|
|
|
|
|
1 Ano | 1 Semestre
|
|
|
|
|
|
|
|
Objectivos
O objectivo geral desta UC é introduzir os alunos do Mestrado em Ciência dos Dados ao quadro jurídico das TIC na União Europeia e em Portugal. O curso abrirá com uma breve introdução aos desafios colocados pelas novas TIC ao direito e aos direitos, focando seguidamente aspectos relevantes do direito das TIC com ênfase nos direitos de propriedade intelectual e sobre bases de dados, na proteção de dados pessoais e da vida privada, nos regimes do comércio e da contratação electrónicos e da responsabilidade por conteúdos ilícitos ou prejudiciais na Internet. Dar-se-á especial realce ao direito da União Europeia e ao direito português
Programa
Introdução: as TIC e o direito. Liberdades e direitos na era digital. Programas de computador: direitos de autor e direitos de propriedade industrial. Proteção jurídica das bases de dados. Direitos de autor na Internet e liberdade de acesso à informação. Motores de busca. Da proteção dos direitos de autor às novas formas de partilha do conhecimento e da informação (free e open software, licenças de creative commons, Youtube e Wikipedia; etc.). Proteção de dados pessoais e da vida privada: o Regulamento Geral de Proteção de Dados da UE; o EU/US Privacy Shield; o direito português e o papel da CNPD: regime geral, regimes especiais. Desafios emergentes: big data; decisão algorítmica; cloud computing. Cibercrime.
Processo de Avaliação
A avaliação será efectuada com base num trabalho de investigação individual, que será ,objecto de apresentação oral em moldes a definir (80%). A participação ativa nas aulas será valorizadas positivamente na classificação final (20%).
Bibliografia
Bibliografia Obrigatória
Reed, C., Computer Law, 7th Edition, Oxford, Oxford University Press, 2012.
Gonçalves, Maria Eduarda, Direito da Informação, Novos direitos e modos de regulação na sociedade da informação, Coimbra, Almedina, 2003 (próxima edição programada para 2019).
Gonçalves, Maria Eduarda, ?The EU Data Protection Reform and the Challenges of the Big Data. Remaining uncertainties and ways forward?, Information & Communications Technology Law 26 (2), 2017, p. 1-26.
Gonçalves, Maria Eduarda, ?Tensões entre a liberdade de informação e a propriedade intelectual na era digital? in Jorge Bacelar Gouveia e Heraldo de Oliveira Silva (coords.), I Congresso Luso-Brasileiro de Direito, Coimbra, Almedina, 2014, p. 275-295.
Bibliografia Opcional
-
|
|
|
|
|
|
Objectivos
Para além da consolidação da programação estruturada e do paradigma orientado a objetos, esta disciplina introduz conceitos importantes de estruturas de dados e algoritmos e eficiência algorítmica, para além de encorajar os estudantes ao pensamento crítico. Serão apresentadas e utilizadas estruturas clássicas de organização de dados (lineares e não-lineares) e algoritmos associados. Caso o tempo o permita, tópicos adicionais poderão ser abordados.
A componente prática de programação (com recurso a uma linguagem de programação imperativa, por exemplo Python) é fortemente encorajada.
Programa
CP1: Tipos de Dados em Programação Orientada a Objetos.
CP2: Estruturas de dados lineares: listas ligadas, pilhas e filas.
CP3: Recursão.
CP4: Árvores: travessias e árvores binárias de diferentes tipos.
CP5: Tabelas de dispersão.
CP6: Filas prioritárias e heaps binários.
Processo de Avaliação
[1] Avaliação periódica:
- 2 testes individuais (20%) cada;
- 3 trabalhos práticos individuais, 2 dos quais obrigatórios (10% cada) e um projeto com discussão presencial (40%).
Qualquer das componentes a avaliar obriga a uma nota mínima de 7 valores para aprovação final.
[2] Exame final: exame escrito individual, realizado numa das épocas possíveis de avaliação (1ª ou 2ª para quem não tenha tido aprovação em 1ª época, cf. RGGAC, art. 12º e 13º).
Bibliografia
Bibliografia Obrigatória
- M. Goodrich, R. Tamassia e M. Goldwasser, Data Structures & Algorithms in Python, Wiley, 2013.
