Acreditações
Plano de Estudos para 2024/2025
Unidades curriculares | Créditos | |
---|---|---|
Álgebra Linear e Aplicações
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Cálculo A uma Variável
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Análise de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Programação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Trabalho, Organizações e Tecnologia
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Álgebra Linear Numérica
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Algoritmia e Estrutura de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Cálculo A Múltiplas Variáveis
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Planeamento e Gestão de Projetos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Apresentações em Público com Técnicas Teatrais
2.0 ECTS
|
Competências Transversais | 2.0 |
Introdução ao Design Thinking
2.0 ECTS
|
Competências Transversais | 2.0 |
Trabalho Académico com Inteligência Artificial
2.0 ECTS
|
Competências Transversais | 2.0 |
Análise Numérica
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Empreendedorismo e Inovação I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Grafos e Redes Complexas
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Inteligência Artificial
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Introdução à Estatística e Probabilidades
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Aprendizagem Automática Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Bases de Dados e Gestão de Informação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Empreendedorismo e Inovação II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Modelação Financeira
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Otimização Matemática
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Matemática Computacional
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto de Matemática Aplicada I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tecnologia, Economia e Sociedade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Processos Estocásticos e Simulação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto de Matemática Aplicada II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tomada de Decisão Apoiada em Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Álgebra Linear e Aplicações
OA1 Representar elementos geométricos
OA2 Classificar quanto ao paralelismo e à perpendicularidade
OA3 Dominar a linguagem dos vetores e das matrizes e realizar operações
OA4 Classificar conjuntos de vetores quanto à dependência linear
OA5 Calcular determinantes, interpretar o seu valor e aplicar propriedades
OA6 Resolver sistemas de equações lineares usando matrizes e identificar variáveis dependentes
OA7 Entender e calcular valores e vetores próprios
OA8 Compreender o conceito de espaço vetorial real
OA9 Entender a definição de produto de números complexos como a operação entre vetores que permite em C a estrutura de corpo e de espaço vetorial sobre R
OA10 Apreender a identificação da constante imaginária com o vetor (0,1)
OA11 Construir, identificar, analisar e interpretar transformações lineares
OA12 Usar o Python como ferramenta de trabalho exploratório
OA13 Aplicar os conhecimentos e técnicas a problemas com contexto e adquirir competências e raciocínio para a sua formulação
CP1 Vetores em R^2 e R^3. Distância euclidiana
CP2 Produto escalar. Reta e parametrização de segmentos
CP3 Produto vetorial. Ortogonalidade. Projeções. Vetor normal a um plano
CP4 Sistemas de equações lineares (SELs). Eliminação de Gauss-Jordan
CP5 Escrita matricial de SELs. Álgebra de matrizes. Matriz transposta
CP6 Combinação e dependência linear de vetores. Característica de uma matriz e condensação de Gauss. Teorema de Rouché e dependência de variáveis
CP7 Matriz inversa. Matrizes elementares. Permutação e sinal. Determinante e propriedades
CP8 Menores complementares e matriz adjunta. Fórmula de Laplace
CP9 Método da matriz inversa e regra de Cramer em SELs
CP10 Cadeias de Markov e vetores e valores próprios de uma matriz. Polinómio característico. Formas quadráticas
CP10 Corpos. R e C
CP11 Espaço vetorial real. R^2, R^3 e C
CP12 Transformações lineares e operadores. Matriz. Imagem e núcleo
CP13 Composta e mudanças geométricas: expansão e contração uniformes, reflexão e rotação
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: 1 teste intercalar (14%) + 11 mini-testes semanais (11x2%) + atividades de trabalho autónomo (TA) semanal (12%) + elaboração de um glossário em trabalho de grupo (12%) + teste final (40%); é exigida nota mínima de 7 valores (escala 1-20) em cada um dos testes intercalar e final
- Avaliação por exame (100%), em qualquer das épocas, com prova escrita individual.
Title: H. Anton and C. Rorres (2010) Elementary Linear Algebra - Applications Version, John Wiley and Sons
Blyth T.S., Robertson E.F. (2002). Basic Linear Algebra. Springer.
Lages E.L. (2015). Geometria Analítica e Álgebra Linear. Coleção Matemática Universitária. IMPA.
The Mathworks, Inc. - The Student Edition of Matlab , Prentice-Hall, 5th Version
Materiais científico-pedagógicos (slides, notas de desenvolvimento, código e pseudo código, fichas de exercícios e problemas) disponibilizados pela equipa docente.
Authors:
Reference:
Year:
Title: David C. Lay (2015) Linear Algebra and its Applications, Addison Wesley, Pearson
Cabral I., Perdigão C., Saiago C. (2018). Álgebra Linear Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções, Escolar Editora.
Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong (2020) Mathematics for Machine Learning, Cambridge University Press [electronic resource: https://mml-book.github.io/book/mml-book.pdf]
Authors:
Reference:
Year:
Cálculo A uma Variável
OA1 Entender a completude de R e suas consequências
OA2 Apreender os conceitos de sucessão e de série (com vista às fórmulas de Taylor e somas de Riemann)
OA3 Obter a função soma e domínio de convergência em séries de potências
OA4 Aprofundar o conceito de função e a sua importância em modelação
OA5 Aprofundar o conceito de limite e a caraterização de funções contínuas através de sucessões
OA6 Analisar o comportamento assintótico de funções e a evolução de sucessões quanto a monotonia, limitação e convergência
OA7 Obter aproximações de Taylor (várias ordens) e aplicá-las em problemas com contexto real
OA8 Compreender a noção de partição e de integral como limite de somas de Riemann, e aplicar o teorema fundamental
OA9 Aplicar os conceitos de derivada, sucessão, série e integral na resolução de problemas com contexto
OA10 Articular diferentes abordagens dos conteúdos: gráfica, numérica e algébrica
CP1 Reta real e álgebra em R. Completude. Valor absoluto
CP2 Sucessões de números reais. Definição recursiva. Monotonia. Supremo e ínfimo. Convergência e enquadramento
CP3 Noção de série numérica, somas parciais e soma. Séries aritmética, geométrica e harmónica
CP4 Séries de potências. Convergência
CP5 Funções de R em R. Funções elementares. Paridade e transformações ao gráfico. Período e frequências
CP6 Composta e inversa. Comportamento assintótico
CP7 Função logaritmo. Trigonométricas inversas. Identidades e álgebra trigonométrica
CP8 Limites. Continuidade. Teoremas de Weierstrass e do valor intermédio
CP9 Derivada num ponto e seu significado. Teorema do valor médio. Regra da cadeia e derivada da inversa. Derivação implícita
CP10 Aproximações de Taylor. Extremos locais e/ou globais
CP11 Partições. Integral definido à Riemann. Primitivas. Teorema fundamental do cálculo. Mudanças de variável. Integrais impróprios. Critérios de integrabilidade
Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação Periódica: 2 minitestes (MT) realizados em aula com duração aproximada de 30 min (15% cada) + Teste final realizado na data do primeiro exame (40%) + trabalhos semanais realizados no Moodle (20%) + trabalho/projeto realizado em grupos de 2-3 alunos (10%),
A média dos minitestes ( (MT1+MT2)/2 ) tem nota mínima de 7.0 valores.
O teste final tem nota mínima de 7.0 valores.
Há a possibilidade de realização de orais.
ou
- Avaliação por Exame (100%).
Title: Campos Ferreira J. (2018). Introdução à Análise Matemática. Fundação Calouste Gulbenkian.
Stewart J. (2013). Cálculo. Vol I, 7ª Edição [tradução EZ2 Translate, São Paulo]. Cengage Learning [recurso eletrónico: https://aedmoodle.ufpa.br/pluginfile.php/311602/mod_resource/content/1/Calculo%20-%20James%20Stewart%20-%207%20Edição%20-%20Volume%201.pdf]
Strang, G. (2007). Computational Science and Engineering, Wellesley-Cambridge Press
Materiais científico-pedagógicos (Jupyter noteboos, slides, notas de desenvolvimento, código e pseudo código, fichas de exercícios e problemas) disponibilizados pela equipa docente Scientific-pedagogical materials (Jupiter notebooks, slides, lectures, code and pseudo code, exercise sheets, problems) provided by the teaching team.
Authors:
Reference:
Year:
Title: Lima E.L. (2001). Análise real. Vol 1. Coleção Matemática Universitária,SBM. Rio de Janeiro.
Ávila G. (2006). Análise Matemática para a Licenciatura. Ed.Edgard Blucher. São Paulo.
Authors:
Reference:
Year:
Fundamentos de Análise de Dados
Após frequência bem sucedida na unidade curricular, os estudantes deverão ser capazes de:
OA1. Conhecer os diferentes formatos de dados.
OA2. Conhecer o ciclo completo dos dados.
OA3. Saber fazer uma analise exploratória de dados usando o R.
OA4. Saber modelar um conjunto de dados.
OA5. Implementar uma solução de analise de dados para um determinado problema.
CP1. Introdução à análise de dados
CP2. Introdução ao R e RStudio
CP3. Conhecimento dos problemas em análise de dados com exemplos
CP4. O ciclo completo da análise de dados
CP5. Dados e formato dos dados
CP6. Preparação dos dados
CP7. Probabilidades; Estatística Descritiva e Análise Exploratória
CP8. Visualização dos dados
CP9. Modelação e diferentes tipos de problemas de aprendizagem automática
CP10. Métodos de avaliação de modelos
CP11. Reporte e publicação dos resultados
A avaliação PERIÓDICA resulta de: exercícios em modalidade online, sem nota mínima, após cada aula (20%); dois testes individuais - um teste intercalar um outro no final do semestre (30%); e um trabalho em grupo (máximo de 3 alunos) em R com elaboração de um relatório e apresentação oral (50%).
São aprovados os alunos que obtenham uma classificação final superior 9.5 valores.
Title: Torgo Luís; Data mining with R. ISBN: 978-1-4398-1018-7
C. O'Neil, R. Schutt. 'Doing Data Science: Straight Talk from the Frontline'. O'Reilly. 2013
Authors:
Reference:
Year:
Title: Wickham, Hadley, and Garrett Grolemund. 2017. R for Data Science. O?Reilly Media.
Wilke, Claus O. 2019. Fundamentals of Data Visualization. O?Reilly Media.
