Sistemas de Data Warehousing
CP12. Processamento Analítico de Dados (OLAP)
Avaliação periódica:
- Teste individual: 30%
- Trabalho prático em grupo: 70%
Alternativa: Exame (100% nota e presencial)
Grupos de 3 a 4 elementos.
A nota mínima no teste individual é de 10 valores. Se no trabalho prático o aluno tiver nota inferior a 10, mas superior ou igual a 8, será submetido a uma prova oral de avaliação individual. Quem não cumprir a nota mínima em avaliação periódica (1ª época) terá que fazer exame em 2ª época.
Bibliografia Obrigatória
- C. Adamson (2010) Star Schema: the complete reference. McGraw-Hill, USA
- R. Kimball, M. Ross (2013) The Data Warehouse Toolkit - the definitive guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA.
- R. Kimball, M. Ross, W. Thornthwaite, J. Mundy, and B. Becker (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA
- L. Corr, J. Stagnitto (2011) Agile Data Warehouse Design - Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press, UK.
- Kimball, R., Caserta, J. (2004). The Data Warehouse ETL Toolkit - Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data, John Wiley & Sons.
- Moss, L., Atre, S. (2003). Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.
- Inmon, W.H. (1996). Building the Data Warehouse, John Wiley & Sons
Tomada de Decisão Baseada em Dados
Docentes
Objectivos
Esta UC tem por objetivo apresentar e discutir os principais desafios inerentes à tomada de decisão baseada em dados e à execução de projetos de Business Intelligence e Data Science. A UC pretende também dotar os alunos de sólidos conhecimentos sobre as técnicas fundamentais de investigação necessárias à tomada de decisão baseada em dados. A UC apresenta uma visão integrada e introdutória de todas as áreas abordadas no mestrado em Sistemas Integrados de Apoio à Decisão.
ProgramaCP1. Sistemas de Apoio à Decisão: taxonomia, evolução e características fundamentais
CP2. Princípios de Data Science e tomada de decisão baseada em dados
CP3. Sistemas de Data Warehouse e Business Intelligence: características fundamentais, avaliação de maturidade e fatores críticos de sucesso
CP4. Data Mining: técnicas fundamentais
CP5. Desafios de Big Data Analytics
CP6. Introdução à Visualização de dados
CP7. Discussão de casos práticos de Data Science
Avaliação contínua:
- Elaboração de um artigo (60%)
- Avaliação crítica (revisão) de um artigo científico (20%)
- Peer-assessment ? Avaliação crítica (revisão) de um artigo escrito por um colega (20%)
Todos os trabalhos são realizados individualmente.
Nota mínima 10 valores em cada componente.
Os alunos não podes ser avalidados por exame final.
Bibliografia Obrigatória
F. Provost, and T. Fawcett (2013) Data Science for Business. O?Reilly Media, Inc.
E. Turban, R. Sharda, and D. Delen (2010) Decision Support and Business Intelligence Systems (9th Eds). Pearson Education, Inc, USA
S. Few (2006) Information Dashboard Design - the effective visual communication of data. O'Reilly.
Siegel, E. (2013) Predictive Analytics. John Wiley & Sons, USA
Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., and Becker, B. (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA
Tan, P-N., Steinbach, M., and Kumar, V. (2006) Introduction to Data Mining. Addison-Wesley.
Cairo, A. (2016) The Truthful Art: Data, Charts and Maps for Communication. New Riders
Ware, C. (2004) Information Visualization: Perception for Design, 2nd Ed, Morgan Kauffman
Tufte, E. (1983) The Visual Display of Quantitative Information. Graphics Press
Extração de Padrões e Conhecimento Guiada por Dados
Docentes
Objectivos
Desenvolvimento de competências em extração de padrões e de conhecimento a partir de dados. Serão estudadas técnicas de data mining, modelos estatísticos e de aprendizagem automática para detecção de padrões e estruturas, classificação e previsão.
ProgramaCP1. Introdução ao Data Mining, problemas de decisão e aplicações
CP2. O Processo do ciclo de dados.
CP3. Revisão de Estatística descritiva e exploratória.
CP4. Revisão das principais técnicas de Regressão linear, não-linear e logística.
CP5. Análise de grupos (clustering): técnicas principais e aplicações
CP6. Tree based emsembles.
CP7. Técnicas de inferência Bayesianas.
CP8. Support Vector Machines (SVM).
CP9. Redes Neuronais.
CP10. Introduçao computer vision
A avaliação será preferencialmente periódica, podendo também ser feita através de trabalho final (100%).