Bibliografia Opcional
Problem Solving with Algorithms and Data Structures using Python by Bradley N. Miller, David L. Ranum Release 3.0, 2013
|
|
|
|
|
|
Objectivos
A unidade curricular pretende dotar os alunos de noções fundamentais de programação e experiência prática, utilizando a linguagem Python. No final da disciplina, os alunos terão tomado contacto com primitivas de programação imperativa existentes em várias linguagens, bem como com conceitos básicos de programação com objetos.
Programa
CP1. Funções e parâmetros
CP2. Variáveis e estruturas de controlo
CP3. Invocação e recursividade
CP4. Vetores
CP5. Procedimentos e referências
CP6. Matrizes
CP7. Objetos simples
CP8. Classes de objetos
CP9. Objetos compostos
CP10. Classes de objetos compostos
Processo de Avaliação
Avaliação periódica:
Nota Final = 20% Nota do Teste Intercalar + 70% Nota da Frequência + 10% Notas dos Mini-testes Online
[nota mínima de 8 valores na Frequência]
Projeto Individual:
obrigatório; classificações possíveis - A, B, C e D; define um limite máximo para a Nota Final [A - max. 20; B - max. 16; C - max. 12; D - reprovação à UC]
Não é possível obter aprovação através da realização de Exame (100% da nota).
Ver detalhes obrigatórios no campo Observações.
Bibliografia
Bibliografia Obrigatória
Programação em Python: Introdução à programação com múltiplos paradigmas: João P. Martins 2013 IST Press
Python for Software Design: Downey A.B 2009 Cambridge University Press
Bibliografia Opcional
|
|
|
|
|
|
Objectivos
Introduzir os principais métodos analíticos não supervisionados na aplicação a problemas reais.
Programa
CP1: Introdução aos métodos de aprendizagem não supervisionada
CP2: Técnicas de redução da dimensionalidade dos dados:
? Análise em componentes principais (ACP)
? Análise de correspondências
? Aplicações com R
CP3: Técnicas de clustering:
? Métodos hierárquicos
? Métodos partitivos
? Introdução aos métodos probabilísticos
? Aplicações com R
Processo de Avaliação
Os estudantes podem optar por Avaliação Periódica ou Exame Final.
AVALIAÇÃO PERIÓDICA:
- trabalho de grupo com nota mínima de 8 valores (50%)
- teste individual com nota mínima 8 valores (50%)
A aprovação requer uma frequência mínima de 80% das aulas e nota mínima de 10.
EXAME:
O Exame Final corresponde a um exame escrito. Os alunos devem obter uma nota mínima de 10 para passar.
Bibliografia
Bibliografia Obrigatória
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An Introduction to Statistical Learning: with applications in R, New York: Springer.
Bibliografia Opcional
Aggarwal, C. C., Reddy, C. K. (eds.) (2014), Data Clustering: Algorithms and Applications. Boca Raton: CRC Press.
Hennig, C., Meila, M., Murtagh, F., Rocci, R. (eds.) (2016), Handbook of Cluster Analysis, Handbooks of Modern Statistical Methods. Boca Raton: Chapman & Hall/CRC.
Lattin, J., D. Carroll e P. Green (2003), Analyzing Multivariate Data, Pacific Grove, CA: Thomson Learning.
Wedel, M., Kamakura, W. A. (2000), Market Segmentation. Conceptual and Methodological Foundations (2nd edition), International Series in Quantitative Marketing. Boston: Kluwer Academic Publishers.
|
|
|
|
|
|
Objectivos
Familiarizar os alunos com o raciocínio estatístico, nomeadamente: i) como utilizar técnicas estatísticas no processo de decisão; ii) ter um pensamento crítico; iii) extrair de forma correta inferências a partir dos dados amostrais; iv) formular adequadamente testes de hipóteses; e v) interpretar corretamente as hipóteses estatísticas. Ao longo do curso, os estudantes serão expostos a aspetos computacionais da estatística através da utilização de software aberto para análise de dados, como por exemplo o R
Programa
Conteúdos programáticos (CP) articulados com os objetivos de aprendizagem.
CP1. Organização e preparação de dados
CP2. Introdução ao R
CP3. Análise exploratória e descritiva de dados
CP4. Testes de hipóteses
Processo de Avaliação
Regime de avaliação: periódica ou por exame
Periódica:
- 2 Mini-testes práticos: (22,5%+22,5%); nota mínima 7,5
- Teste escrito (55%); nota mínima 7,5
Assiduidade às aulas >=80%.