P. Mathur, Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. 2018.
I. Foster, R. Ghani, R. S. Jarmin, F. Kreuter, J. Lane, Big Data and Social Science: A Practical Guide to Methods and Tools, 1st Edition. CRC Press, Chapman & Hall. 2016
T. W. Miller, Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python?. O'Reilly. 2015
M. N. Jones, Big Data in Cognitive Science (Frontiers of Cognitive Psychology), Taylor & Francis, 2016
F. Provost. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly. 2013
L. M. Chen, Z. Su, B. Jiang. Mathematical Problems in Data Science: Theoretical and Practical Method
Aggarwal, C. C. 2015. Data mining: the textbook (Vol. 1). New York: Springer.
Han, J., Pei, J., & Tong, H. 2022. Data mining: concepts and techniques. Morgan Kaufmann.
P. Tattar, T. Ojeda, S. P. Murphy B. Bengfort, A. Dasgupta, Practical Data Science Cookbook, Second Edition. Packt Publishing. 2017.
Authors:
Reference:
Year:
Fundamentos de Programação
No final da UC, o aluno deverá estar apto a:
OA1: Aplicar os conceitos fundamentais de programação
OA2: Criar procedimentos e funções com parâmetros
OA3: Compreender a sintaxe da linguagem de programação Python
OA4: Desenvolver soluções com programação para problemas de complexidades simples
OA5: Explicar, executar e depurar fragmentos de código desenvolvido em Python
OA6: Interpretar os resultados obtidos com a execução de código desenvolvido em Python
OA7: Desenvolver projetos de programação
CP1. Introdução à programação: Sequência lógica e instruções, Entrada e saída de dados, Constantes, variáveis e tipos de dados, Operações lógicas, aritméticas e relacionais, Estruturas de controlo
CP2. Procedimentos e funções
CP3. Referências e parâmetros
CP4. Ambientes integrados de desenvolvimento
CP5. Sintaxe da linguagem de programação
CP6. Objetos e classes de objetos
CP7. Listas e matrizes
CP8. Manipulação de ficheiros
A UC segue o modelo de avaliação por projeto pelo seu carácter eminentemente prático, não contemplando exame final.
O aluno é avaliado através dos seguintes parâmetros:
A1: Tarefas de programação validadas pelos docentes (10%), com nota mínima de 9,5 valores na média das tarefas
A2: Projeto Individual com discussão teórico-prática (40%), com nota mínima de 8,5 valores
A3: Projeto em Grupo com discussão teórico-prática (50%), com nota mínima de 8,5 valores
Title: Wanda Dann, Stephen Cooper, & Randy Pausch, Learning to Program with Alice!, 2011, ISBN: 978-0132122474
João P. Martins, Programação em Python: Introdução à programação com múltiplos paradigmas, IST Press, 2015, ISBN: 9789898481474
Kenneth Reitz, Tanya Schlusser, The Hitchhiker's Guide to Python: Best Practices for Development, 1st Edition, 2016, ISBN-13: 978-1491933176, https://docs.python-guide.org/
Eric Matthes, Python Crash Course, 2Nd Edition: A Hands-On, Project-Based Introduction To Programming, No Starch Press,US, 2019, ISBN-13 : 978-1593279288
John Zelle, Python Programming: An Introduction to Computer Science, Franklin, Beedle & Associates Inc, 2016, ISBN-13 : 978-1590282755
Ernesto Costa, Programação em Python: Fundamentos e Resolução de Problemas, 2015, ISBN 978-972-722-816-4,
Authors:
Reference:
Year:
Title: David Beazley, Brian Jones, Python Cookbook: Recipes for Mastering Python 3, O'Reilly Media, 2013, ISBN-13 ? : ? 978-1449340377
Authors:
Reference:
Year:
Trabalho, Organizações e Tecnologia
"OA1: Conhecer as principais teorias, conceitos e problemáticas relacionados com o Trabalho, as Organizações e a Tecnologia;
OA2: Compreender os principais processos da transição digital diretamente relacionados com o mundo do trabalho e as suas organizações;
OA3: Analisar as múltiplas implicações sociais, económicas e políticas trazidas pela transição digital;
OA4: Explorar casos, estratégias e métodos de aplicação que permitam compreender os reais impactos da transição digital nas profissões, empresas e organizações."
CP1. O trabalho é hoje diferente do que foi no passado? CP2. Como é que a teoria tem olhado para a tecnologia?
CP3. Que tecnologias para o futuro?
CP4. Que futuro para o trabalho?
CP5. A inteligência artificial é assim tão inteligente?
CP6. Onde começa a precariedade?
CP7. Os trabalhadores das plataformas precisam de contratos de trabalho?
CP8. De quem é a culpa quando a máquina erra?
CP9. As tecnologias digitais alteram a relação entre sindicatos e empresas?
CP10. O teletrabalho torna as pessoas mais felizes?
CP11. Portugal e a transformação digital?
Avaliação periódica:
Realização de uma Aula Invertida. Cada Aula Invertida representa 20% da nota final, com nota mínima de 8 valores. Pergunta e resposta semanal que representa 10% da nota final, com nota mínima de 8 valores. Realização de um trabalho individual, distribuído por 3 momentos de avaliação, com nota mínima de 8 valores em cada um, representando 35% da nota final. Realização de um trabalho de grupo, representando no total 35% (10% a apresentação de grupo e 25% a entrega do trabalho escrito), com nota mínima de 8 valores. A média das avaliações terá de ser igual ou superior a 9,5 valores.
Avaliação por exame (1ª Época em caso de escolha do estudante, 2ª Época e Época Especial): Exame presencial (100% da nota final) "
Title: Autor, David H., "Why Are There Still So Many Jobs? The History and Future of Workplace Automation.", 2015, Journal of Economic Perspectives, 29 (3): 3-30.
Benanav, A, Automation and the Future of Work, 2020, London: Verso
Boreham, P; Thompson, P; Parker, R; Hall, R, New Technology at Work, 2008, Londres: Routledge.
Crawford, C, The Atlas of AI. Power, Politics, and the Planetary Costs of Artificial Intelligence, 2021, Yale University Press.
Edgell, S., Gottfried, H., & Granter, E. (Eds.). (2015). The Sage Handbook of the sociology of work and employment.
Grunwald, A. (2018). Technology Assessment in Practice and Theory. London: Routledge.
Huws, U. (2019) Labour in Contemporary Capitalism, London, Palgrave.
OIT (2020), As plataformas digitais e o futuro do trabalho
Agrawal A, Gans J, Goldfarb A (2018), Prediction Machines, Boston, Massachusetts, Harvard Business Review Press.
Autor D (2022), The labour market impacts of technological change, Working Paper 30074, NBER Working Paper Series.
Authors:
Reference:
Year:
Title: Berg J, Furrer M, Harmon E, Rani U, Silberman M (2020), As plataformas digitais e o futuro do trabalho, Geneva, International Labour Office.
Braun J, Archer M, Reichberg G, Sorondo M (2021), Robotics, AI and Humanity, Cham, Springer.
Degryse, Cristophe (2016), Digitalisation of the Economy and its Impact on Labour Markets, WP 2016.2, ETUI
ILO (2018), The economics of artificial intelligence: Implications for the future of work, Geneva, International Labour Office.
ILO (2019) Work for a Brighter Future – Global Commission on the Future of Work. Report. Geneva, International Labour Office.
Lane M, Saint-Martin A (2021), The impact of Artificial Intelligence on the labour market: What do we know so far?, OECD.
OECD (2019b), How’s Life in the Digital Age?, OECD Publishing, Paris.
Valenduc, Gérard & Vendramin, Patricia (2019), The mirage of the end of work, FB 6/2019, ETUI
WEF (2023), Future of Jobs Report 2023, Geneva, World Economic Forum.
Zuboff S (2019), The Age of Surveillance Capitalism, PublicAffairs.
Authors:
Reference:
Year:
Álgebra Linear Numérica
OA1. Aprofundar os conceitos de espaço vetorial e de subespaço vetorial;
OA2. Compreender o conceito de ortogonalidade e aplicar métodos de ortogonalização;
OA3. Aprofundar e aplicar o conhecimento de valores e vetores próprios;
OA4. Classificar formas quadráticas e aplicar na resolução de problemas;
OA5. Compreender as aplicações apresentadas dos conceitos abordados;
OA6. Aplicar métodos iterativos para aproximar a solução de sistemas de equações lineares (sistemas lineares);
OA7. Compreender como as decomposições matriciais facilitam as abordagens algébricas e a aplicação eficiente da teoria em abordagens computacionais;
OA8. Construir algoritmos computacionais.
CP1 Espaços vetoriais euclidianos. Ortogonalidade. Projeções. Base ortogonal. Normas matriciais.
CP2 Ortogonalização de Gram-Schmidt.
CP3 Matrizes complexas. Valores e vetores próprios de skew-Hermiteanas. Decomposição. de Schur. Teorema espetral.
CP4 Formas lineares e bilineares. Formas quadráticas. Teorema de Sylvester. Identificação de cónicas
CP5 Aritmética finita. Erro de arredondamento. Armazenamento.
CP6 Métodos diretos e indiretos para sistemas lineares.
CP7 Consistência, convergência e estabilidade dos métodos numéricos estudados.
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: 2 trabalhos práticos em Python (20% cada) + Teste 1 durante o semestre (30%) + Teste 2 na data do primeiro exame (30%).
Todas as ferramentas de avaliação (testes e trabalhos práticos) são obrigatórias com nota mínima de 7 valores.
- Avaliação por Exame (100%).
Há a possibilidade de realização de orais.
Title: Ford W. (2015). Numerical Linear Algebra with Applications - using MATLAB. Elsevier
Burden R., Douglas Faires J. (2005). Numerical Analysis. Brooks/Cole Cengage Learning
Gupta R.K. (2019). Numerical Methods: Fundamentals and Applications. Cambridge University Press.
Kong Q., Siauw T., Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists, Elsevier Inc..
Lay, D.C. (2015). Linear Algebra and its Applications. Addison Wesley. Pearson.
Blyth T.S., Robertson E.F. (2002). Further Linear Algebra. Springer.
Deisenroth M.P., Faisal A.A., Soon Ong C. (2020). Mathematics for Machine Learning. Cambridge University Press [electronic resource: https://mml-book.github.io/book/mml-book.pdf]
Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.
Authors:
Reference:
Year:
Title: Lima E.L. (2015). Geometria Analítica e Álgebra Linear. Coleção Matemática Universitária, IMPA.
Cabral I., Perdigão C., Saiago C. (2018). Álgebra Linear Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções (5ª edição). Escolar Editora.
Anton H., Rorres C. (2010). Elementary Linear Algebra - Applications Version. John Wiley and Sons.
