O principal objetivo desta unidade curricular é transmitir aos alunos as potencialidades das tecnologias de armazenamento e consulta de informação. Pretende-se que os alunos armazenem e manipulem grandes quantidades de dados recorrendo a tecnologias tradicionais (bases de dados relacionais/SQL) e, essencialmente, a tecnologias mais recentes e menos estruturadas (NoSql/Json). Os alunos deverão também utilizar ferramentas específicas para extracção e disponibilização de informação normalmente utilizadas no contexto organizacional (por exemplo, Data Warehouse).

1. Revisão de Bases de Dados Relacionais e Interrogações Avançadas (agregadas) SQL em Mysql;
2. Introdução às Bases de Dados No SQL e Implementação de Bases de Dados em MongoDB;
3. Mapeamento entre Bases de Dados Relacionais e Bases de Dados suportadas em Documentos;
4. Extracção de Dados recorrendo a JSON;
5. Redundância e Distribuição de Dados para gerir tolerância a falhas e grandes volumes de informação;
6. Migração de dados entre diferentes sistemas de armazenamento;
7. Introdução à tecnologia de data Warehouse;
8. Processamento e integração de dados para popular um Data Warehouse;
9. Extrair Informação a partir de um Data Warehouse (querying?e Reporting).

A UC pode ser feita por exame (1ª ou 2ª Época) ou por avaliação periódica.A avaliação periódica consiste num teste (50%), com nota mínima de 7 valores, e um projecto de grupo (50%), sendo que data do teste coincide com data do exame de 1ª Época.

A unidade desenvolve competências em metodologias e tecnologias adequadas ao planeamento, execução, e controlo de projetos em Data Science. Terá uma forte vertente aplicada a casos reais.

CP1. Introdução a Data Science e principais metodologias.
CP2. Identificação de tipos de problema e abordagens possíveis (noções de aprendizagem supervisionada e não supervisionada);
CP3. Conceitos de extração, preparação de dados
CP4. Modelação e avaliação;
Redes Neuronais
Redes do tipo Feedforward
Algoritmo Backpropagation
Otimização de hiperparâmetros
Aplicações com R: regressão e classificação
Casos de estudo
CP5. Aplicações de Business Intelligence & Analytics;
CP6. Tecnologias para Data Science.

1a época: trabalho de grupo com apresentação e discussão individual, 100% da nota (mínimo 10 val.)2a época: trabalho individual, 100% da nota (mínimo 10 val.)

Compreender e aplicar os métodos analíticos a problemas concretos de Previsão e Classificação, no âmbito do apoio à decisão.

Introdução a Machine Learning: métodos supervisionados para previsão e classificação.

CP1: INTRODUCÃO
1.1 Problemas de previsão
1.2 Problemas de classificação
1.3 Conjuntos de Treino e de Teste
1.4 Validação Cruzada (cross validation)

CP2: Regressão Linear
2.1 Regressão Linear Simples
2.2 Regressão Linear Múltipla
2.3 Aplicações com R

CP3: Regressão Logística
3.1 Regressão Logística Simples
3.2 Regressão Logística Múltipla
3.3 Aplicações com R

CP4: Métodos baseados em Árvores de Decisão
4.1. Construção de Algoritmos de Árvores de Decisão
4.2. Melhoria do Desempenho: Bagging e Boosting
4.3. Algoritmo CART (Classification and Regression Trees)
4.4. Florestas Aleatórias
4.5. Aplicações com R

1ª épocaTrabalho de grupo com apresentação e discussão individual (100% da nota final) - Aprovação: nota final mínima=10 valores2ª épocaTrabalho individual (100% da nota final) - Aprovação: nota final mínima=10 valores

Compreender e aplicar os métodos analíticos não supervisionados a problemas reais.

