Aviso: Se está a ler esta mensagem, provavelmente, o browser que utiliza não é compatível com os "standards" recomendados pela W3C. Sugerimos vivamente que actualize o seu browser para ter uma melhor experiência de utilização deste "website". Mais informações em webstandards.org.

Warning: If you are reading this message, probably, your browser is not compliant with the standards recommended by the W3C. We suggest that you upgrade your browser to enjoy a better user experience of this website. More informations on webstandards.org.

Sub Menu
ISCTE-IUL  >  Ensino  >  SAG

Classificação, Perfis e Propensões (2 º Sem 2018/2019)

Código: 02924
Acrónimo: 02924
Nível: 2º Ciclo
Estruturante: Não
Língua(s) de Ensino: Português
Língua(s) amigável(is):
Ser English-friendly ou qualquer outra língua-friendly, significa que a UC é leccionada numa língua mas que se pode verificar qualquer uma das seguintes condições:
1. Existem materiais de apoio em língua inglesa/outra língua;
2. Existem exercícios, testes e exames em língua inglesa/outra língua;
3. Existe a possibilidade de se apresentar trabalhos escritos ou orais em língua inglesa/outra língua.
1 3.0 0.0 h/sem 10.0 h/sem 0.0 h/sem 0.0 h/sem 4.0 h/sem 0.0 h/sem 1.0 h/sem 15.0 h/sem 60.0 h/sem 0.0 h/sem 75.0 h/sem
Em vigor desde o ano letivo 2016/2017
Pré-requisitos Não existem.
Objectivos Apresentar aos alunos as principais técnicas de classificação, focadas em aplicações de identificação de perfis e cálculo de propensões.

Programa CP1. Análise exploratória dos dados e métricas para classificação.
CP2. Técnicas de classificação:
CP2.1. Regressão logística
CP2.2. Árvores de decisão e regras proposicionais
CP2.3 Redes neuronais: algoritmo backpropagation
CP3. Aplicações de classificação, identificação de perfis e cálculo de propensões em dados reais com utilização do software IBM SPSS Modeler e IBM SPSS Statistics.
Processo de avaliação A avaliação contínua inclui a realização de:
a) Teste com ponderação de 70%.
(OA 1, 2, 3).
b) Trabalhos de grupo com ponderação agregada de 30%.
(OA3).
A avaliação contínua exige a presença em, pelo menos, 60% das aulas.

Os alunos em avaliação contínua que não obtenham a nota mínima de 10 valores no teste individual e nos trabalhos deverão ser aprovados mediante um exame final (nota mínima de 10 valores).
Processo de ensino-aprendizagem A apresentação de cada tópico do programa deverão ser seguidas de aulas correspondentes em laboratórios de informática.

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME):

ME1. Expositivas, para apresentação dos quadros teóricos de referência.
ME2. Participativas, com análise de artigos científicos.
ME3. Ativas, com realização de trabalho de grupo
ME4. Experimentais, em laboratório de informática, realizando análises sobre dados reais.
ME5. Auto-estudo,

Observações
Bibliografia básica Folhas de apoio às aulas elaboradas pela docente

Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (Wiley Series on Methods and Applications in Data Mining), 2nd Edition, Wiley.

Wendler, T. & Gröttrup, S. (2016). Data Mining with SPSS Modeler: Theory, Exercises and Solutions, Springer.






Bibliografia complementar Artigos científicos indicados pela docente

Camm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T. (2017). Essentials of Business Analytics, 2nd Edition, Cengage Learning.

Gama, J., Carvalho, A., Faceli, K., Lorena, A., & Oliveira, M. (2012). Extração de Conhecimento de Dados: Data Mining. Lisboa, Portugal: Edições Sílabo.

McCormick, K., Abbott, D., Brown, M., Khabaza. T. & Mutchler, S. (2013). IBM SPSS Modeler Cookbook, Packt.

Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, FCA (capítulo 7.3.1 e capítulo 9.2.2)

Schniederjans, M. J., Schniederjans, D. G., & Starkey, C. M. (2014). Business analytics principles, concepts, and application what, why, and how. Pearson

Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, Springer.  (capítulo 9.2) - Disponível: http://statweb.stanford.edu/~tibs/ElemStatLearn/printings/ESLII_print10.pdf

Witten, I., Frank, E. & Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 3rd Edition, Morgan Kaufmann (capítulo 4.3 e capítulo 6.1)