Hanselman, D., Littlefield, B. and MathWorks Inc. (1997). The Student Edition of MATLAB, 5th Version, Prentice-Hall
Authors:
Reference:
Year:
Algoritmia e Estrutura de Dados
No final da UC os alunos deverão ser capazes de:
OA1: Criar e manipular estruturas de dados
OA2: Aplicar os algoritmos de ordenação e de pesquisa mais apropriados para um determinado problema
OA3: Analisar a complexidade e o desempenho de um algoritmo
OA4. Identificar, implementar e analisar as estruturas de dados e os algoritmos mais adequados a um determinado problema
CP1. A estrutura de dados Union-Find
CP2. Análise de algoritmos
CP3: Estruturas de dados: pilhas, filas, listas, sacos
CP4: Ordenação elementar: selectionsort, insertionsort, shellsort
CP5: Ordenação avançada: mergesort, quicksort, heapsort
CP6. Complexidade dos problemas de ordenação
CP7: Filas com prioridade
CP8. Tabelas de símbolos elementares
CP9. Árvores de pesquisa binária
CP10. Árvores de pesquisa equilibradas
CP11. Tabelas de dispersão
Época 1: Avaliação Periódica ou Exame Final
Avaliação Periódica:
-2 Testes (90%), com componente teórica e prática. Média final mínima de 9,5, distribuído da seguinte forma: (45%) Teste 1 com nota mínima 7,5 e (45%) Teste 2 com nota mínima 7,5
-(10%) Tarefas de aplicação e demonstração de conhecimentos
Avaliação por Exame:
- (100%) Exame Final com componente teórica e prática
Os estudantes têm acesso à avaliação por Exame na Época 1 se a escolherem no início do semestre ou se reprovarem na Avaliação Periódica.
Época 2: Exame Final
- (100%) Exame Final com componente teórica e prática
Época Especial: Exame Final
- (100%) Exame Final com componente teórica e prática
Title: Para as licenciaturas Python: Python - Algoritmia e Programação Web, FCA,
Para as licenciaturas Java: Estruturas de Dados e Algoritmos em Java, FCA
Introduction to Algorithms, 3rd edition, MIT Press,
Algorithms, 4th edition, Addison-Wesley, 2012
Authors:
Reference:
Year:
Cálculo A Múltiplas Variáveis
OA1 Apreender a generalização de limite, continuidade e diferenciabilidade em funções multivariável
OA2 Calcular derivadas parciais e segundo qualquer vetor não-nulo
OA3 Interpretar o vetor gradiente como direcção de máximo crescimento da função
OA4 Decidir sobre a existência de plano tangente
OA5 Obter o desenvolvimento de Taylor em várias ordens explorar numericamente
OA6 Aprofundar os conhecimentos em sucessões e séries com a abordagem das funções
OA7 Aplicar as fórmulas de Taylor à determinação de extremos livres, nomeadamente com uso de valores próprios
OA8 Escrever integrais duplos em diferentes ordens de integração e escolher uma delas para efectuar o cálculo
OA9 Aprofundar o cálculo integral a uma variável com a abordagem de integrais de dimensão superior
OA10 Aplicar os conteúdos da UC em problemas com contexto real
OA11 Articular as diferentes abordagens dos conteúdos: gráfica, numérica e algébrica
CP1. Topologia de Rn. Vizinhança e ponto de acumulação
CP2. Função real e vetorial multivariável. Curva de nível e transformações ao gráfico. Limites direcionais e continuidade
CP3. Derivadas parciais e vetor gradiente. Aproximação linear e diferenciabilidade. Regra da cadeia. Derivada direcional
CP4. Aproximações de Taylor de ordem superior. Teor. da função implícita e da função inversa
CP5. Matrizes Hessiana e aplicação a extremos livres. Condições de otimalidade.
CP6 Equações diferenciais ordinárias exatas
CP7. Integrais duplos e triplos. Teor. de Fubini. Mudança de coordenadas. Coordenadas polares e esféricas
CP8. Campos de vetores e formas diferenciais. Relação entre formas e campos. Propriedades
CP9. Curvas e superfícies parametrizadas. Vetores tangente e normal. Regularidade
CP10. Integrais de linha e de superfície. Teoremas de Green, de Stokes e de Gauss. Campo conservativo
CP11. Aplicações dos conceitos em problemas de contexto real
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: Teste 1 (15%) + Teste 2 (15%) + Trabalho prático em Python (15%) + 5 Mini-testes online (15%) + Teste Final/Frequência (40%); é exigida nota mínima de 7 valores (escala 1-20) na média dos Testes 1 e 2 e também no Teste Final
- Avaliação por exame (100%), em qualquer das épocas, com prova escrita individual.
Title: Stewart, J. (2013). Cálculo. Vol II, 7ª Edição [tradução EZ2 Translate, São Paulo]. Cengage Learning [recurso eletrónico: https://profmcruz.files.wordpress.com/2019/03/calculo-james-stewart-7-edic3a7c3a3o-volume-2.pdf].
Lipsman, R.L., Rosenberg, J.M. (2018). Multivariable Calculus with MATLAB. Springer.
Strang, G. (2007). Computational Science and Engineering, Wellesley-Cambridge Press .
Kong Q., Siauw T., M. Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists. Elsevier Inc..
Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.
Authors:
Reference:
Year:
Title: Quarteroni A., Saleri F. (2007). Cálculo Científico com o MATLAB e o Octave. Springer.
Lima E.L. (2000). Curso de Análise, Vol 2, (Projeto Euclides). IMPA.
Authors:
Reference:
Year:
Planeamento e Gestão de Projetos
No final desta UC, o aluno deverá estar apto a:
OA.1 Definir requisitos para um projeto tecnológico
OA.2. Elaborar o cronograma de acordo com os objetivos propostos para o projeto
OA.3. Desenvolver o projeto de acordo com os requisitos
OA.4. Desenvolver plano de testes
OA.5. Testar o projeto (parciais e icomo um todo)
OA.6. Fazer as adaptações
OA.7. Técnicas para apresentação de projetos tecnológicos
OA.8. Preparação de demonstração das suas funcionalidades
OA9: Normas para a elaboração de relatórios técnicos
I. Introdução à inovação tecnológica de acordo com os eixos da Europa
II. Planeamento de um projeto tecnológico e as suas fases
III. Aspetos essenciais para o desenvolvimento de um projeto
IV. Definição de recursos materiais
V. Orçamento de um projeto
VI. Plano de Testes parciais e de conjunto
VII. Apresentação de um projeto tecnológico
VIII. Demonstração de projeto tecnológico
IX. Elaboração de Relatório Técnico
Avaliação periódica:
- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação e demonstração: 40%; relatório final: 30%; As apresentações, demonstração e defesa são em grupo.
Title: Lester A. (2017), Project Management Planning and Control, 7th edition, Elsevier Science & Technology.
Tugrul U. Daim, Melinda Pizarro, e outros. (2014), Planning and Roadmapping Technological Innovations: Cases and Tools (Innovation, Technology, and Knowledge Management), Spinger.
Authors:
Reference:
Year:
Apresentações em Público com Técnicas Teatrais
Objetivos de Aprendizagem:
OA1. Desenvolver competências de comunicação oral
OA2. Melhorar a expressão corporal
OA3. Dominar a arte da utilização do aprelho vocal
OA4. Aprender técnicas de performance
Compatibilidade com o Método de Ensino:
O curso combina teoria e prática, proporcionando aos estudantes uma experiência imersiva no mundo das apresentações em público com técnicas teatrais. O método de ensino é interativo e participativo, incentivando os alunos a colocarem em prática os conceitos aprendidos através de exercícios individuais e em grupo.
Os conhecimentos adquiridos envolvem quer a teoria teatral, quer as técnicas específicas de comunicação oral. Os estudantes aprenderão sobre os fundamentos da expressão vocal, interpretação de personagens e improvisação, adaptando esses conhecimentos ao contexto das apresentações em público.
CP1 - Preparação para a apresentação (3 horas)
CP2 - Comunicação não verbal (3 horas)
CP3 - Introdução à utilização do aparelho vocal (3 horas)
CP4 - Introdução ao termo Performance (3 horas)
Modalidade de avaliação contínua:
Apresentações Práticas (50%): Os estudantes serão avaliados com base nas suas apresentações em público durante o curso. Serão considerados critérios como: clareza de comunicação, expressão vocal e corporal, uso de técnicas teatrais e performance. As apresentações poderão ser individuais ou em grupo, dependendo das atividades propostas.
Exercícios e Tarefas Escritas (50%): Além das apresentações práticas, os estudantes irão ser solicitados a realizar exercícios e tarefas escritas relacionadas com os conteúdos abordados. Estes podem incluir: reflexões sobre técnicas aprendidas, análise de casos de estudo, respostas a perguntas teóricas ou, até mesmo, a criação de roteiros de apresentação. Estas atividades ajudarão a avaliar a compreensão concetual dos conteúdos lecionados.
Para poder concluir a unidade curricular na modalidade de avaliação contínua o estudante tem de estar presente em 75% das aulas.
Embora não seja recomendado, os alunos poderão optar pela avaliação final através de um trabalho escrito e de uma apresentação presencial (100%).
Title: -
Authors:
Reference:
Year:
Title: -
-
Authors:
Reference:
Year:
Introdução ao Design Thinking
OA1. Adquirir conhecimentos sobre os fundamentos e etapas do processo de Design Thinking
OA2. Desenvolver competências como pensamento crítico, colaboração, empatia e criatividade.
OA3. Aplicar o Design Thinking na resolução de problemas em diversas áreas, promovendo a inovação e a melhoria contínua.
CP1. Introdução ao Design Thinking e Etapa 1: Empatia (3h)
CP2. Etapas 2 e 3: Definição do problema e Ideação (3h)
CP3. Etapa 4: Prototipagem (3h)
CP4. Etapa 5: Teste e aplicação do Design Thinking em diferentes áreas (3h)
Modalidade de avaliação contínua
Participação em aula (20%): avalia a presença, envolvimento e contribuição dos estudantes nas discussões e atividades em sala de aula.
Trabalho individual (40%): os estudantes irão desenvolver um projeto individual aplicando o Design Thinking para resolver um problema específico. Serão avaliados quanto à aplicação das etapas do Design Thinking, qualidade das soluções propostas e criatividade.
Trabalho em grupo (40%): os estudantes formarão grupos para desenvolver um projeto conjunto, aplicando o Design Thinking na resolução de um desafio real. A avaliação será baseada na aplicação das etapas do Design Thinking, qualidade das soluções e colaboração entre os membros do grupo.
Para poder concluir a unidade curricular na modalidade de avaliação contínua o estudante tem de estar presente em 75% das aulas.
Ainda que não seja recomendado, os/as estudantes podem optar pela avaliação final através de um trabalho escrito individual e discussão oral (100%).
