|
|
|
|
|
1 Ano | 1 Semestre
|
|
|
|
|
|
|
Docentes
Helena Pestana
Departamento de Métodos Quantitativos para Gestão e Economia
Objectivos
Pretende-se que os alunos desenvolvam competências para proceder a Análise de Dados, usando Python, incluindo: Descrição de dados e Inferência Estatística, ajustamento de modelos de Regressão Linear, Análise em Componentes Principais e análise de agrupamento.
Programa
Pontos principais:
1. Descrição e exploração de dados
2. Tópicos de amostragem
3. Tópicos de inferência estatística
4. Relacionar variáveis
5. O Modelo de Regressão Linear Simples e Múltipla
6. Análise em Componentes Principais:
7. Análise de Clusters
Processo de Avaliação
Avaliação Periódica: Um trabalho individual ou em grupo, 45% na nota final. Um teste final, escrito, de 1,5h, 55% na nota final. Nota mínima do teste: 8 em 20.
Avaliação final: Uma prova teórico-prática, em laboratório, de 2,5 h, 100% na nota final. Nota mínima 10 em 20.
Nota final ponderada, arredondada às unidades, terá de ser igual ou superior a 10.
Bibliografia
Bibliografia Obrigatória
[1] Christian Albright and Wayne L. Winston, (2017). Business Analytics: Data Analysis and Decision Making, 6th Edition, Cengage Learning.
[2] Alan Agresti, Christine Franklin, and Bernhard Klingenberg, (2018). Statistics: The Art and Science of Learning from Data, Fourth Edition, Pearson.
[3] Reis, Elizabeth, Paulo Melo, Rosa Andrade e Teresa Calapez, (1997), Estatística Aplicada, vols. 1 e 2, Lisboa, Sílabo, 4ª ed. MQ.121 Est V.1-2 4ª ed.
[4] Paul Deitel and Harvey Deitel, (2019). Python for Programmers, Person.
Folhas da cadeira a disponibilizar no e-learning
Bibliografia Opcional
[1] Wes McKinney, (2018). Python for Data Analysis, 2nd Edition, O'Reilly Media, Inc.
[2] Edouard Duchesnay, Tommy Löfstedt, (2019). Statistics and Machine Learning in Python, ftp.cea.fr ? pub ? unati ? people ? educhesnay
[3] Thomas Haslwant, (2016). An Introduction to Statistics with Python, With Applications in the Life Sciences, Springer.
[4] Mik Wisniewski, (2016). Quantitative Methods for Decision Makers, 6th Edition, Pearson.
|
|
|
|
|
Docentes
Elsa Cardoso
Departamento de Ciências e Tecnologias da Informação
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.
Programa
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
Processo de Avaliação
Avaliação contínua: com duas componentes:
1-Trabalho em grupo (60%).
2-Exercício individual (40%).
Critérios de elegibilidade para a avaliação contínua: assiduidade às aulas mínima de 50%.
Grupos de 2-3 elementos. Nota mínima de 10 valores em cada componente.
Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota
Bibliografia
Bibliografia Obrigatória
Powell, B. (2018) Mastering Microsoft Power BI: Expert techniques for effective data analytics and business intelligence. Packt Publishing
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
Borner, K., and Polley, D.(2014) Visual Insights: a practical guide to making sense of data. MIT Press
Wexler, S., Shaffer, J., and Cotgreave, A. (2017) The Big Book of Dashboards: Visualizing Your Data Using Real-World Business Scenarios. Wiley
R. Person (2009) Balanced Scorecards & Operational Dashboards with Microsoft Excel, Wiley Publishing, Inc
E. Cardoso (2015) Sebenta de SIAD II: Metodologia de desenvolvimento de Balanced Scorecard
Larson. B. (2016) Microsoft SQL Server 2016 Reporting Services, 5th Edition. McGraw-Hill Education
Few, Stephen (2006) Information Dashboard Design - the effective visual communication of data
Bibliografia Opcional
E. Cardoso (2011) Business Intelligence e Gestão de Performance, in António N. (ed.), Estratégia Organizacional: do mercado à ética. Lisboa, Portugal: Escolar Editora, pp. 167-200.
