Autenticação

Utilizador:

Senha:

Iniciar sessão

Esqueceu-se da senha?

Data Mining

Código:

BINF022

Sigla:

DM

Áreas Científicas
Classificação	Área Científica
OFICIAL	Informática

Ocorrência: 2019/2020 - 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	15	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

Aggarwal, C. ; Data Mining: The Textbook, Springer, 2015
Dua, S. e Chowriappa, P. ; Data Mining for Bioinformatics, CRC Press, 2012
Finlay, S.; Predictive Analytics, Data Mining and Big Data (Business in the Digital Economy), Palgrave Macmillan, 2014
Han, J., Kamber, M. ; Data Mining – Concepts and Techniques, Morgan Kaufmann, 2011
Kudyba, S. ; Big Data, Mining, and Analytics: Components of Strategic Decision Making, Taylor & Francis Group, LLC , 2014
Larose, D.; Data Mining and Predictive Analytics, Wiley, 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 Perspective, Pearson, 2016
Sherman, R.; Business Intelligence Guidebook: From Data Integration to Analytics, Morgan Kaufmann, 2014
Shmueli, G.; Bruce, P.; Gedeck,P. and Patel, N. ; Data Mining for Business Analytics: Concepts, Techniques and Applications in Python, Wiley, 2019

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.

Software

Microsoft PowerBI
Anaconda

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Teste	60,00
Trabalho escrito	40,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	30,00
Estudo autónomo	30,00
Frequência das aulas	60,00
Total:	120,00

Obtenção de frequência

A avaliação contínua compreende a elaboração, apresentação e discussão de dois trabalhos em grupo (TG) - 40% e a realização de dois testes teóricos individual – 60%. 
Condicionado à nota minima de 08 valores.

Nas épocas de avaliação final:
A avaliação final compreende a realização de um exame teórico/prático individual.

Fórmula de cálculo da classificação final

A avaliação contínua compreende a elaboração, apresentação e discussão de dois trabalhos em grupo (TG) - 40% e a realização de dois testes teóricos individual – 60%.
 

Classificação Final = 30% Teste 1 + 30% Teste 2 + 20% Trab. 1 + 20% Trab. 2

Avaliação especial (TE, DA, ...)

A avaliação final compreende a realização de um exame teórico/prático individual.

Melhoria de classificação

A avaliação final compreende a realização de um exame teórico/prático individual.