Por exame:
- Exame prático (45%); nota mínima 7,5
- Exame escrito (55%); nota mínima 7,5
Bibliografia
Bibliografia Obrigatória
Carvalho, A. (2017). Métodos quantitativos com Excel, Lisboa, Lidel edições técnicas.
Reis, E. (1998). Estatística Descritiva,Lisboa,Sílabo,7ª ed.
Rohatgi, V.K. and Ehsanes Saleh, A.K. Md (2015). An Introduction to Probability and Statistics, 3rd edition, Wiley Series in Probability and Statistics
Verzani, J. (2005). Using R for Introductory Statistics, 2nd Edition, Chapman & Hall/CRC
Bibliografia Opcional
Carvalho, A. (2017). Gráficos com Excel - 95 Exercícios, Lisboa, FCA.
Dias Curto, J.J., Gameiro, F. (2016). Excel para Economia e Gestão. Lisboa, Ed. Sílabo.
Field, A., Miles, J., Field, Z. (2012). Discovering statistics using R. London, SAGE Publications Ltd.
Hoaglin, D.C., Mosteller, F e Tukey, J. W. (1992). Análise Exploratória de Dados. Técnicas Robustas, Ed. Salamandra, Lisboa.
Murteira, B. J. F. (1990). Análise Exploratória de Dados. Estatística Descritiva, McGraw Hill.
|
|
1 Ano | 2 Semestre
|
|
|
|
|
|
|
|
Objectivos
Compreender e aplicar a análise supervisionada em tarefas de classificação e regressão no âmbito do Marketing.
Programa
CP1: Sobre Aprendizagem Supervisionada
? Tipologias
? Dados para aprendizagem
? Funções objetivo
? Avaliação e seleção de modelos
? Notas sobre inferência estatística
CP2: Métodos de Classificação
? Redes neuronais (algoritmo Retropropagação)
? Árvores de Classificação (algoritmo CART)
CP3: Métodos de Regressão
? Regressão Linear
? Árvores de Regressão (algoritmo CART)
Processo de Avaliação
AVALIAÇÃO PERIÓDICA
- trabalho de grupo (40%), com eventual discussão oral e nota mínima de 10 valores
- teste individual (60%) com nota mínima 9 valores.
A aprovação requer a frequência mínima de 2/3 das aulas e nota mínima de 10
EXAME
1ª parte - teste individual (60%)
2ª parte - avaliação de análises de dados efetuadas com a ferramenta de software usada na aprendizagem (40%)
Os alunos devem obter uma nota mínima de 9 valores em cada parte do exame e nota mínima (ponderada) de 10 para aprovação
Bibliografia
Bibliografia Obrigatória
Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics, SAGE, 2018
Field, A., Miles, J., & Field, Z (2013). Discovering Statistics Using R, SAGE
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2009). Multivariate Data Analysis 7th Edition Pearson Prentice Hall.
Hastie, T.; Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer.
Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons.
Bibliografia Opcional
|
|
|
|
|
|
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
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 Ano | 2 Semestre
|
|
|
|
|
|
|
|
Objectivos
Pretende-se que o aluno, no final da unidade curricular, desenvolva competências conceptuais e aplicacionais no âmbito das principais perspetivas do estudo do comportamento do consumidor, do seu impacto na gestão de marketing e de como aplicar os principais métodos analíticos para compreender esse comportamento.
Programa
CP1.Introdução ao Comportamento do Consumidor
CP2.Tomada de Decisões
CP3.Influências Culturais
CP4.Consumidor e Bem-Estar Social
CP5.Percepção
CP6.Aprendizagem e Memória
CP7.Auto-conceito
CP8.Atitudes e Persuasão
CP9.Influências Externas
CP10.Comportamento do Consumidor em Rede
CP11. Aplicações práticas dos conceitos utilizando métodos analíticos em dados estruturados e não estruturados do comportamento do consumidor.
Processo de Avaliação
Época Normal: avaliação periódica, assiduidade mínima 2/3 - a) Exame individual, 50% b) Exercícios individuais, ponderação 10% e em grupo, ponderação 40%. Nota mínima de 7,5 em cada prova ou conjunto de provas individuais. Aprovação na UC: nota final mínima de 10. Alunos que optem apenas por exame individual, ponderação 100%, nota mínima de 10. Época de Recurso: para alunos que reprovarem na época normal, ou alunos que pretendem melhoria de nota, exame com ponderação de 100%, nota mínima de 10.