Title: -
-
-
-
Authors:
Reference:
Year:
Title: -
-
-
-
Authors:
Reference:
Year:
Trabalho Académico com Inteligência Artificial
"OA1. Conhecimento sobre a estrutura, linguagem e procedimentos éticos e normativos para elaboração de textos académicos.
OA2.Competências de utilização de algoritmos generativos para assistência à elaboração de trabalhos académicos.
OA3. Competências de análise e escrutínio da independência, pertinência e fiabilidade dos dados gerados por IA.
OA4. Competências gerais de reconhecimento das implicações éticas e cívicas subjacentes ao acesso, partilha e utilização de ferramentas de IA em contexto académico."
"CP1. Introdução: escrita académica e algoritmos generativos (3h)
CP2. Procedimentos de planeamento e construção de textos argumentativos com auxílio de IA (3h)
CP3. Análise crítica de textos produzidos: identificação e referenciação de fontes de dados e análise da sua relevância face aos objetivos dos trabalho académico (3h)
CP4. Oportunidades e riscos de utilização de IA: guia de boas práticas para acesso, partilha e utilização de ferramentas de IA em contexto académico (3h)"
"Modalidade de avaliação contínua:
Participação em aula: avalia a presença, envolvimento e contributo individual dos estudantes nas discussões e atividades em sala de aula (20%).
Trabalho em grupo: os estudantes terão que formar grupos para rever e editar os textos académicos entre os mesmos, utilizando os algoritmos generativos. A avaliação será baseada na qualidade das revisões, edições e feedbacks fornecidos (40%)
Relatório individual: com uma reflexão aprofundada sobre as questões cívicas e éticas colocadas na utilização de ferramentas de IA como auxílio de escrita académica (40%).
Existe nota mínima de 7 valores para todas as componentes de avaliação.
Para poder concluir a unidade curricular na modalidade de avaliação contínua o estudante tem de estar presente em 75% das aulas.
Ainda que não seja recomendado, os/as estudantes podem optar pela avaliação final através de um trabalho escrito e discussão oral (100%). "
Além das apresentações práticas, os estudantes irão ser solicitados a realizar exercícios e tarefas escritas relacionadas com os conteúdos abordados. Estes podem incluir: reflexões sobre técnicas aprendidas, análise de casos de estudo, respostas a perguntas teóricas ou, até mesmo, a criação de roteiros de apresentação. Estas atividades ajudarão a avaliar a compreensão concetual dos conteúdos lecionados.
Title: -
-
-
-
Authors:
Reference:
Year:
Title: -
Authors:
Reference:
Year:
Análise Numérica
São objetivos de aprendizagem (OAs) desta UC:
OA1. Ter a perceção da relevância e desafios existentes no domínio de resolução analítica e numérica de modelos não-lineares;
OA2. Identificar as principais metodologias para resolução de modelos não-lineares estáticos;
OA3. Identificar as principais metodologias para resolução de modelos lineares e não-lineares dinâmicos;
OA4. Aprender a usar métodos de aproximação numérica para resolução de modelos não-lineares, quando não existe uma solução analítica;
OA5. Compreender porque é necessário recorrer a aproximação numérica e quais são as consequências de uma aproximação inexata;
OA6. Reconhecer a importância dos métodos de aproximação numérica para a determinação de uma solução de um problema não-linear e a variedade das suas aplicações em problemas reais.
OA7. Comunicar os resultados da computação numérica, com explicações adequadas e claras apoiadas em suporte gráfico.
Esta UC tem os seguintes conteúdos programáticos (CPs):
CP1. Introdução aos métodos numéricos com Python
CP2. Convergência e estabilidade. Erro e perda de significado da aproximação numérica.
CP3. Derivação numérica; solução de equações diferenciais ordinárias de primeira ordem (método de Runge?Kutta); existência e unicidade de soluções
CP4. Integração numérica: fórmulas de Newton-Cotes e quadratura de Gauss-Legendre para diferente número de pontos; mudança de intervalo; interpretação gráfica da quadratura; erro de integração
CP5. Zeros de uma função e procura de extremos de funções (com e sem diferenciabilidade, com e sem continuidade); métodos da bissecção e de Newton, método da secante. Introdução à solução de sistemas de equações não-lineares (método de Newton para sistemas)
CP6. Equações com diferenças e métodos iterativos
CP7. Solução de equações diferenciais ordinárias de ordem superior (aproximações de diferenças finitas de Euler)
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: 1 teste intercalar (25%) + atividades de trabalho autónomo (TA) semanal (10%) + 1 projeto em trabalho de grupo (25%) + teste final (40%); é exigida nota mínima de 7 valores (escala 1-20) em cada um dos testes intercalar e final
- Avaliação por exame (100%), em qualquer das épocas, com prova escrita individual.
Title: Gupta R.K., (2019). Numerical Methods: Fundamentals and Applications. Cambridge University Press.
Kong Q, Siauw T., Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists. Elsevier Inc..
Cohen H., Numerical Approximation Methods. Springer New York., 2011, null,
Authors:
Reference:
Year:
Title: Allen, M.B., Isaacson, E.L. (2019). Numerical analysis for applied science. John Wiley & Sons, Inc..
Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.
Christian C. (2017). Differential Equations: A Primer for Scientists and Engineers, Second Edition. Springer International Publishing.
Authors:
Reference:
Year:
Empreendedorismo e Inovação I
No final da UC, o aluno deverá estar apto a: OA.1. Perceber o que é o empreendedorismo; OA.2. Conceber ideias inovadoras, usando técnicas de ideação e de ?design thinking?;OA.3. Elaborar propostas de valor, modelos de negócio e planos de negócio;OA.4. Promover a empresa, produtos e serviços; OA.5. Desenvolver, testar e demonstar a funcionalidade de produtos, processos e serviços de base tecnológica; OA.6. Analisar a escalabilidade do negócio; OA.7. Preparar planos de internacionalização e de comercialização; OA.8. Procurar e analisar as fontes de financiamento
I. Introdução ao Empreendedorismo; II. Técnicas de geração e discussão de ideias; III. Criação de Propostas de Valor; IV. Comunicação de ideias de negócio; V. Desenho de Modelos de Negócio; VI. Elaboração de Planos de Negócio; VII. Teste e avaliação de protótipos de produtos, processos e serviços; VIII. Análise de escalabilidade; IX. Internacionalização e comercialização; X. Fontes de financiamento
Avaliação periódica:- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação: 30%; relatório final: 40%; As apresentações, demonstrações e defesa são em grupo.
BibliografiaTitle: Osterwalder, A., & Pigneur, Y. (2014). Value Proposition Design: How to Create Products and Services Customers Want. John Wiley & Sons.
Osterwalder, A., & Pigneur, Y. (2010). Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. John Wiley & Sons;
Burns, P. (2016). Entrepreneurship and Small Business. Palgrave Macmillan;
Mariotti, S., Glackin, C. (2015). Entrepreneurship: Starting and Operating A Small Business, Global Edition. Pearson; Dorf. R., Byers, T. Nelson, A. (2014). Technology Ventures: From Idea to Enterprise. McGraw-Hill Education;
Authors:
Reference:
Year:
Grafos e Redes Complexas
OA1. Compreender a linguagem da teoria de grafos, e a correspondente em ciência de redes, bem como a emergência destas áreas científicas.
OA2. Distinguir grafos de redes e os cenários de aplicação de cada uma das áreas científicas.
OA3. Representar problemas na estrutura de grafo ou de rede.
OA4. Avaliar de forma crítica a adopção de um modelo em rede, incluindo a partir de dados empíricos.
OA5. Compreender as medidas a extrair de um modelo e as características dos nós/vértices e dos arcos/arestas.
OA6. Executar pesquisas em grafos e em redes.
OA7. Dar os primeiros passos em detecção, inferência e controlabilidade.
OA8. Saber utilizar software para representação e visualização de redes.
OA9. Relacionar a aprendizagem em grafos e redes com temas e problemas abordados em outras UCs.
Esta UC tem os seguintes conteúdos programáticos (CPs):
CP1 Introdução: como as redes estão presentes em todo o lado
CP2 Fundamentos e representação de grafos
CP3 Caminhos e pesquisas em redes: Dijkstra e A*
CP4 Medidas de centralidade e estrutura
CP5 Distribuições e algoritmos
CP6 Redes aleatórias
CP7 Representação e visualização de redes usando Python e o software NetworkX
CP8 Modelo mundos pequenos
CP9 Redes livres de escala
CP10 Adaptação de dados empíricos a modelos de rede
CP11 Introdução às aplicações e tópicos avançados de redes complexas
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: 1 trabalho de projeto em Python realizado em grupo (50%) + 1 teste (40%) + atividades de trabalho autónomo (10%); todos os elementos de avaliação têm nota mínima de 7 valores (escala 1-20).
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.
Title: Maarten van Steen, Graph Theory and Complex Networks, 2010, 9081540610,
Mark Newman, Networks, 2018, 978-0198805090,
Authors:
Reference:
Year:
Title: Menczer F., Fortunato S., Davis C.A., A first course in network science (Cambridge University Press), 2020, 978-1108471138,
Sayama H., Introduction to the Modeling and Analysis of Complex Systems. Open SUNY Textbooks. Milne Library., 2015, null,
Erwin Kreyszig, Advanced Engineering Mathematics, 2011, 978-0470458365,
Authors:
Reference:
Year:
Inteligência Artificial
Após a conclusão da UC, os alunos devem:
OA1: Reconhecer as vantagens e desafios da utilização de técnicas e abordagens de IA, demonstrando consciência crítica sobre métodos de procura informados e não informados.
OA2: Selecionar e justificar as abordagens tecnológicas e algoritmos mais apropriados, incluindo métodos de procura, representação e lógicas de raciocínio.
OA3: Aplicar os conceitos e técnicas abordadas na conceção e desenvolvimento de sistemas baseados em IA, bem como na modelação de exemplos baseados em cenários reais.
OA4: Desenvolver, implementar e avaliar soluções que envolvam a lógica de predicados e a programação em lógica.
OA5: Compreender os fundamentos dos algoritmos genéticos, sendo capazes de implementá-los e adaptá-los para resolver problemas específicos.
OA6: Trabalhar de forma autónoma e em grupo para desenvolver projetos que aplicam os conhecimentos adquiridos, mostrando capacidade de adaptação e resolução de problemas complexos na área de IA.
P1: Noções fundamentais de IA com destaque para a abordagem baseada em procura.
P2: Algoritmos de procura: profundidade primeiro e largura primeiro, A*, greedy BFS, Dijkstra.
P3: Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em conhecimento.
