Autenticação

Utilizador:

Senha:

Iniciar sessão

Esqueceu-se da senha?

Data Mining

Código:

BINF022

Sigla:

DM

Áreas Científicas
Classificação	Área Científica
OFICIAL	Informática

Ocorrência: 2020/2021 - 2S

Ativa?	Sim
Unidade Responsável:	Matemática e Informática
Curso/CE Responsável:	Licenciatura em Bioinformática

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
BINF	26	Plano Estudos 2016	2	-	5	67,5	135

Língua de trabalho

Português

Objetivos

• Conhecer os conceitos associados ao Business Intelligence, nomeadamente DataWarehouse, ETL e Reporting Tools e, a infraestrutura tecnológica de suporte;


• Entender a importância do Business Analytics como prática de exploração iterativas de dados, permitindo a tomada de decisão.


• Compreender a importância do Data Mining nas organizações


• Descobrir conhecimento em Bases de Dados através da aplicação de técnicas de Data Mining;


• Compreender os principais conceitos, metodologias e técnicas de Data Mining.

Resultados de aprendizagem e competências

• Conhecer os conceitos associados ao Business Intelligence, nomeadamente DataWarehouse, ETL e Reporting Tools e, a infraestrutura tecnológica de suporte;


• Entender a importância do Business Analytics como prática de exploração iterativas de dados, permitindo a tomada de decisão.


• Compreender a importância do Data Mining nas organizações


• Descobrir conhecimento em Bases de Dados através da aplicação de técnicas de Data Mining;


• Compreender os principais conceitos, metodologias e técnicas de Data Mining.

Modo de trabalho

Presencial

Programa

1. Desafios da Modelação e Análise de Dados em Bioinformática


2. Business Intelligence e infraestrutura de suporte


3. Conceitos Fundamentais do Data Mining


4. O Data Mining e a Bioinformática


5. Tendências atuais e futuras

Bibliografia Obrigatória

Han, J., Kamber, M.; Data Mining – Concepts and Techniques, Morgan Kaufmann , 2011
He, Z.; Data Mining for Bioinformatics Applications, Elsevier Ltd., 2015
Kudyba, S.; Big Data, Mining, and Analytics: Components of Strategic Decision Making, Taylor & Francis Group, LLC, 2014
Larose, D. e Larose C.; Data Mining and Predictive Analytics, John Wiley & Sons, Inc, 2015
Provost, F. e Fawcett, T.; Data Science for Business: What you need to know about data mining and data-analytic thinking., O'Reilly Media, 2013
Sharda, R.; Delen, D. and Turban, E.; Business Intelligence, Analytics and Data Science: A Managerial Approach, Pearson, 2018
Sherman, R.; Business Intelligence Guide Book: From Data Integration to Analytics, Morgan Kaufmann, 2014
Shmueli,G.; Bruce,P.; Gedeck, P.; Patel, N.; Data Mining for Business Analytics: Concepts, Techniques and Applications in Python, Wiley, 2020

Métodos de ensino e atividades de aprendizagem

As metodologias integram:

- Expositivo e Participativo com a finalidade de promover uma aprendizagem por descoberta, através da exploração individual e em grupo, da importância do Business Intelligence e da infraestrutura de suporte; aplicação dos conceitos e resolução de casos práticos, suportando-se na resolução de exercícios que permitam a concretização dos conceitos fundamentais de Business Intelligence e da descoberta de conhecimento em bases de dados através da aplicação de técnicas de Data Mining.

De modo a fomentar o desenvolvimento das competências em grupo será realizado um trabalho em grupo e discussão do respetivo trabalho na área específica de aprendizagem.

Caso a prova de avaliação individual de conhecimentos seja realizada em regime de ensino a distância, e se o estudante obtiver nessa prova uma classificação igual ou superior a 17 valores, o estudante deverá realizar uma prova oral individual para defesa dessa classificação.

Software

Microsoft PowerBI
Anaconda - Jupyter Notebook

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Apresentação/discussão de um trabalho científico	20,00
Teste	50,00
Participação presencial	10,00
Trabalho escrito	20,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Trabalho escrito	0,00
Apresentação/discussão de um trabalho científico	0,50
Estudo autónomo	0,00
Total:	0,50

Obtenção de frequência

A aprovação na unidade curricular está condicionada a classificação final igual ou superior a 10 valores

Fórmula de cálculo da classificação final

A avaliação contínua compreende a elaboração, apresentação e discussão de um trabalho em grupo (TG) - 40%, a realização de dois testes – 50% e realização de atividades ao longo das aulas - 10%.

A avaliação final, em qualquer das suas épocas, compreende a realização de um exame final individual.

Avaliação especial (TE, DA, ...)

Realização de um exame final.

Melhoria de classificação

Realização de um exame final.

Observações

Em caso de deteção de situação irregular (fraude) no processo de avaliação será aplicado o Regulamento Disciplinar dos Estudantes do Instituto Politécnico de Setúbal (Despacho n.º 13714/2016, publicado em Diário da República, 2.ª série, N.º 219 em 15 de novembro) tendo também em consideração o Despacho n.º 40/Presidente/2021 "Medidas a adotar em situações associadas a fraude nos processos de avaliação dos cursos lecionados nas escolas do IPS".