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.
C. Adamson (2010) Star Schema: the complete reference. McGraw-Hill, USA
L. Corr, J. Stagnitto (2011) Agile Data Warehouse Design - Collaborative Dimensional Modeling, from Whiteboard to Star Schema. DecisionOne Press, UK.
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
Cairo, Alberto (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
|
|
|
|
|
|
Objectivos
Esta unidade curricular foi especialmente projectada 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 aspectos de projecto e implementação. Desta forma, pretende-se providenciar aos estudantes o conhecimento e a perícia necessária para planearem, projectarem, 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
Programa
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 Projecto 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)
Processo de Avaliação
Os alunos para obterem aproveitamento nesta unidade curricular terão que realizar obrigatoriamente uma prova escrita e um trabalho prático. A avaliação final da disciplina é calculada a partir da média das notas obtidas na prova escrita e no trabalho prático. A nota mínima na prova escrita e no trabalho prático é de 10 valores. Se na prova escrita o aluno tiver nota inferior a 10, mas superior ou igual a 8, será submetido a uma prova oral de avaliação. O trabalho prático será realizado em grupo
Bibliografia
Bibliografia Obrigatória
- Golfarelli, M., Rizzi, S., Data Warehouse Design: Modern Principles and Methodologies, McGraw-Hill Osborne Media; 1st Edition, May 26, 2009.
- Kimball, R., Reeves, L., Ross, M., Thornthwait, W., The Data Warehouse Lifecycle Toolkit ? Pratical Techiniques for Building Data Warehouse and Business Intelligence Systems, John Wiley & Sons, 2ª Edição, 2008
Bibliografia Opcional
- Kimball, R., Caserta, J., The Data Warehouse ETL Toolkit - Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data, John Wiley & Sons, 2004.
- Kimball, R., Roos, M., The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, John Wiley & Sons, 2ª Edição, 2002.
- Larissa Moss, Shaku Atre. Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.
- Inmon, W.H., Building the Data Warehouse , John Wiley & Sons,1996
|
|
|
|
|
Docentes
João Carlos Ferreira
Departamento de Ciências e Tecnologias da Informação
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.
Programa
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
Processo de Avaliação
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
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.
Bibliografia Opcional
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
|
|
1 Ano | 2 Semestre
|
|
|
|
|
|
|
Docentes
João Carlos Ferreira
Departamento de Ciências e Tecnologias da Informação
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.
Programa
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.
Processo de Avaliação
A avaliação será preferencialmente periódica, podendo também ser feita através de exame 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 em peer-assessment (50% trabalhos + 20% peer-assessement = 70%)
- Teste Teórico Individual (30%)
Bibliografia
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.
Bibliografia Opcional
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
|
|
|
|
|
Docentes
João Carlos Ferreira
Departamento de Ciências e Tecnologias da Informação
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.
Programa
CP1: Fundamentos da Gestão de Projectos
CP2: Contexto Organizacional, Processos e Áreas de Conhecimento da Gestão de Projectos - PMBOK
CP3: Gestão Integrada de Projectos: Autorização; Preparação; Realização; Fecho
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 Maturida-de.
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 Cons-trução, Pré-Produção, e Produção de um Projeto. O Encerramen-to de um Projeto.
CP10: Metodologia ágil de execução de um Projeto.
CP11: Conceitos e casos práticos de Gestão da relação com o Cli-ente. Conceitos e casos práticos da Gestão de um Portfolio.
Processo de Avaliação
Avaliação Contínua:
- Participação nas aulas/realização de exercícios (15%)
- Realização do trabalho de grupo, apresentações intermédias e apresentação final (85%)
Os alunos que reprovarem na avaliação contínua podem realizar um exame na época de recurso (2ª época), que conta com 100% da nota.
É obrigatória a presença dos alunos nas aulas que envolvam a reali-zação de exercícios práticos que sejam considerados para avalia-ção, nas apresentações intermédias e apresentação final.
Bibliografia
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
Bibliografia Opcional
Materiais diversos fornecidos pelos docentes da UC.
|
|
|
|
|
|
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.