P4: Lógica de predicados de primeira ordem: representação e dedução.
P5: Conhecimento declarativo representado em Programação em Lógica.
P6: Algoritmos genéticos.
A avaliação períodica ao longo do semestre é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 4 mini-tarefas [7,5% cada mini-tarefa * 4 = 30%]
- BA2: 2 mini-testes [20% cada mini-teste * 2 = 40%]
- BA3: 1 projeto em Inteligência Artificial [30%]
Avaliação por exame:
- 1ª Época [100%]
- 2ª Época [100%]
Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual.
A avaliação por exame consiste num exame escrito que abrange todos os conhecimentos previstos nos conteúdos programáticos da UC, e possui uma ponderação de 100%.
A presença nas aulas não é obrigatória.
Title: Bishara, M. H. A., & Bishara, M. H. A. (2019). Search algorithms types: Breadth and depth first search algorithm
Brachman, R., & Levesque, H. (2004). Knowledge representation and reasoning. Morgan Kaufmann
Clocksin, W. F., & Mellish, C. S. (2003). Programming in Prolog. Springer Berlin Heidelberg.
Russell, S. & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Prentice Hall.
S., V. C. S., & S., A. H. (2014). Artificial intelligence and machine learning (1.a ed.). PHI Learning.
Authors:
Reference:
Year:
Introdução à Estatística e Probabilidades
OA1 Compreender o significado de probabilidade e evento probabilístico, incluindo as noções de evento, resultado e espaço amostral
OA2 Familiarizar-se com o formalismo matemático das probabilidades e, em particular, com a abordagem axiomática
OA3 Ser capaz de calcular resultados de probabilidade simples usando combinatória e compreender o conceito de probabilidade condicionada
OA4 Compreender o conceito de variável aleatória e como pode ser caracterizada, incluindo através de distribuições de probabilidade
OA5 Identificar diferentes tipos de distribuições e iniciar-se na modelação de fenómenos do mundo real
OA6 Saber descrever uma amostra, pondo em evidência as características principais e as propriedades
OA7 Compreender os princípios fundamentais do raciocínio estatístico, a nível descritivo e inferencial
OA8 Ter espírito crítico quanto ao grau de certeza de uma inferência
OA9 Ser capaz de usar R ou Phyton como uma ferramenta computacional na UC
CP1 Álgebra de conjuntos. Conceitos de probabilidade. Espaços de probabilidade, amostral e de acontecimentos. Medida. Axiomas de Kolmogorov
CP2 Amostragem e distribuição. Regras de contagem. Cálculo pela lei de Laplace
CP3 Probabilidade condicionada discreta e contínua. Independência. Densidade. Teorema de Bayes
CP4 Experiência determinista vs estocástica. Variáveis aleatórias discreta e contínua. Função de distribuição e de densidade. Lei dos grandes números e lema de Chebyshev. Teorema do limite central
CP5 Distribuições: normal, binomial, uniforme, de Poisson, de Bernoulli, t-student, exponencial, qui-quadrado. Valor esperado, variância. Função geradora de momentos
CP6 Estatística descritiva vs indutiva. Amostra aleatória. Medidas amostrais: localização central e relativa, dispersão e assimetria
CP7 Inferência: estimação de parâmetros (pontual e intervalar), intervalos de confiança e testes de hipóteses. Máxima verossimilhança. Testes de ajustamento de Pearson, K-S e contingência.
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: Teste 1 (35%) + Teste 2 (35%) + 1 trabalho prático em Python (ou R) (25%) + 2 mini-testes online (5%), ou
- Avaliação por Exame (75%), em qualquer uma das épocas de exame, onde o trabalho prático (acima referido) mantêm o peso de 25%.
Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).
Title: Blitzstein, J. K., Hwang J. (2015). Introduction to probability. Chapman and Hall/CRC.
Baclawski, K. (2008). Introduction to Probability with R, Chapman & Hall/CRC
André, J. (2018). Probabilidades e Estatística Para Engenharia, 2ª Edição. Lidel.
Authors:
Reference:
Year:
Title: Reis, E., P. Melo, R. Andrade, Calapez, T. (2014). Exercícios de Estatística Aplicada, Vol. 2, 2ªed, Lisboa, Sílabo.
Reis, E., P. Melo, R. Andrade e Calapez, T. (2012). Exercícios de Estatística Aplicada, Vol. 1, 2ªed, Lisboa, Sílabo.
Reis, E., P. Melo, R. Andrade, Calapez, T. (2016). Estatística Aplicada, Vol. 2, 5ªEdição. Sílabo.
Reis, E., P. Melo, R. Andrade, Calapez, T. (2015). Estatística Aplicada, Vol. 1, 6ª Edição. Sílabo.
Wackerly, D., Mendenhall, W., Scheaffer, R. L. (2008). Mathematical statistics with applications. Cengage Learning.
Authors:
Reference:
Year:
Aprendizagem Automática Supervisionada
OA1. Conhecer a história da aprendizagem automática; conhecer e compreender os diferentes tipos de aprendizagem automática: conceitos, fundamentos e aplicações
OA2. Conhecer os conceitos que permitem realizar uma Análise Exploratória de Dados (EDA), como também compreender a importância na resolução de problemas e na tomada de decisão
OA3. Aprender mecanismos de Data Wrangling - preparação de dados para serem alvo de input para um algoritmo supervisionado
OA4. Conhecer a utilização de variáveis contínuas e categóricas; distinguir classificação e regressão
OA5. Conhecer e analisar os resultados através da aplicação de métricas de avaliação de desempenho
OA6. Compreender os algoritmos supervisionados: árvores de decisão, regressão linear e logística, SVMs, Naive-Bayes e k-NN
OA7. Compreender algoritmos de ensemble: bagging e boosting
OA8. Conhecer e compreender o funcionamento das Redes Neuronais Artificiais (RNA)
OA9. Conhecer e compreender a otimização de hiperparâmetros
CP1. Introdução à Aprendizagem Automática: A história, fundamentos e conceitos base
CP2. Análise Exploratória de Dados (EDA): Data Wrangling e Data Visualization
CP3. Classificação e Regressão; Variáveis contínuas e categóricas / discretas; métricas de avaliação de performance
CP4. Aprendizagem supervisionada: SVM, Árvores de Decisão, Regressões Linear e Logística, Naive-Bayes e k-NN.
CP5. Bagging e Boosting em algoritmos supervisionados
CP6. Redes Neuronais Artificiais
CP7. Otimização de hiperparâmetros
Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação a 100% por projeto, pelo que esta UC não contempla exame final. A avaliação é realizada ao longo do semestre e é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 1ª tutoria + 1º mini-teste [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%]
- BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%]
- BA3: 1 projeto final [40%]
As tutorias consistem em discussões orais individuais que permite avaliar o desempenho dos alunos nos projetos propostos para a realização da tutoria.
Os mini-testes permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados também em tutoria.
O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre, onde poderá haver participação de organizações externas / empresas no desafio proposto.
A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.
A presença nas aulas não é obrigatória.
Title: Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss Intelligence and Analytics: Systems for Decision Support. Prentice Hall.
VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.
Authors:
Reference:
Year:
Title: 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.
Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc.
Avila, J. (2017). Scikit-Learn Cookbook - Second Edition. Birmingham: Packt Publishing.
Mueller, J. P. (2019). Python for Data Science for Dummies, 2nd Edition (2.a ed.). John Wiley & Sons.
McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3.a ed.). O’Reilly Media.
Authors:
Reference:
Year:
Bases de Dados e Gestão de Informação
OA1 Conheçer os princípios básicos dos Sistemas de Informação e do seu papel nas organizações
OA2 Conheçer os conceitos fundamentais da Análise de Sistemas de Informação e saber desenvolver modelos semânticos (conceptuais) relativos a sistemas descritos em texto, através de aplicação prática da linguagem UML e compreender a sua conversão em modelos de Bases de Dados Relacionais (BD-Rs)
OA3 Saber desenhar o Modelo Relacional de uma BD-R
OA4 Conheçer as formas normais e compreender a normalização duma BD-R existente com base em argumentos de desempenho
OA5 Saber criar e alterar a estrutura física duma BD-R por recurso à sintaxe da linguagem SQL
OA6 Saber utilizar as ferramentas de administração de um Sistemas de Gestão de Base de Dados
OA7 Desenvolver a autoaprendizagem, revisão por pares, trabalho em equipa, expressão oral e escrita
CP1 Introdução aos Sistemas de Informação e ao seu papel nas organizações
CP2 Introdução à Análise de Sistemas de Informação com linguagem UML: Introdução, análise de requisitos, modelos de dados, esquemas e diagramas UML
CP3 Desenho de Base de Dados. Modelo Relacional: relações, atributos, chaves primárias, chaves estrangeiras, regras de integridade, optimizações e índices
CP4 Normalização. Redundância e inconsistência de dados. Formas normais
CP5 Linguagem SQL ? Variáveis de tabelas, operadores de conjuntos, querys simples, subqueries, operadores (SELECT, Insert, delete, update), views, índices, triggers, stored procedures e transações
CP6 Introdução à administração de Sistemas de Gestão de Bases de Dados (SGBD)
Avaliação Períodica:
- 1 frequência a realizar a meio do semestre (30%)
- 1 frequência a realizar em 1ª Época (30%)
- 1 projecto de modelação e implementação (40%)
Ambas as frequências têm a nota mínima de 8 valores e a realização do projeto é obrigatória para efeitos de aprovação.
Avaliação por exame:
-1 Prova escrita com ponderação de 100%
A nota mínima de aprovação à unidade curricular é de 10 valores.
