Objetivos de Aprendizagem (conhecimento, aptidões e competências a desenvolver pelos estudantes)
OA1 - Conhecer e sensibilizar para a relevância de "Business Analytics" contemporânea, destacando a sua interdisciplinaridade, trabalhável com instrumentos de Inteligência Artificial (IA / AI) e Aprendizagem Máquina (AM / ML), ao nível abstrato de entender como podem ser utilizados tais instrumentos para assistir em processos de tomada decisão, alimentados por dados adequados. Métodos: M1 e M2.
OA2 - Realizar tarefas diversas de valorização de dados, para a sua elevação até níveis adequados para suporte a processos de tomada de decisão; por exemplo: coleta, sanitização, reorganização, visualização e utilização em pipelines de processamento, incluindo considerações tecnológicas, de segurança, e de ética. Métodos: M2, M3, M4.
OA3 - Conhecer instrumentos computacionais programáticos, para abstração e aceleração da análise de dados, por técnicas de regressão, clustering, e aprendizagem automática (ML) para modelação preditiva. Métodos: M2, M3, M4.
Conteúdos programáticos
CP1 - A ubiquidade de Business Analytics (BA)
CP1.1 - IA e ML em BA
CP2 - Dados e processamento de dados
CP2.1 - Problemas de dados comuns: entrada, representação, tratamento de valores em falta, aumentação, agregação, filtragem, transformação, interrogação.
CP2.2 - Instrumentos estatísticos, aplicados interactivamente sobre datasets.
CP2.3 - Instrumentos programáticos: linguagem de interrogação (SQL) e linguagem de programação (R) para exemplificar e visualizar os conceitos e problemas.
CP3 - Análise de dados e modelação preditiva.
CP3.1 - Regressão linear
CP3.2 - Regressão logística
CP3.3 - Clustering
CP3.4 - Trees e Random Forests
CP3.5 - Machine Learning
Demonstração da Coerência dos Conteúdos Programáticos com os Objetivos de Aprendizagem da Unidade Curricular
OA1 - CP1
A discussão e os casos de estudos sobre BA deverão dar a conhecer e sensibilizar para a contemporaneidade de BA.
OA2 - CP2
A execução interativa de interrogações sobre datasets, e de operações diversas de processamento sobre dados de natureza diversa, deverá constituir prática de valorização e elevação de dados, por estágios de maturidade diversos, de forma diversa, consoante as questões de negócio que pretendam assistir.
OA3 - CP2, CP3
A utilização de soluções já programadas e/ou a programação de (troços de) soluções, interactivamente, para ilustração do funcionamento de diferentes técnicas de modelação preditiva, deverá conferir competências no entendimento desses instrumentos para análise de dados de negócio.
O resultado final mais relevante é a obtenção de modelos probabilísticos (funções) que, perante dados novos (por exemplo, dados de negócio futuros), consegue ter uma saída probabilística (uma predição) fundamentada no que os inputs ensinaram.
Metodologia de Ensino (Avaliação incluída)
M1, M2, M3, M4 serão dominantes.
Nas horas síncronas a distância, o que muda é só o canal de comunicação primário, podendo o docente estar mais liberto para focar-se nos instrumentos computacionais para demonstrações de técnicas. Nessas sessões, M2 será preferido, mas ambos M1 e M3 são facilmente suportados.
M1 - método expositivo (para a componente teórica)
M2 - método demonstrativo (demonstração através de vídeos, exemplos e da resolução de exercícios)
M3 - método participativo (envolver os alunos na discussão dos exercícios, estudos de caso e dos trabalhos de grupo, com vista a integração e consolidação de conhecimentos, debates sobre a componente teórica)
M4 - método experimental (recurso a laboratórios nomeadamente de informática)
A1 - Trabalho de Grupo - 70%
A2 - Trabalho individual - 30%
Demonstração da Coerência das Metodologias de Ensino com os Objetivos de Aprendizagem da Unidade Curricular
OA1 - M1 e M2
A exposição e a demonstração de conceitos e práticas, deverá satisfazer o objetivo de fornecer evidência da ubiquidade de Business Analytics.
OA2 - M2, M3.
A demonstração interativa de conceitos e práticas, a sua discussão, e a experimentação com instrumentos próprios, deverão satisfazer o que se objetiva quanto a dados e processamentos de dados.
OA3 - M2, M3.
A demonstração interativa de conceitos e práticas, a sua discussão, e a experimentação com instrumentos próprios, deverão satisfazer o que se objetiva quanto à obtenção de modelos preditivos, por alguma técnica.
Bibliografia de consulta (existência obrigatória)
McKinney, W. (2022). Python For Data Analysis - Data Wrangling With Pandas, NumPy, And Jupyter.
Mount, G. (2021). Advancing into Analytics: From Excel to Python and R: O'Reilly Media.
Vo.T.H, P., Czygan, M., & Kumar, A. (2017). Python: Data Analytics And Visualization.
Han,J., Kamber, M. e Pei, J. (2012). Data Mining - Concepts and Techniques. Ed. 3 rd. Morgan Kaufmann Publishers.
