Objetivos de aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes)
OA1. Descrever o que é o Big Data e reconhecer a sua importância para as organizações
OA2. Compreender o impacto das características do Big Data nas suas dimensões de escalabilidade na recolha, monitorização,
armazenamento, análise e reporte de dados
OA3. Identificar os componentes arquitetônicos, tecnologias e modelos de programação utilizados para a análise de Big Data escalável
OA4. Desenhar e implementar soluções Big Data utilizando sistemas de gestão de bases de dados de grande dimensão
OA5. Avaliar os impactos em termos de segurança, privacidade dos dados e éticos das soluções de Big Data
OA6. Manipular, visualizar e analisar os diversos tipos de resultados obtidos com as soluções de Big Data
OA7. Usar tecnologias e ferramentas de suporte aos processos de Big Data (ecossistema Hadoop, entre outros)
Conteúdos programáticos
CP1. Conceitos, técnicas e tecnologias associadas ao Big Data
CP1.1. Exemplos e casos práticos com problemas e soluções de Big Data
CP1.2. Características do Big Data: os V's do Big Data
CP2. Tecnologias do Big Data
CP2.1. Revisões sobre Bases de Dados Relacionais e Interrogações SQL
CP2.2. Bases de Dados No SQL
CP2.3. Conceito de Data Warehouse
CP2.3.1. Modelo multidimensional e hierarquias
CP2.3.2. Factos, dimensões e métricas
CP2.3.3. Sistemas de dados transacionais (OLTP) e analíticos (OLAP) para ambientes Big Data
CP3. Desenho e implementação de Data Warehouses
CP3.1. Processamento e integração de dados para popular um Data Warehouse
CP3.2. Extração de Informação a partir de um Data Warehouse.
CP4. Técnicas de otimização no desenvolvimento de aplicações Big Data
CP5. Privacidade e implicações sociais das soluções Big Data
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular
A demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), cujo
relacionamento se explicita a seguir:
CP1- OA1
CP2- OA2 & OA3
CP3- OA4 & OA6 & OA7
CP4- OA4 & OA7
CP5- OA5
Metodologias de ensino e de aprendizagem específicas da unidade curricular articuladas com o modelo pedagógico
Metodologias das aulas presenciais:
M1-método expositivo (exposição dos conceitos e temáticas fundamentais)
M2-método participativo (análise e resolução de exercícios de aplicação)
M3-método ativo (desenvolvimento de trabalho de grupo e de competências)
M4-método experimental
Metodologias das aulas à distância:
M1-método expositivo (exposição dos conceitos e temáticas fundamentais)
M5-método demonstrativo (demonstração através de vídeos e exemplos)
M6-Autoestudo (apoio tutorial ao trabalho autónomo)
Os estudantes organizados em pequenos grupos de até 3 elementos, desenvolvem um projeto de Big Data com os dados propostos pelo professor responsável pela unidade curricular.
A avaliação contínua inclui a realização de:
A1-Teste individual (50%).
A2-Trabalho de grupo com apresentação (50%).
Os alunos em avaliação contínua que não obtenham a nota mínima de 8,5 valores no teste individual e de 10 valores no trabalho de grupo serão remetidos para exame final. Este consta de uma prova escrita.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da unidade curricular
A exposição dos conceitos e teorias fundamentais (M1) assim como a demonstração recorrendo a vídeos, exemplos (M5) e a resolução de exercícios (M2) e estudos de casos em laboratório informático (M4), dotam os estudantes dos conhecimentos necessários para compreenderem as soluções de Big Data e os fatores que contribuem para maximizar o valor no negócio (OA1 & OA2 & OA3). Os exemplos, exercícios e casos práticos usados nos métodos participativo (M2), demonstrativo (M5) e experimental (M4) facilitam as aprendizagens dos estudantes para que estes sejam capazes de utilizar as técnicas e ferramentas adequadas (OA4 & OA7). Ao desenvolverem e apresentarem o trabalho prático (M3) os estudantes aplicam os conhecimentos resultantes do trabalho em aula e autónomo (M6), permitem aos estudantes refletir sobre os impactos éticos e de privacidade dos dados (OA6) e analisar sobre os resultados obtidos (OA5) a partir das soluções de Big Data. Os diferentes objetivos de aprendizagem serão avaliados através de um trabalho prático a desenvolver e a ser apresentado em sala de aula (A2) bem como através de um teste individual (A1). Ambos os elementos de avaliação contribuem para o sucesso de todos os objetivos de aprendizagem (OA1 a OA6), embora o trabalho (A2) tenha maior importância na obtenção dos objetivos de aprendizagem e uso de ferramentas de suporte aos processos de Big Data (OA4 & OA7).
Em síntese:
M1 - OA1 & OA2 & OA3
M2 - OA1 & OA2 & OA3
M3 - OA5 & OA6
M4 - OA1 & OA2 & OA3 & OA4 & OA7
M5 - OA1 & OA2 & OA3
M6 - OA5 & OA6
Bibliografia de consulta (existência obrigatória)
R, A. N., Kadry, S., Gandomi, A. H., & Balusamy, B. (2021). Big Data: Concepts, Technology, and Architecture (1st ed.). Wiley.
Santos, M. Y., & Costa, C. (2020). Big Data: Concepts, Warehousing, and Analytics (River Publishers Series in Information Science and