Title: Ramos, P, Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos, Editora Sílabo, 2ª Edição, 2007
Elmasri Ramez, Navathe Shamkant, "Fundamentals Of Database Systems", 7th Edition, Pearson, 2016
Damas, L., SQL - Structured Query Language, FCA Editora de Informática, 3ª Edição,2017
Authors:
Reference:
Year:
Title: Nunes, O´Neill, Fundamentos de UML, FCA Editora de Informática, 3ª Edição, 2004
C. J. Date, "SQL and Relational Theory: How to Write Accurate SQL Code", 3rd Edition, O'Reilly Media, 2011
Authors:
Reference:
Year:
Empreendedorismo e Inovação II
No final desta UC, o aluno deverá estar apto a:
OA.1. Apresentar a imagem do produto/serviço num sítio web
OA.2. Apresentar a imagem do produto/serviço em redes sociais
OA.3. Descrever as funcionalidades do produto/serviço
OA.4. Descrever as fases do plano de desenvolvimento
OA.5. Desenvolver a totalidade do protótipo
OA.6. Testar o protótipo em laboratório
OA.7. Realizar os ajustes para o funcionamento do produto, processo ou serviço
OA.8. Otimizar a produção do produto, processo ou serviço tendo em consideração aspetos económicos, impacto social e ambiental
OA.9. Rever o plano de negócio após desenvolvimento e testes, incluindo os vários aspetos de comercialização e imagem
OA.10. Definir o plano de manutenção e gestão de produto/serviço
I. Desenvolvimento da imagem do produto/serviço
II. Funcionalidades do produto/serviço
III. Plano de desenvolvimento
IV. Desenvolvimento do produto/serviço (web/mobile ou outro)
V. Revisão do plano de negócio
VI. Manutenção e gestão de produto/serviço
VII. Planos de certificação
VIII. Propriedade intelectual, patentes e documentação de suporte
IX. Principais aspetos para a criação de startup - jurídicos, contabilidade, registo, contratos, capital social, obrigações, impostos
Avaliação periódica:
- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação: 30%; relatório final: 40%; As apresentações, Demonstrações e Defesa são em grupo.
Title: Osterwalder, A., & Pigneur, Y. (2014). Value Proposition Design: How to Create Products and Services Customers Want. John Wiley & Sons.
Osterwalder, A., & Pigneur, Y. (2010). Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. John Wiley & Sons;
Burns, P. (2016). Entrepreneurship and Small Business. Palgrave Macmillan;
Dorf. R., Byers, T. Nelson, A. (2014). Technology Ventures: From Idea to Enterprise. McGraw-Hill Education;
Mariotti, S., Glackin, C. (2015). Entrepreneurship: Starting and Operating A Small Business, Global Edition. Pearson;
Authors:
Reference:
Year:
Modelação Financeira
OA1. Analisar, relacionar, comparar e sintetizar conceitos na resolução de problemas financeiros
OA2. Extrair informação por análise de modelos e fazer deduções a partir dos dados financeiros
OA3. Compreender conceitos e métodos utilizados em cálculo financeiro e em matemática financeira
OA4. Calcular juros simples e compostos, taxas, prestações e diferentes tipos de desconto
OA5. Entender e argumentar sobre equivalência de capitais, opções de financiamento e sistemas de amortização
OA6. Adquirir os conhecimentos analíticos básicos para aplicar o conceito de juro na solução de problemas de empréstimo e investimento de capital
OA7. Modelar relações financeiras usando o cálculo diferencial
OA8. Compreender a importância da modelação financeira para melhoria da performance empresarial
OA9. Aplicar a matemática nos processos financeiros de uma empresa (ou do mercado empresarial) e nos planos financeiros, quer sejam estratégicos (de longo prazo) quer sejam operacionais (de curto prazo).
CP1 Conceitos e termos em finanças. Análise e previsão de extratos financeiros. Previsão de receitas. Equivalência de capitais
CP2 Valor temporal do dinheiro. Orçamentação de tesouraria. Custo de capital. Lucro e break even
CP3 Orçamentação de capital: análise de risco com cenários e simulações de Monte Carlo
CP4 Avaliação de ações comuns e obrigações. Diversificação do tempo e risco de investimento a longo prazo
CP5 Modelos de carteiras. Estimativa do risco sistemático e testes dos modelos de preços de ativos
CP6 VBA em carteiras eficientes de variações médias. Otimização e análise de tipos de carteira. Abordagem Black-Litterman
CP7 Simulação de preços de ações e retornos de carteira. Simulação do crescimento dos ativos da reforma
CP8 Opções de preços e produtos estruturados com o modelo Black-Scholes
CP9 Modelo de preços da opção binomial. Método Monte Carlo para fixar preços de opções exóticas
CP10 Estimativa e controlo da sensibilidade à taxa de juro por estratégias de imunização
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: Trabalho prático (30%) + Teste (70%), ou
- Avaliação por Exame (100%).
Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).
Title: Chambers D.R., Qin L. (2021). Introduction to financial mathematics: with computer applications. Chapman & Hall/CRC Press. ISBN 978-0367410391
Wilders R.J. (2020). Financial Mathematics for Actuarial Science: The Theory of Interest. Taylor & Francis Group/CRC Press. ISBN: 978-0367253080
Ohsaki S., Ruppert-Felsot J., Yoshikawa D. (2018). R Programming and Its Applications in Financial Mathematics. Taylor & Francis Group/CRC Press. ISBN: 978-1498766098
Authors:
Reference:
Year:
Title: Beninga, S. (2014). Financial Modeling, 4th Edition. MIT Press. ISBN: 978-0262027281
Samanez C.P. (2010). Matemática Financeira, 5ª Edição. Pearson Prentice Hall.
Hazzan, S., Ponpeu, J.N. (2007). Matemática Financeira, 6ª Edição. Saraiva.
Authors:
Reference:
Year:
Otimização Matemática
OA1. Formular problemas em programação linear e não-linear, com ou sem restrições, programação inteira e inteira mista e programação por metas.
OA2. Distinguir problemas lineares de não-lineares
OA3. Adequar e aplicar os conhecimentos teóricos à resolução dos problemas concretos.
OA4. Resolver o modelo matemático e interpretar as soluções.
OA5. Interpretar os relatórios de análise de sensibilidade.
OA6. Entender os pressupostos teóricos inerentes às condições de otimalidade.
OA7. Entender a especificidade da otimização convexa.
OA8. Distinguir entre extremos locais e globais e as dificuldades na sua classificação.
OA9. Adequar e aplicar os métodos iterativos de busca em linha.
OA10. Distinguir as potencialidades e limitações dos métodos aplicados (convergência, robustez)
OA11. Efetuar análises técnicas (objetivo único) e tomar decisões de compromisso (múltiplos objetivos).
OA12. Identificar a abordagem ou algoritmo adequados para um determinado problema de otimização.
CP1. Formulação de problemas em otimização. Otimização livre versus condicionada
CP2. Programação linear versus não-linear
CP3. Condições de otimalidade. Limitações dos métodos analíticos
CP4. Conceito de conjunto convexo e de função convexa. Otimização convexa
CP5. Técnicas de resolução geométrica
CP6. Métodos em programação linear. Simplex e big-M
CP7. Dualidade; problema dual e algoritmo dual do Simplex
CP8. Interpretação da solução e análise de sensibilidade
CP9. Fundamentos de otimização discreta. Programação binária, inteira e inteira mista. Planos de corte. Métodos híbridos
CP10. Programação linear multi-objetivo. Programação por metas. Método sequêncial e das penalidades e pesos
CP11. Aproximações polinomiais e métodos de busca em linha. Critérios de convergência
CP12. Dualidade Lagrangeana. Condições de Karush-Kuhn-Tucker
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: Teste Intercalar (20%) + 2 Trabalhos de grupo em Python (2x15%) + Trabalho Autónomo (10%) + Teste Final/Frequência (40%); é exigida nota mínima de 7 valores (escala 1-20) no Teste Final
- Avaliação por Exame (100%), em qualquer uma das épocas de exame, com prova escrita individual.
Title: Taha, H.A. (2017). Operations Research: an introduction, 10th Ed.. Pearson.
Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cemgage Learning.
Hillier, F.S. Lieberman, G.J. (2014). Introduction to Operations Research, 10th Ed.. McGraw-Hill.
Nash, S.G, Sofer A. (1996). Linear and Nonlinear Programming. McGraw-Hill.
Authors:
Reference:
Year:
Title: Winston, W.L. (2004). Operations Research: Applications and Algorithms, 4th Ed.. Duxbury Press.
Authors:
Reference:
Year:
Matemática Computacional
São objetivos de aprendizagem (OAs) desta UC:
OA1. Familiarizar-se com os conceitos e resultados em análise complexa
OA2. Aprofundar o produto interno e o conceito de ortogonalidade com o estudo de funções ortogonais
OA3. Aprofundar a noção de série de funções, nomeadamente passando das séries de potências para séries de harmónicas trigonométricas e exponenciais harmónicas
OA4. Obter soluções de problemas de valor inicial com base na a análise de Fourier
OA5. Aplicar a transformada de Fourier, essencialmente com base nas suas propriedades
OA6. Obter as caracerísticas de um sinal, tanto no domínio do tempo como no da frequência
OA7. Aplicar MATLAB na exploração dos conteúdos, análise de sinais e descrição da análise de dados experimentais ou simulados
CP1. Polinómios e números complexos. Funções complexas elementares. Equação de Laplace. Séries de Laurent. Convergência pontual e uniforme. Fórmula de Euler
CP2. Método das variáveis complexas para derivação numérica de funções reais. Fórmulas integrais de Cauchy
CP3. Sinais discretos e contínuos. Periodicidade e função generalizada
CP4. Ortogonalidade de funções. Série de Fourier: forma trigonométrica e exponencial complexa. Convergência
CP5. Séries na solução de equações diferenciais (EDs). Separação de variáveis. Equação do calor. ED semi-linear. Equação da onda
CP6. Transformada de Fourier. Convolução. ED parcial de Black-Scholes
CP7. Diagramas (amplitude e fase) de sinais nos domínios do tempo e da frequência
CP8. Métodos discretos de Fourier. Transformada discreta de Fourier: aliasing e o teorema da amostra
CP9. Transformada rápida de Fourier (FFT) e métodos espectrais. Espectro de potência e teorema de Parseval
CP10. Aplicações a amostras de dados experimentais e de simulação
Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação periódica: Três trabalhos práticos em Python (20%+30%+40%=90%) em grupos de 2-3 alunos + minitestes online (10%), ou
- Avaliação por Exame (100%), em qualquer uma das épocas de exame.
Title: [5] Materiais científico-pedagógicos (slides, notas de desenvolvimento, código e pseudo código, fichas de exercícios, problemas) disponibilizados pela equipa docente. / Scientific-pedagogical materials (slides, lectures, code and pseudo code, exercise sheets, problems) provided by the teaching team.
[4] Pedro Girão (2014) Introdução à Análise Complexa, Séries de Fourier e Equações diferenciais, IST press
[3] Ronald L. Lipsman and Jonathan M. Rosenberg (2018) Multivariable Calculus with MATLAB, Springer
[2] A. V. Oppenheim, A. S. Willlsky (2013) Signals and Systems, 2nd Ed., Pearson
[1] Djairo G. Figueiredo (1987) Análise de Fourier e Equações Diferenciais Parciais. IMPA, 2ª Ed
Authors:
Reference:
Year:
Projeto de Matemática Aplicada I
No final da UC, o aluno deverá estar apto a:
OA1: Aplicar metodologias de cocriação no desenvolvimento de projetos inovadores triplamente sustentáveis (com valor económico, social e ambiental) em organizações.