CP1: Introdução aos métodos de aprendizagem não supervisionada
CP2: Análise em componentes principais (ACP)
- Principais conceitos e etapas
- Aplicações com R
CP3: Técnicas de clustering heurístico:
- Métodos hierárquicos
- Métodos partitivos
- Aplicações com R
CP4: Técnicas de clustering probabilístico:
- O algoritmo EM
- Modelos de mistura
- Modelos com classes latentes
- Aplicações com R
CP5. Regras de associação
- Frequência de items e regras de associação
- Algoritmo Apriori
- Aplicação com R

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 nota mínima de 10.EXAME:O Exame Final corresponde a um exame escrito. Os alunos devem obter uma nota mínima de 10 para passar.

A UC dota os alunos com técnicas modernas de econometria e Machine Learning (ML) para previsão de dados económicos e financeiros. A iteração entre teoria e prática é enfatizada, e os alunos serão preparados para formulação e teste de vários modelos. Casos com dados reais serão analisados com bastante rigor.

P1. Séries temporais (2 aulas)
P1.1. Conceitos básicos
P1.2. Tendências e sazonalidade
P2. Introdução aos modelos estocásticos de séries temporais uni-variados (4 aulas)
P2.1. Estacionaridade, testes de raiz unitária
P2.2. Modelos ARMA/ARIMA/SARIMAX
P2.3. Pressupostos dos resíduos, testes de diagnóstico
P2.4. Volatilidade, risco, Modelos ARCH/GARCH
P2.5. Previsão, medição do erro de previsão
P3. Introdução aos modelos estocásticos de séries temporais multivariados (2 aulas)
P3.1. Modelos VAR/VECM
P3.2. Análise de Cointegração e aplicações
P3.3. Previsão
P4. Machine (Deep) Learning (6 aulas)
P4.1. Redes neuronais para séries temporais
P4.2. RNN e LSTM, forecasting
P5. Programação/computação com Python
P6. Aplicação dos conceitos estudados; extração de informação e valor para dados do mundo real (2 aulas)

A avaliação periódica inclui a realização de:a) Teste individual com ponderação de 60%.b) Trabalho de grupo com ponderação de 40%.A avaliação periódica exige a presença em, pelo menos, 80% das aulas e abarca toda a matéria leccionada.Os alunos em avaliação periódica que não obtenham a nota mínima de 8,5 valores no teste individual e de 10 valores no trabalho, deverão realizar um exame final (nota mínima de aprovação: 10 valores).

O objetivo geral desta UC é dar formação nas tecnologias, técnicas e algoritmos que permitem extrair modelos e conhecimento a partir de grandes quantidades de informação.

CP1: Plataformas computacionais para big data
CP2: Aprendizagem supervisionada/não supervisionada para larga escala
CP3: Introdução do Deep learning
CP4: Aprendizagem a partir de sequências
CP5: Algoritmo Locality-sensitive hashing
CP6: Análise de grafos

A avaliação pode ser realizada de duas formas: periódica [1] ou exame final [2]. [1] A avaliação periódica consiste em: - 1 testes escrito individual com um peso na nota final de 60% e nota mínima de 8 em 20 para obter aprovação na UC; - 1 trabalho (de grupo) com um peso na nota final de 40%. [2] O exame final é composto por parte teórica e prática realizadas no Iscte-IUL (ver detalhes obrigatórios no campo Observações).

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. Componentes de avaliação: a) TESTES (2 testes: 25% cada); b) TRABALHO (50%). A nota de TESTES pode ser substituída por uma prova escrita a realizar no período de avaliação correspondente à 1º época ou, em caso de reprovação, na 2ª época ou época especial (Artº 14 do RGACC).A nota de TRABALHO está limitada à nota de TESTES + 6 valores. A assiduidade não é requisito de aprovação.

O objectivo geral desta UC é introduzir os alunos do Mestrado em Ciência dos Dados ao quadro jurídico das TIPC da União Europeia e em Portugal. O curso abrirá com uma breve introdução aos desafios colocados pelas novas TIPC ao Direito e aos direitos individuais, focando seguidamente aspectos relevantes do direito nas TIPC, com ênfase na cibercriminalidade e na cibersegurança (incluindo os direitos do autor) na proteção de dados pessoais e da vida privada e da responsabilidade por conteúdos criminógenos no Ciberespaço.