A avaliação periódica é composta pelos seguintes instrumentos de avaliação:
- Conjunto de trabalhos realizados ao longo do semestre, com uma componente de avaliação final por uma oral (50% trabalhos ao longo das aulas + 50% trabalho final)
Bibliografia Obrigatória
Cathy O'Neil, Rachel Schutt. Doing Data Science: Straight Talk from the Frontline. O'Reilly Media, 2013
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An Introduction to Statistical Learning with Applications in R. Springer, 2013.
Andrw R. Webb, Keith D. Copsey. Statistical Pattern Recognition, 3rd Ed., Wiley, 2011.
Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O?Reilly, 2013
Gestão de Projectos de Sistemas de Business Intelligence
Docentes
Objectivos
Pretende-se que os alunos, no final desta Unidade Curricular, de-senvolvam competências que lhes permitam, no plano conceptual, compreender os conceitos relacionados com a gestão de projetos, recorrendo a metodologias tradicionais e ágeis, nas respectivas dimensões inerentes e abordar a temática na perspectiva das me-lhores práticas e standards internacionais. Pretende-se ainda que no plano da aplicação prática, sejam capazes de utilizar os méto-dos e técnicas abordados para a resolução de um problema real no domínio das TIC, com especial relevo para a área de Business Intelligence.
ProgramaCP1: Design Thinking: princípios e aplicações
CP2: Defnir a pergunta do utilizador. Personas e mapa de empatia. Mapa dos stakeholders. Jornadas do utilizador ?as is?. Perfil do cliente
CP3: Prototipar e entregar uma solução que funcione. Pitch para investidores e clientes
CP4: Gestão Ágil de Projetos: SCRUM e Extreme Programming
CP5: Complementos de Gestão de Projectos: As especificidades dos Projectos de TIC; funções do PMO; modelos de maturidade; análise e discussão de Casos de Estudo
CP6: Os Ciclos de Vida de Projeto de BI e suas características.
CP7: Boas práticas de Gestão de Projeto e Modelos de Maturidade.
CP8: O Planeamento da Gestão de um Projeto. As fases de Análise e Desenho de um Projeto.
CP9: A Monitorização e Controlo de um Projeto. As fases de Construção, Pré-Produção, e Produção de um Projeto.
CP10: Metodologia ágil de execução de um Projeto.
CP11: Conceitos e casos práticos de Gestão da relação com o Cliente. Conceitos e casos práticos da Gestão de um Portfolio.
Modulo 1 (20% da nota final)
Modulo 2 - Participação nas aulas/realização de exercícios (10%)
Realização do trabalho de grupo, apresentações intermédias e apresentação final (70%)
Os alunos que reprovarem na avaliação contínua podem realizar um trabalho final na época de recurso (2ª época), 100% da nota.
É obrigatória a presença dos alunos nas aulas que envolvam a realização de exercícios práticos que sejam considerados para avaliação, nas apresentações intermédias e apresentação final.
Bibliografia Obrigatória
A Guide to the Project Management Body of Knowledge Pmbok Guide - 5th Edition: Project Management Institute: Books. (n.d.).
Meredith, J. R., Mantel, S. J., & Jr. (2011). Project Management: A Managerial Approach. John Wiley & Sons.
Information Technology Project Management - 4th Edition, Jack T. Marchewka, John Wiley and Sons, Inc.
Carroll, J. (2012). Effective Project Management in Easy Steps. In Easy Steps.
Carroll, J. (2012). Agile Project Management in Easy Steps. In Easy Steps.
Roger S Pressman, Software Engineering: A Practitioner's Approach, 7th Ed, ISBN 0073375977
Ralph Hughes, Agile Data Warehousing Project Management, ISBN 9780123964632
Lawrence Corr, Agile Data Warehouse Design: Collaborative Dimensional Modeling, from Whiteboard to Star Schema, ISBN 9780956817204
o Brown, T (2019), Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, HarperCollins, 2009, ISBN-13: 978-0062856623
Materiais diversos fornecidos pelos docentes da UC.
o Lewrick, M, Link, P., Leifer, L. (2020). The Design Thinking Toolbox, Wiley, ISBN 9781119629191
o Norman, D. (2013). The Design of Everyday Things, Revised and Expanded Edition. MIT Press. ISBN: 9780262525671
o Nielsen, J., Mack, R. (1994). Usability Inspection Methods 1st Edition. John Wiley & Sons.