OA2: Criar empatia com o utilizador e a sua organização (definir necessidades, obstáculos, objetivos, oportunidades, tarefas atuais e desejadas), definir o problema e as questões endereçadas pelo projeto.
OA3: Realizar uma revisão sistemática da literatura e uma análise do panorama competitivo (se aplicável), relacionados com o problema identificado e as questões levantadas.
OA4: Identificar os recursos digitais (incluindo a recolha de dados), computacionais e outros, necessários para abordar o problema.
OA5: Aplicar conhecimentos já consolidados de planeamento de projeto, gestão ágil e desenvolvimento do projeto, no âmbito do trabalho de grupo.
OA6: Participar em dinâmicas colaborativas e de cocriação e realizar apresentações escritas e orais, no contexto do trabalho de grupo.
C1 Metodologias de cocriação baseadas em Design Thinking e Design Sprint
C2 Objetivos de Desenvolvimento Sustentável (ODS) das Nações Unidas e criação de propostas de valor
C3 Apresentação de casos de estudo e temas de projeto de tecnologias digitais em matemática aplicada
C4 Seleção do tema de projeto e enquadramento na organização
C5 Espaço do problema: criação de empatia com o utilizador e com a sua organização, definição do problema e das suas questões relacionadas, considerando os requisitos de negócio, as necessidades dos clientes e utilizadores e os desafios tecnológicos
C6 Aplicação de uma metodologia de revisão sistemática da literatura e sua análise crítica. Análise da competição
C7 Identificação dos recursos digitais (incluindo a recolha de dados), computacionais e outros necessários para o desenvolvimento do projeto
C8 Aplicação de metodologias de gestão de projetos adequadas ao trabalho em grupo a desenvolver pelos alunos de matemática aplicada. Comunicação dos resultados
UC em avaliação periódica, não contemplando exame final, dada a adoção ao método de ensino por projeto aplicado a situações reais. As apresentações, demonstrações e discussão serão realizadas em grupo.
Pesos da avaliação:
R1 Relatório: Definição do Tema de Projeto: 5%
R2 Relatório: Empatia com o Utilizador e a Organização e Definição do Problema. Sua apresentação e discussão em grupo: 40%
R3 Relatório: Revisão da Literatura e Planeamento do Desenvolvimento do Projeto. Sua apresentação e discussão em grupo: 55%
Title: Outra bibliografia dependente dos temas específicos do projeto e das orgaizações onde os alunos o irão desenvolver.
Brown, T (2009), Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, HarperCollins, 2009, ISBN-13: 978-0062856623
Osterwalder, A., Pigneur, Y., Papadakos, P., Bernarda, G., Papadakos, T., & Smith, A. (2014). Value proposition design. John Wiley & Sons.
Knapp, J., Zeratsky, J., & Kowitz, B. (2016). Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days. Bantam Press.
Lewrick, M, Link, P., Leifer, L. (2020). The Design Thinking Toolbox, Wiley, ISBN 9781119629191
Authors:
Reference:
Year:
Tecnologia, Economia e Sociedade
O estudante que complete com sucesso esta UC será capaz de:
OA1. Identificar os principais temas e debates contemporâneos;
OA2. Analisar os temas e debates da atualidade de forma fundamentada;
OA3. Identificar as implicações da mudança tecnológica e da digitalização em termos económicos, sociais, culturais e ambientais;
OA4. Compreender o papel e a importância da tecnologia nos desafios das sociedades contemporâneas;
OA5. Explorar as fronteiras entre o conhecimento tecnológico e o conhecimento das ciências sociais;
OA6. Desenvolver formas de aprendizagem interdisciplinar e de pensamento crítico.
CP1. Debates XXI: mudança tecnológica e desafios societais contemporâneos.
CP2. Transição digital: significado e implicações.
CP3. Tecnologia, transformação social e desigualdades.
CP4. Ambiente e transições para a sustentabilidade.
CP5. Globalização, financeirização e desenvolvimento.
CP6. Capitalismo e democracia.
CP7. Migrações e multiculturalidade.
O processo de avaliação periódica compreende os seguintes elementos:
1. Preparação ao longo do semestre e apresentação em sala de um trabalho de grupo sobre mudança tecnológica e sociedade (40%).
2. Teste (60%).
A avaliação final compreende os exames de 1ª e 2ª época (100% da classificação).
Title: Pires, R. P.; Pereira, C.; Azevedo, J.; Vidigal, I., & Veiga, C. M. (2020). A emigração portuguesa no século XXI.?Sociologia, Problemas e Práticas, (94), 9-38
Marques, P., & Salavisa, I. (2017). Young people and dualization in Europe: a fuzzy set analysis.?Socio-Economic Review,?15(1), 135-160
Figay, N.; Silva, C.; Ghodous, P; Jardim-Gonçalves, R. (2015). Resolving interoperability in concurrent engineering, in Concurrent Engineering in the 21st Century: Foundations, Developments and Challenges, Springer International Publishing
Bento, N., Wilson, C., Anadon, L.D. (2018), ?Time to get ready: Conceptualizing the temporal and spatial dynamics of formative phases for energy technologies,? Energy Policy 119: 282-293
Barradas, R., & Lagoa, S. (2017). Financialization and Portuguese real investment: A supportive or disruptive relationship?.?Journal of Post Keynesian Economics,?40(3), 413-439
Authors:
Reference:
Year:
Title: Yearley, S. (2014).?Science, Technology, and Social Change (Routledge Revivals). Routledge
Wilson, C., Grubler, A., Bento, N., Healey, S., De Stercke, S., & Zimm, C. (2020). Granular technologies to accelerate decarbonization.?Science,?368(6486), 36-39
Silva, P. A., & Cadeiras, P. (2019). From Paris to Lisbon: The Ever-Changing European Social Policy Landscape. In?The Future of Pension Plans in the EU Internal Market?(pp. 255-281). Springer, Cham
Silva, J., Ferreira, J. C., & Gonçalves, F. (2019, September). The ??aftermath??of Industry 4.0 in Small and Medium Enterprises. In?IFIP Conference on Human-Computer Interaction?(pp. 26-33). Springer, Cham
Rodrigues, M. D. L., & Silva, P. A. (2016). A constituição e as políticas públicas em Portugal.?Sociologia, Problemas e Práticas, (ESP1), 13-22
Rego, R., Alves, P. M., Naumann, R., & Silva, J. (2014). A typology of trade union websites with evidence from Portugal and Britain.?European Journal of Industrial Relations,?20(2), 185-195
Ratto, M. (2011). Critical making: Conceptual and material studies in technology and social life.?The information society,?27(4), 252-260
Pires, R. P., Machado, F. L., Peixoto, J., & Vaz, M. J. (2010). Portugal: Atlas das migrações internacionais.?Lisboa: Tinta da China
Pedro, M. D. L. R. E., & Silva, A. E. (2012).?Políticas públicas em Portugal. Leya
Nascimento, S., Pólvora, A., Paio, A., Oliveira, S., Rato, V., Oliveira, M. J., ... & Sousa, J. P. (2016). Sustainable technologies and transdisciplinary futures: from collaborative design to digital fabrication.?Science as Culture,?25(4), 520-537
Monteiro, V., Afonso, J. A., Ferreira, J. C., & Afonso, J. L. (2019). Vehicle electrification: New challenges and opportunities for smart grids.?Energies,?12(1), 118.
Matthewman, S. (2011).?Technology and social theory. Macmillan International Higher Education
Matos, F. (2020).?Knowledge, People, and Digital Transformation: Approaches for a Sustainable Future. Springer Nature
Luís, S., Pinho, L., Lima, M. L., Roseta-Palma, C., Martins, F. C., & Betâmio de Almeida, A. (2016). Is it all about awareness? The normalization of coastal risk.?Journal of Risk Research,?19(6), 810-826
Leach, M., Scoones, I., & Stirling, A. (2010).?Dynamic sustainabilities: technology, environment, social justice. Routledge
Lagoa, S., Leao, E., Mamede, R. P., & Barradas, R. (2014).?Financialisation and the financial and economic crises: The case of Portugal?(No. fstudy24). Financialisation, Economy, Society & Sustainable Development (FESSUD) Project
Grubler, A., Wilson, C., Bento, N., Boza-Kiss, B., Krey, V., McCollum, D. L., ... & Valin, H. (2018). A low energy demand scenario for meeting the 1.5 C target and sustainable development goals without negative emission technologies.?Nature energy,?3(6), 515-527
Jörgens, H., & Solorio, I. (2019). Contested Energy Transition? Europeanization and Authority Turns in EU Renewable Energy Policy
Jörgens, H. (2018). Políticas para um desenvolvimento sustentável: sucessos passados e desafios para o futuro
Jörgens, H., Goritz, A., & Kolleck, N. (2018). Vantagens e desafios da análise de dados do Twitter: O caso das negociações multilaterais sobre as mudanças climáticas
Horta, P., Lagoa, S., & Martins, L. (2016). Unveiling investor-induced channels of financial contagion in the 2008 financial crisis using copulas.?Quantitative Finance,?16(4), 625-637
Frois, C. (2013).?Peripheral vision: Politics, technology, and surveillance?(Vol. 22). Berghahn Books
Facer, K. (2011).?Learning futures: Education, technology and social change. Taylor & Francis
Berbel, J., Borrego-Marin, M., Exposito, A., Giannoccaro, G., Montilla-Lopez, N. M., & Roseta-Palma, C. (2019). Analysis of irrigation water tariffs and taxes in Europe.?Water Policy,?21(4), 806-825
Bento, N. (2010). Dynamic competition between plug-in hybrid and hydrogen fuel cell vehicles for personal transportation.?International journal of hydrogen energy,?35(20), 11271-11283
Bento, N., & Fontes, M. (2015). Spatial diffusion and the formation of a technological innovation system in the receiving country: The case of wind energy in Portugal.?Environmental Innovation and Societal Transitions,?15, 158-179
Bento, N. (2016). Calling for change? Innovation, diffusion, and the energy impacts of global mobile telephony.?Energy Research & Social Science,?21, 84-100.
Bento, N., & Fontes, M. (2019). Emergence of floating offshore wind energy: Technology and industry.?Renewable and Sustainable Energy Reviews,?99, 66-82
Bento, N., Gianfrate, G., & Thoni, M. H. (2019). Crowdfunding for sustainability ventures.?Journal of Cleaner Production,?237, 117751
Barak, M. (2017). Science teacher education in the twenty-first century: A pedagogical framework for technology-integrated social constructivism.?Research in Science Education,?47(2), 283-303.
