Sistemas Integrados de Apoio à Decisão

Teresa Calapez

Pretende-se que os alunos desenvolvam competências para proceder a Análise de Dados, usando SPSS, incluindo: Descrição de dados e Inferência Estatística, modelos de Regressão Linear, Análise das componentes principais e análise de clusters.

Pontos 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: Um trabalho de grupo, 45% da nota final repartida em 30% trabalho+ 15% discussão oral . Um teste escrito correspondendo a 55% na nota final, dividido em 4 sub-avaliações com ponderações 5% ; 10% , 20% , 20% . Nota mínima de cada subavaliação: 8 em 20.
Avaliação final: Uma prova teórico-prática, em laboratório, de 3,0 h, 85% na nota final+15% discussão oral. Nota mínima 10 em 20.
Nota final ponderada, arredondada às unidades, terá de ser igual ou superior a 10.

Elsa Cardoso

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 contínua:
- Teste individual online: 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.

Elsa Cardoso

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.

CP1. 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 contínua:
- Teste online: 30%
- Trabalho prático em grupo: 70%
Alternativa: Exame (100% nota e presencial)
Grupos de 4 elementos.
A nota mínima no teste online 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 contínua (1ª época) terá que fazer exame em 2ª época.

João Carlos Ferreira

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.

CP1. 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.

João Carlos Ferreira

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.

CP1. 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)

Elsa Cardoso

José Miguel Dias

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.

CP1: 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.

Elsa Cardoso

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.

CP1. 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 contínua:
- Teste teórico: 30%
- Trabalho prático em grupo: 70%
Alternativa: Exame (100% nota e presencial)
Grupos de 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 contínua (1ª época) terá que fazer exame em 2ª época.

Fernando Batista

Ricardo Ribeiro

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 exame final. A avaliação consiste em duas componentes: TRABALHOS (2 trabalhos, valendo cada um 30%) e MINI-TESTES (3 mini-testes: 10%, 15% e 15%). A nota da componente TRABALHOS está limitada à nota da componente MINI-TESTES + 6 valores. Em caso de reprovação, a nota da componente MINI-TESTES pode ser substituída por uma prova escrita realizada em 1ª ou 2ª época. A assiduidade não é requisito essencial de aprovação.

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.