Introdução: as TIPC e as fontes do Direito nacional. Importância das políticas europeias. Princípios Constitucionais, liberdades e direitos na ?era do software?. Direito da CiberSegurança. Programas de computador: direitos relacionados. Proteção de dados pessoais e da vida privada: o Regulamento Geral de Proteção de Dados da EU e a Lei de Execução. Desafios emergentes: big data, qualidade da informação, cibercrime e decisão algorítmica. Significado da gestão de crise. Ética e mecanismos de participação criminal.

A avaliação será efectuada com base em dois trabalhos de investigação individual, em que um deles é objecto de apresentação oral em moldes a definir (80%). A participação ativa nas aulas será valorizadas positivamente na classificação final (20%).

Esta unidade curricular tem como principais objectivos o desenvolvimento de competências para conceber, projectar e realizar um projecto de investigação científica na área de Data Science.

CP1. Delimitação da temática e do campo de pesquisa
CP2. Definição do objecto de estudo, problemática e objectivos
CP3. Realização da revisão da literatura
CP4. Definição do corpus documental
CP5. Identificação e análise de fonte de dados relevante ao problema de investigação
CP6. Análise crítica de resultados em Data Science
CP7. Desenvolvimento de escrita científica

Processo de avaliação (500 caracteres): Avaliação 1ª e 2ª época: Escrita individual de 1 artigo e sua apresentação (100%)

Ser capaz de analisar e conceber um modelo de informação para dar apoio à gestão e à avaliação da performance da gestão.

1. Componentes da análise estratégica
Missão, visão e desafio estratégico
Estratégia e objetivos estratégicos
Mapa estratégico
2. Perspetiva multidimensional da performance
Perspetiva de negócio
Perspetiva de mercado
Perspetiva dos processos
Perspetiva dos gestores e da estrutura
3. Reporting da performance da gestão
Indicadores e KPIs
Balanced Scorecard e Tableau de Bord e criação de dashboards
Monitorização e avaliação da performance

1) Avaliação periódica: Instrumentos: trabalhos ou casos, individuais/grupo (50%) e teste escrito individual (50%). Aprovação: a) mín. 7,5 valores em cada uma das provas ou conjunto de provas individuais; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 2/3 das aulas. 2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores. 3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores. Escala: 0-20 valores.

Elaborar uma dissertação de mestrado na área de Ciência dos Dados

Conteúdos programáticos(CP):
CP1-Formular a questão de partida
CP2-Identificar literatura relevante, e elaborar uma revisão teórica e empírica
CP3- Formular o problema de investigação e as hipóteses
CP4- Desenhar um estudo que teste as hipóteses
CP5- Conduzir o estudo
CP6- Analisar e interpretar resultados
CP7- Elaborar o plano da dissertação
CP8- Escrever a dissertação

A dissertação será avaliada por um júri em provas públicas, após a confirmação por parte do orientador de que esta está concluída e se encontra em condições de ser apresentada em provas públicas. A avaliação será baseada no mérito científico do estudo e na sua adequação teórica e metodológica.

Elaborar um Trabalho de Projecto de mestrado na área de Ciência dos Dados

Conteúdos programáticos(CP):
CP1-Formular a questão de partida
CP2-Identificar literatura relevante, e elaborar uma revisão teórica e empírica
CP3- Formular o problema de investigação e as hipóteses
CP4- Desenhar um estudo que teste as hipóteses
CP5- Conduzir o estudo
CP6- Analisar e interpretar resultados
CP7- Elaborar o plano da Trabalho de Projecto
CP8- Escrever a Trabalho de Projecto

O Trabalho de Projecto será avaliada por um júri em provas públicas, após a confirmação por parte do orientador de que esta está concluída e se encontra em condições de ser apresentada em provas públicas. A avaliação será baseada no mérito científico do estudo e na sua adequação teórica e metodológica.