Autenticação

Utilizador:

Senha:

Iniciar sessão

Esqueceu-se da senha?

Análise de Dados

Código:

MES2

Sigla:

AD

Áreas Científicas
Classificação	Área Científica
OFICIAL	Informática

Ocorrência: 2021/2022 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Sistemas e Informática
Curso/CE Responsável:	Mestrado em Engenharia de Software

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MES	18	Plano de Estudos 2017-2018	1	-	7,5	-	202,5

Língua de trabalho

Português

Objetivos

Reconhecer os desafios e necessidades específicas da persistência e análise de grandes volumes de dados
Conhecer as etapas de desenvolvimento de um projeto BI/Analytics
Modelar e dimensionar um Data wharehouse, selecionando de entre abordagens alternativas
Compreender as necessidades e boas práticas de codificação do processo ETL, considerando fontes de dados heterogéneas
Realizar questões analíticas através das extensões OLAP ao SQL
Selecionar sistemas OLAP e configurar a estrutura subjacente de dados conhecendo as respetivas implicações para a análise dos mesmos
Selecionar e diferenciar classes de algoritmos de data mining, bem como os pressupostos da sua utilização
Construir suportes de visualização e interação com resultados de diferentes análises dos dados, sobre plataformas existentes

Resultados de aprendizagem e competências

• Saber conduzir um projeto de BI


• Realizar modelos de dados


• Selecionar e aplicar algoritmos adequados para o problema

Modo de trabalho

Presencial

Programa

Revisão de conceitos fundamentais de Bases de Dados Relacionais
Conceitos e Definições elementares
O Processo de desenho de uma BD
Níveis de abstração, Modelos e Notações
Conversão do modelo E-R para MR
Formas normais
Linguagem SQL

Projetos BI e Datawarehousing
Sistemas Operacionais vs Sistemas de Apoio à Decisão
História dos Sistemas de Apoio à Decisão
Motivação dos projectos Business Intelligence
Modelos de dados multidimensionais

Modelação Dimensional
Obtenção de dimensões
Metáfora do cubo de dados
Navegação no cubo de dados
Tabelas de factos e dimensões
Granularidade da tabela de factos
Chaves e dimensões degeneradas
Chaves substitutas
Esquemas estrela e snowflake
Análise de Dimensões (inteligibilidade vs desempenho)
Modelação de factos: medidas
Recomendações complementares à modelação

Projecto de Data warehouses
Características de gestão de um projecto de criação e manutenção de um Data Warehouse
Desenho físico de data warehouses
Carregamento e manutenção do Data warehouse – O Processo ETL

Data Mining
Objetivos e tarefas típicas
Principais classes de métodos
Métodos representativos: Agrupamento, Classificação, Associação
Avaliação e modelos de classificação

Modulo II:
Casos de Aplicação e Tecnologias Emergentes

Bibliografia Obrigatória

Ralph Kimball e Margy Ross; The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, Wiley, 2002
Foster Provost, Tom Fawcett; Data Science for Business: What you need to know about data mining and data-analytic thinking (, O'Reilly Media, 2013. ISBN: 1449361323

Métodos de ensino e atividades de aprendizagem

Exposição teórica de conceitos. Análise de casos de estudo. Aplicação prática dos conceitos

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Trabalho escrito	50,00
Exame	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	20,00
Trabalho escrito	10,00
Trabalho laboratorial	32,00
Estudo autónomo	80,00
Frequência das aulas	60,00
Total:	202,00

Obtenção de frequência

Presença nas apresentações de avaliação de labs, seminário e projeto

Fórmula de cálculo da classificação final

Alaternativa por avaliação continua:
Modulo I (40%) = 20% Labs (min9)+ 30% Seminario (min9) + 50% teste (min9)
Modulo II (60%) = 30% Labs (min9)+ 30% projeto (min9)+ 40% teste (min9)

Ãlternativa por exame:
Exame: 50% Projeto (min9) + 50% Exame (min9)