? Artigos:
o Nielsen, J. (1994) Enhancing the explanatory power of usability heuristics. Proc. ACM CHI'94 Conf. (Boston, MA, April 24-28), pp. 152-158.
o Rettig M. (1994), Prototyping for Tiny Fingers, Communications of The ACM, 1994
Sistemas de Informação Analíticos II
Docentes
![]()
Objectivos
Esta unidade curricular tem como missão disponibilizar um espaço de discussão e formação avançada em data warehousing que proporcione as condições necessárias para que os alunos adquiram conhecimento e perícia na especificação, desenvolvimento e gestão de sistemas de povoamento de data warehouses - ETL (Extract, Transform, and Load). Pretende-se reforçar os conhecimentos dos alunos no domínio dos sistemas de suporte à decisão, cimentando os conceitos transmitidos previamente na unidade curricular de SIA I. Pretende-se demonstrar que a validade, e consequente utilidade, de um data warehouse depende em grande parte do sucesso da implementação e efetividade do seu sistema de povoamento, ou seja, dos sistemas responsáveis por levarem os dados para o data warehouse.
ProgramaCP1. O povoamento de um data warehouse.
CP2. Técnicas e estratégias para o povoamento de data warehouses.
CP3. Extração, transformação e carregamento de dados (ETL).
CP4. Arquitetura básica de um sistema de ETL.
CP5. Especificação e projeto de um sistema de ETL.
CP6. Desenvolvimento de um sistema de ETL
CP7. Monitorização de sistemas de ETL.
CP8. Otimização de um sistema de ETL.
Avaliação periódica:
- Teste teórico individual: 30%
- Trabalho prático em grupo: 70%
Alternativa: Exame (100% nota)
Grupos de 3 a 4 elementos.
A nota mínima no teste teórico é de 10 valores. Se no trabalho prático o aluno tiver nota inferior a 10, mas superior ou igual a 8, será submetido a uma prova oral de avaliação individual. Quem não cumprir a nota mínima em avaliação periódica (1ª época) terá que fazer exame em 2ª época.
Bibliografia Obrigatória
- Kimball, R., Caserta, J. (2004). The Data Warehouse ETL Toolkit - Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data, John Wiley & Sons.
Bibliografia Opcional- C. Adamson (2010) Star Schema: the complete reference. McGraw-Hill, USA
- R. Kimball, M. Ross, W. Thornthwaite, J. Mundy, and B. Becker (2008) The Data Warehouse Lifecycle Toolkit - practical techniques for building data warehouse and business intelligence systems, 2nd ed. John Wiley & Sons, USA
- L. Corr, J. Stagnitto (2011) Agile Data Warehouse Design - Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press, UK.
- R. Kimball, M. Ross (2013) The Data Warehouse Toolkit - the definite guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA.
- Moss, L., Atre, S. (2003). Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.
- Inmon, W.H. (1996). Building the Data Warehouse, John Wiley & Sons
Text Mining
Docentes
Objectivos
O principal objetivo desta UC é o de dar a conhecer ao aluno o potencial das grandes quantidades de texto atualmente disponíveis e os métodos computacionais que podem ser utilizados para extrair conhecimento a partir desses dados.
Os alunos devem ficar a conhecer as tecnologias necessárias ao desenvolvimento de processos de Text Mining. Pretende-se que os alunos conheçam as tecnologias envolvidas, as suas aplicações imediatas e as suas limitações. Assim, as principais competências e atitudes que identificam os processos cognitivos internos do aluno serão as seguintes: reconhecer as diferentes vertentes científicas envolvidas nos processos de Text Mining; perceber quais são os métodos, algoritmos e resultados de cada uma das tarefas envolvidas; conhecer as aplicações realizáveis com as tecnologias atuais e discutir a evolução futura (previsível) dos tópicos nucleares e sua aplicação específica a tarefas tais como análise de sentimento e modelação de tópicos.