Authors:
Reference:
Year:
Processos Estocásticos e Simulação
OA1. Estudar os conceitos básicos da teoria dos processos estocásticos
OA2. Entender os tipos mais importantes de processos estocásticos e as várias propriedades e características destes
OA3. Compreender os métodos de descrição e análise de modelos estocásticos complexos
OA4. Verificar como os processos estocásticos são amplamente utilizados na análise de redes complexas, variando da geração numa rede com características particulares para a modelação da dinâmica numa rede
OA5. Entender a natureza de processos de difusão numa rede como o Twitter, na qual a difusão de informações é onipresente
OA6. Compreender os dois tipos mais importantes de processos estocásticos (Markov, Poisson, Gaussian, Wiener e outros processos) e ser capaz de encontrar o processo mais adequado para modelação numérica
OA7. Compreender o estudo matemático e a simulação numérica de processos de ramificação que revelam a disseminação de informação em uma rede, especialmente uma rede social online, como o Twitter
Esta UC tem os seguintes conteúdos programáticos (CPs):
CP1. Breve revisão de alguns conceitos da teoria da probabilidade;
CP2. Introdução aos processos estocásticos. Diferentes tipos de processos estocásticos: descrições discretas vs descrições contínuas de variáveis de tempo e espaço;
CP3. Cadeia de Markov: propriedades básicas;
CP4. Processos de Poisson;
CP5. Alguns conceitos em teoria da medida. Processos de Wiener e movimento Browniano;
CP6. Teoria básica das equações diferenciais estocásticas;
CP7. Métodos numéricos. Exemplos de modelação com matrizes aleatórias com MATLAB;
CP8. Estudo de modelos de difusão em grafo. Aplicativos para redes complexas. Discussão de um caso real: estudo da difusão de informações no Twitter;
CP9. Simulação numérica de um processo de branching que revela a disseminação de informação numa rede, como o Twitter.
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: Teste 1 (35%) + Teste 2 (45%) + 2 trabalhos práticos em Python (ou MATLAB) (20%) ou
- Avaliação por Exame (20%), em qualquer uma das épocas de exame, onde os trabalhos práticos (acima referidos) mantêm o peso de 20%.
Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).
Title: Levin D.A., Peres Y. (2017). Markov Chains and Mixing Times, 2nd Revised edition.American Mathematical Society.
Brzezniak Z., Zastawniak T. (1998). Basic Stochastic Processes: A Course Through Exercises. Springer Undergraduate Mathematics Series.
Dobrow R.P. (2006). Introduction to Stochastic Processes with R, 1st Edition. Wyley.
Authors:
Reference:
Year:
Title: A. Edelman, "Random matrix theory and its innovative applications" (MATLAB codes) https://math.mit.edu/~edelman/publications/random_matrix_theory_innovative.pdf
Authors:
Reference:
Year:
Projeto de Matemática Aplicada II
OA1: Corrigir o problema do utilizador e/ou da organização identificado na UC de Projeto Aplicado I do 1º Semestre, desenvolvendo, de forma iterativa, um projeto integrado com todas as suas componentes, incluindo levantamento de requisitos, prototipagem da solução (lo-fi, hi-fi, MVP), e avaliação e implantação no terreno da solução inovadora, relativa a produto, processo ou serviço (PPS).
OA2: Produção de documentação de desenho da solução de inovação PPS, incluindo, quando aplicável, arquitetura, configuração hardware e software, manuais de instalação, operação e utilização.
OA3: Produzir soluções com potencial para serem triplamente sustentáveis no terreno, tendo em conta o enquadramento legal aplicável.
OA4: Produzir conteúdos audiovisuais sobre os resultados alcançados, para serem explorados em diversos canais de comunicação: redes sociais, landing page web, apresentação para atores relevantes, workshop de demonstração.
C1. Espaço da solução: ideação da melhor solução tecnológica relativa ao projeto, desenvolvimento de requisitos de utilizador, storyboarding, jornada do utilizador, ciclos iterativos de prototipagem (baixa fidelidade ? lo-fi, alta fidelidade ? hi-fi, produto mínimo viável - MVP), avaliação heurística da solução com peritos e avaliação com utilizadores finais.
C2. Produção de documentação de desenho da solução, incluindo, quando aplicável, arquitetura, especificações técnicas, configuração hardware e software, manuais de instalação, operação e utilização.
C3. Implantação experimental da solução com potencial para ser triplamente sustentável (com criação de valor económico, social e ambiental), salvaguardando o enquadramento legal aplicável.
C4. Comunicação audiovisual na Web e nas redes sociais. Comunicação em público e sua estrutura. Apresentação para atores relevantes.
C5. Demonstração em workshop com atores relevantes na área da Matemática Aplicada.
UC em avaliação periódica, não contemplando exame final, dada a adoção ao método de ensino por projeto aplicado a situações reais. As apresentações, demonstrações e discussão são realizadas em grupo.
Pesos da avaliação:
R1 Relatório de Ideação da Solução, com Storyboard, Jornada de Utilizador, Requisitos do Utilizador, Especificações Técnicas e sua apresentação audiovisual: 20%
R2 Prototipagem da Solução: Protótipos Lo-fi e Hi-fi e Protótipo Mínimo Viável ? MVP (no GitHub), sua Demonstração e Relatório de Avaliação: 40%
R3 Relatório de Desenho da Solução com os seguintes elementos (se aplicável): Arquitetura (UML Package Diagram, UML Component Diagram), Configuração Hardware e Software, Manual de Instalação (UML Deployment Diagram, Tutorial de Configuração), Manual de Operação, Manual de Utilizador: 20%
R4 Apresentação audiovisual da solução e sua demonstração em Workshop: 20%
Title: Outra bibliografia dependente dos temas específicos do projeto e das organizações onde os alunos o irão desenvolver.
Brown, T (2009), Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, HarperCollins, 2009, ISBN-13: 978-0062856623
Lewrick, M, Link, P., Leifer, L. (2020). The Design Thinking Toolbox, Wiley, ISBN 9781119629191
Knapp, J., Zeratsky, J., & Kowitz, B. (2016). Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days. Bantam Press.
Authors:
Reference:
Year:
Tomada de Decisão Apoiada em Dados
São objetivos de aprendizagem (OAs) desta UC:
OA1. Entender a correlação entre variáveis, o modelo de regressão linear simples e múltipla.
OA2. Compreender e aplicar métodos de estimação dos parâmetros (OLS-Ordinary Least Squares e ML-Maximum Likelihood).
OA3. Saber analisar os pressupostos do modelo de regressão, testes de hipótese e diagnóstico.
OA4. Entender as extensões do modelo de regressão linear: modelos não-lineares.
OA5. Obter capacidades em previsão, desempenho da previsão e tomada de decisão.
OA6. Aplicar regressão logística, classificação, matriz de confusão e curva ROC (Receiver Operating Characteristic) e QCA.
OA7. Adquirir prática em programação básica e computação com Python.
OA8. Aplicar os conceitos estudados para dados/casos reais.
CP1. Modelos de regressão: correlação e causalidade, regressão linear simples, regressão múltipla. Multicolinearidade
CP2. Estimação e inferência, OLS (Ordinary Least Squares) e ML (Maximum Likelihood)
CP3. Pressupostos dos resíduos: testes de hipótese e diagnóstico
CP4. Regressão polinomial e com variáveis categóricas. Variável dummy
CP5. Previsão (in-sample e out-of-sample). Conjuntos de treino e de teste. Métricas de avaliação da performance de previsão (RMSE-Root Mean Squared Error, MAPE-Mean Absolute Percentage Error, MAE-Mean Absolute Error). Análise preditiva
CP6. Regressão logística. Problemas de classificação. Matriz de confiança e curva ROC (Receiver Operating Characteristic)
CP7. Conjuntos difusos. QCA (Qualitative Comparative Analysis) em variáveis dicotómicas (csQCA) e em conjuntos difusos (fsQCA). QCA escalonada e temporal (mvQCA e tQCA)
CP8. Outros modelos de estatística multivariada: análise em clusters, análise discriminante, componentes principais e Fuzzy clustering.
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: 2 trabalhos práticos em Python (50%) + Discussão individual dos 2 trabalhos práticos (20%) + 3 mini-testes (30%), ou
- Avaliação por Exame (65%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 35% (com a discussão).
Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).
Title: Rogel-Salazar J. (2018). Data Science and Analytics with Python. Taylor & Francis Group.
Hastie T., Tibshirani R., Friedman J. (2017). The elements of statistical learning: data mining, inference, and prediction. Springer. [electronic resource: https://web.stanford.edu/~hastie/Papers/ESLII.pdf ]
Agresti A., Franklin C., Klingenberg B. (2018). Statistics: The Art and Science of Learning from Data, 4th Edition. Pearson.
Authors:
Reference:
Year:
Title: Albright S.C., and Winston W.L. (2019). Business Analytics: Data Analysis & Decision Making, 7th Edition. Cengage Learning.
Authors:
Reference:
Year:
Objetivos
O curso destina-se a quem quer aplicar ideias e técnicas de modelação matemática e computacional a situações e problemas maioritariamente colocados por outras áreas.
Fornece as bases teóricas e as competências quantitativas e computacionais de que um profissional em matemática aplicada necessita para intervir, de forma criativa e eficiente, na resolução de problemas que surgem naturalmente em processos de transformação digital na atual fase de transição digital.
Centrado no ensino de métodos e modelos matemáticos para resolução de problemas, esta licenciatura contempla ainda uma abordagem constante de técnicas computacionais que apoiam as metodologias de resolução matemática. Dada a forte ligação entre a matemática aplicada e a matemática computacional - por serem muitos e frequentes os problemas onde uma solução analítica exata é inacessível -, este curso é um exigente compromisso entre estes dois campos da matemática, com forte presença de algoritmia e simulação.
O estudante adquire um conhecimento rigoroso e uma compreensão alargada da linguagem, dos conceitos e das técnicas da matemática para descrever, modelar e solucionar situações práticas, bem como um domínio consistente das competências matemáticas e computacionais associadas. Para além de capacidades na resolução de problemas, adquirirá competências em modelação, em análise de dados e de informação, e no desenho de algoritmos e experiências de simulação.
Pensamento crítico e competências de comunicação e de trabalho em equipa complementam o perfil do licenciado, de modo a torná-lo um bom candidato para intervir em áreas diversificadas de aplicação.
A forte formação em matemática vai dotar o licenciado da suficiente flexibilidade de raciocínio analítico e da capacidade de adaptação que lhe permite atuar na maioria das áreas onde a transformação digital é urgente, sem ficar restrito a uma área específica.
Acreditações