Autenticação

Utilizador:

Senha:

Iniciar sessão

Esqueceu-se da senha?

Data Mining

Código:

BINF022

Sigla:

DM

Áreas Científicas
Classificação	Área Científica
OFICIAL	Informática

Ocorrência: 2022/2023 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de 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	20	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
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.

Se o teste de avaliação individual de conhecimentos for realizado em modo de ensino à distância, e se o aluno obtiver neste teste de avaliação uma classificação igual ou superior a 17 pontos, deverá realizar uma prova oral para defender a classificação obtida.

Software

Orange Data Mining
Microsoft PowerBI
Anaconda - Jupyter Notebook
R Studio

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

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

Componentes de Ocupação

Designação	Tempo (Horas)
Trabalho escrito	34,00
Apresentação/discussão de um trabalho científico	1,00
Estudo autónomo	40,00
Frequência das aulas	60,00
Total:	135,00

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%.

Avaliação especial (TE, DA, ...)

Realização de um exame final.

NF = 100 % Exame

Melhoria de classificação

Realização de um exame final.

NF = 100 % Exame

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".