Introdução
CP1: Utilidade de grandes quantidades de texto, desafios e métodos atuais
CP2: Informação não estruturada vs. (semi-)estruturada
CP3: Obtenção e filtragem de informação, extração de informação e Data Mining
Representação de documentos
CP4: Preparação e limpeza de documentos
CP5: Extração de propriedades
CP6: Estratégias de pesagem de termos
CP7: Modelos de espaços vectoriais
CP8: Medidas de similaridade
Processamento Computacional da Língua
CP9: Modelos de língua
CP10: Morfologia e análise morfossintática
CP11: Estruturas complexas: análise sintáctica
CP12: Extração de informação
Classificação de Texto
CP13: Introdução à aprendizagem automática estatística
CP14: Medidas de avaliação
CP15: Classificadores generativos
CP16: Classificadores discriminativos
CP17: Aprendizagem não supervisionada
CP18: Recursos para Text Mining
Casos de Estudo
CP19: Análise de sentimento
CP20: Identificação de tópicos
Esta UC é feita apenas por avaliação periódica, não contemplando a modalidade de avaliação por exame. A avaliação tem 2 componentes: TRABALHOS (2 trabalhos, 30% cada) e MINI-TESTES (3 mini-testes: 10%, 15% e 15%). A nota de TRABALHOS está limitada à nota de MINI-TESTES + 6 valores. Em caso de reprovação, a nota de MINI-TESTES pode ser substituída por uma prova escrita a realizar no período de avaliação correspondente à 1ª ou 2ª época. A assiduidade não é requisito de aprovação.
Bibliografia
Bibliografia Obrigatória
Charu C. Aggarwal (2018). Machine Learning for Text. https://doi.org/10.1007/978-3-319-73531- 3
Gabe Ignatow, Rada F. Mihalcea (2017). An Introduction to Text Mining: Research Design, Data Collection, and Analysis 1st Edition (2017). SAGE Publications
Dan Jurafsky and James H. Martin (Dec 2020). Speech and Language Processing (3rd ed. draft). https://web.stanford.edu/~jurafsky/slp3/
Atefeh Farzindar and Diana Inkpen (2017). Natural Language Processing for Social Media, Second Edition. Synthesis Lectures on Human Language Technologies. Morgan & Claypool.
Jacob Eisenstein (2019). Introduction to Natural Language Processing. The MIT Press.
Dissertação em Sistemas Integrados de Apoio à Decisão
Docentes
Objectivos
Esta UC tem por objectivo orientar e acompanhar os alunos no desenvolvimento da dissertação de mestrado em Sistemas Integrados de Apoio à Decisão. Deste modo, procura transmitir e consolidar um conjunto de conhecimentos e competências relacionadas com a condução de projetos de investigação nas áreas científicas do mestrado.
O aluno pode optar por realizar uma dissertação ou um projeto. A dissertação envolve a resposta a um conjunto de questões para as quais a literatura conhecida não dê ainda resposta. O projeto implica a implementação de um protótipo ou aplicação baseado em conhecimentos científicos recentes.
O trabalho poderá ser integrado num contexto empresarial ou ter um cariz académico. Em qualquer dos casos os alunos deverão conduzir um trabalho que contemple não só a aplicação dos conceitos adquiridos durante a sua formação, mas também a integração de novas técnicas e de saberes, de modo a realizar um trabalho inovador na área de Business Intelligence e Data Science.
A natureza da UC não permite definir um programa com matérias concretas, pois procura aplicar competências já adquiridas para alcançar o objetivo de conclusão da dissertação de mestrado. Não obstante, algumas das matérias constantes da UC compreendem:
CP1: Introdução à investigação
CP2: Formulação do problema e objetivos de investigação (proposta de dissertação e capítulo de Introdução)
CP3: Boas práticas para o desenvolvimento do estado da arte (revisão de literatura)
CP4: Metodologias de investigação: design science, case study, e investigação por questionário
CP5: Boas práticas de escrita científica e apresentação de trabalhos de investigação
A dissertação deverá ser defendida em provas públicas onde se avaliarão as componentes técnica, a forma do trabalho escrito e a apresentação e defesa pública. A Dissertação deve ser apresentada de acordo com as normas e prazos estabelecidos pelo ISCTE-IUL. A presença nos seminários é fundamental para o desenvolvimento do projeto. Será facultada ao júri da dissertação a informação sobre a assiduidade de cada aluno/a aos seminários desta UC.