Programa
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.
Processo de Avaliação
Os alunos para obterem aproveitamento nesta unidade curricular terão que realizar obrigatoriamente uma prova escrita e um trabalho prático. A avaliação final da disciplina é calculada a partir da média das notas obtidas na prova escrita e no trabalho prático. A nota mínima na prova escrita e no trabalho prático é de 10 valores. Se na prova escrita o aluno tiver nota inferior a 10, mas superior ou igual a 8, será submetido a uma prova oral de avaliação. O trabalho prático será realizado em grupo.
Bibliografia
Bibliografia Obrigatória
- Kimball, R., Caserta, J., The Data Warehouse ETL Toolkit - Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data, John Wiley & Sons, 2004.
- Golfarelli, M., Rizzi, S., Data Warehouse Design: Modern Principles and Methodologies, McGraw-Hill Osborne Media; 1st Edition, May 26, 2009.
Bibliografia Opcional
- Kimball, R., Reeves, L., Ross, M., Thornthwait, W., The Data Warehouse Lifecycle Toolkit ? Pratical Techiniques for Building Data Warehouse and Business Intelligence Systems, John Wiley & Sons, 2ª Edição, 2008
- Kimball, R., Ross, M., The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, John Wiley & Sons, 2ª Edição, 2002.
- Larissa Moss, Shaku Atre. Business Intelligence Roadmap. The Complete Lifecycle for Decision-Support Applications. Addison-Wesley Information Technology Series. 2003.
- Inmon, W.H., Building the Data Warehouse, John Wiley & Sons, 1996
|
|
2 Ano | 1 Semestre
|
|
|
|
|
|
|
Docentes
Fernando Batista
Departamento de Ciências e Tecnologias da Informação
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.
Programa
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
Processo de Avaliação
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 (2 mini-testes, valendo cada um 20%). A nota da componente TRABALHOS está limitada à nota da componente MINI-TESTES + 6 valores. É obrigatória a presença em 66% das aulas. Em caso de reprovação, a nota da componente MINI-TESTES pode ser substituída por uma prova escrita realizada em 1ª ou 2ª época.
Bibliografia
Bibliografia Obrigatória
Text Mining Handbook: advanced approaches in analyzing unstructured data, Ronen Feldman and James Sanger, 2006, Cambridge University Press
Data Mining: Practical Machine Learning Tools and Techniques, Ian Witten, Eibe Frank, and Mark A. Hall, 2011 (Third Edition), Morgan Kaufmann Publishers
SPEECH and LANGUAGE PROCESSING: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition, Daniel Jurafsky & James H. Martin, 2009 (Second Edition), Prentice-Hall
Bibliografia Opcional
Speech and Language Processing (3rd ed. draft), Dan Jurafsky and James H. Martin. https://web.stanford.edu/~jurafsky/slp3/
Text Mining: classification, clustering and applications, Ashok Srivastava and Mehran Sahami (eds.), 2009, Chapman & Hall
Foundations of Statistical Natural Language Processing, Christopher D. Manning and Hinrich Schütze, 1999, The MIT Press
|
|
|
|
|
|
2 Ano | 1 Semestre
|
|
|
|
|
|
|
|
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.
Programa
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
Processo de Avaliação
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
A avaliação final terá em conta a avaliação intercalar (A), a qualidade técnica/científica do trabalho, com base no documento de dissertação ou relatório de projeto (B), a qualidade da apresentação e discussão pública (C), ponderadas da seguinte forma: Nota final = 0.3*A + 0.5*B + 0.2*C
Bibliografia
Bibliografia Obrigatória
Bibliografia Opcional
|
|
2 Ano | 2 Semestre
|
|
|
|
|
|
|
|
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.
Programa
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
Processo de Avaliação
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
A avaliação final terá em conta a avaliação intercalar (A), a qualidade técnica/científica do trabalho, com base no documento de dissertação ou relatório de projeto (B), a qualidade da apresentação e discussão pública (C), ponderadas da seguinte forma: Nota final = 0.3*A + 0.5*B + 0.2*C
Bibliografia
Bibliografia Obrigatória
Bibliografia Opcional
|