Bibliografia
Bibliografia Obrigatória
Solomon, Michael (2015). Consumer Behavior: Buying, Having, and Being (11/E). Pearson.
Bibliografia Opcional
Graham, Judy (2010) Critical Thinking in Consumer Behavior: Cases and Experiential Exercises (2/E). Pearson.
Shiffman, Leon & Wisenblit, Joseph (2015) Consumer Behaviour (11/E). Pearson.
|
|
|
|
|
|
Objectivos
Pretende-se que os alunos, no final desta unidade curricular, sejam capazes de aplicar criticamente os principais conceitos de marketing a partir da análise dos principais indicadores de mercado, utilizando as diversas ferramentas analíticas ao seu dispor com vista à construção de um correto plano de marketing. Pretende-se ainda que, numa perspetiva científica, analisem novas tendências de marketing.
Programa
CP1. Perceber o que é o Marketing e o Processo de Marketing
CP2. O Planeamento Estratégico e o Processo de Marketing
CP3. A Envolvente de Marketing
CP4. Do Consumidor para a Estratégia de Marketing
CP5. Desenvolvimento da Estratégia de Marketing, da vantagem competitiva sustentável e do Marketing-Mix
CP6. Aplicações práticas dos conceitos à estratégia de marketing, utilizando métodos analíticos em dados estruturados e não estruturados.
CP7. Novas Tendências de Marketing
Processo de Avaliação
Época Normal: avaliação periódica, assiduidade mínima 2/3 - a) Exame individual, ponderação 50% b) Exercícios individuais (10%) e em grupo (40%). Nota mínima de 7,5 em cada prova ou conjunto de provas individuais. Aprovação na UC: nota final mínima de 10. Alunos que optem apenas por exame individual, ponderação 100%, nota mínima de 10. Época de Recurso: para alunos que reprovarem na época normal, ou alunos que pretendem melhoria de nota, exame com ponderação de 100%, nota mínima de 10.
Bibliografia
Bibliografia Obrigatória
Palmatier, R., Shrihari, S. (2017). Marketing Strategy. Based on First Principles and Data Analytics. Palgrave, London: UK.
Dibb, Sally, Simkin, Lyndon, Pride, William M., Ferrrell, O.C., (2012), Marketing Concepts and Strategies, 6th Edition, Houghton Mifflin, USA
Bibliografia Opcional
Kotler, Philip; Keller, Kevin Lane (2009), Marketing Management, Prentice-Hall International,
USA
|
|
|
|
|
|
Objectivos
Pretende-se que os alunos, no final desta unidade curricular, sejam capazes de perceber o âmbito do marketing digital e de social media e sejam capazes de aplicar métodos analíticos de data Science para a extração de padrões de comportamento nos meios digitais.
Programa
CP1 - Introdução ao Marketing Digital
CP2 - Estratégias de Marketing Digital
CP3 - Ferramentas de Marketing Digital
CP4 - Engagement do Consumidor Online
CP5 - E-Commerce e a Presença Digital Online
CP6 - Comunicação e Canais Digitais
CP7 - Social Media Marketing
CP8 - Novas Tendências do Marketing Digital e Social Media
CP9. Aplicações práticas dos conceitos de Marketing Digital e Social Media utilizando métodos analíticos em dados estruturados e não estruturados.
Processo de Avaliação
Época Normal: avaliação periódica, assiduidade mínima 2/3 - a) Exame individual, ponderação 50% b) Exercícios individuais (10%) e em grupo (40%). Nota mínima de 7,5 em cada prova ou conjunto de provas individuais. Aprovação na UC: nota final mínima de 10. Alunos que optem apenas por exame individual, ponderação 100%, nota mínima de 10. Época de Recurso: para alunos que reprovarem na época normal, ou alunos que pretendem melhoria de nota, exame com ponderação de 100%, nota mínima de 10.
Bibliografia
Bibliografia Obrigatória
Chaffey, D and Ellis-Chadwick, F. (2012) Digital Marketing: Strategy, Implementation and Practice, Pearsons, 5ª Edição.
Tuten, T. and Solomon, M.R. (2015) Social Media Marketing. Sage Publications.
Sharma, T., Sarkar, D., & Bali, R. (2017). Learning Social Media Analytics with R. Packt Publishing Ltd.
Bibliografia Opcional
|