Bibliografia
Bibliografia Obrigatória
Bibliografia Opcional
Optativas recomendadas
Tecnologias da transformação digital com as seguintes Unidades Curriculares:
03691 | Blockchain
03557 | Gestão de Processos de Negócio
03746 | Laboratório de Internet das Coisas
Internet das coisas (4 das seguintes Unidades Curriculares):
03209 | Fundamentos de Ciência dos Dados
03746 | Laboratório de Internet das Coisas
03691 | Blockchain
Computational Data Science com as seguintes Unidades Curriculares:
03363 | Inteligência Computacional e Otimização
02864 | Algoritmos para Big Data
02870 | Text Mining (obrigatória)
03269 | Fundamentos de Ciência dos Dados
Optativas recomendadas*
1.º Semestre (1.º ano uma Unidade Curricular livre e 2.º ano tem duas Unidades Curriculares de especializações)
02864 | Algoritmos para Big Data (ISTA | CTP)
03203 | Fundamentos de Governação das Tecnologias de Informação (ISTA | SI)
03746 | Laboratório de Internet das Coisas (ISTA | CTP)
03209 | Fundamentos de Ciência dos Dados (ISTA | SI)
02198 | Processamento Computacional da Língua (ISTA | IA)
03363 | Inteligência Computacional e Otimização (ISTA | Mat)
2.º Semestre (escolher duas Unidades Curriculares de especialização)
03691| Blockchain
03557 | Gestão de Processos de Negócio (GPN)
Notas:
- Na escolha das Optativas os estudantes devem certificar-se de que não existe sobreposição de horário com as UC obrigatórias.
- O funcionamento de uma UC optativa depende de um número mínimo de inscrições.
- Existe limite máximo de inscrições numa UC como optativa.
Objetivos
O Mestrado em Sistemas Integrados de Apoio à Decisão (MSIAD) tem por missão dotar o mercado de profissionais habilitados a gerir, especificar, implementar e usar com sucesso sistemas que apoiem os processos de decisão, devidamente integrados na gestão da informação organizacional. Os objetivos gerais definidos para MSIAD são:
- Dar formação avançada e abrangente nos diferentes tipos de Sistemas de Apoio à Decisão, integrados na arquitetura global de Sistemas de Informação de uma organização.
- Promover a integração e complementaridade de conhecimentos das áreas da informática, da gestão e dos métodos quantitativos;
- Gerar investigação na área científica de Business Intelligence, fomentando a partilha de conhecimento, de métodos e de resultados, entre as empresas e as universidades.
As unidades curriculares do MSIAD permitem aos estudantes adquirirem os seguintes conhecimentos e competências:
- Possuir uma formação teórica-prática abrangente nos diferentes tipos de Sistemas de Apoio à Decisão (SAD) e integrada na arquitetura global de sistemas de nformação de uma organização, incluindo os SAD baseados em dados, em conhecimento e em modelos;
- Conceber, implementar e explorar sistemas de Data Warehouse (DW) e de Business Intelligence;
- Possuir conhecimentos profundos de técnicas de modelação dimensional para DW;
- Possuir conhecimento e perícia na especificação, desenvolvimento e gestão de sistemas de povoamento de DW – ETL (Extract, Transform, and Load).
- Possuir conhecimento profundo de sistemas de informação estratégicos para a gestão de performance das organizações e apoio à tomada de decisão estratégica;
- Conceber e desenvolver sistemas de informação estratégicos e de gestão de performance, aplicando as abordagem de Balanced Scorecard e ABC/ABM;
- Aplicar técnicas de análise de dados a problemas específicos;
- Desenvolver sistemas para extração de conhecimento a partir de dados empresariais aplicando técnicas de Data Mining;
- Conhecer as principais metodologias para a gestão de risco nas organizações;
- Compreender o processo de tomada de decisões em Marketing;
- Conceber e desenvolver aplicações de Customer Intelligence (CRM Analítico)
- Possuir conhecimentos sobre os principais modelos utilizados na gestão de projetos de SI/TI (sistemas de informação/tecnologias de informação), tradicionais e ágeis;
- Planear, monitorizar, controlar e encerrar a gestão de um projeto de Business Intelligence;
- Possuir conhecimentos sobre as tecnologias necessárias ao desenvolvimento de processos de Text Mining;
- Aplicar métodos e algoritmos apropriados para a resolução de problemas nas áreas de processamento computacional da língua, classificação de texto e representação de documentos;
- Conhecer as tendências e desafios atuais de Big Data Analytics;
- Aplicar métodos de análise multicritério a problemas específicos.
Estes objetivos de aprendizagem são operacionalizados através dos objetivos específicos de cada unidade curricular, que se encontram especificados na respetiva FUC (Ficha de Unidade Curricular). A medição do seu grau de cumprimento é realizada em cada unidade curricular, na respetiva FUC, da qual constam as metodologias de avaliação utilizadas em cada objetivo específico.
Contactos
ISTA – Escola de Tecnologias e Arquitetura
Secretariado
Edifício Sedas Nunes (Edifício I), Sala 1W10
secretariado.ista @iscte.pt
(+351) 210 464 013
9:30 - 18:00
