-
Apresentação
Apresentação
Esta cadeira tem como objetivo apresentar as técnicas e metodologias fundamentais para a análise de dados na perspectiva interdisciplinar de um Cientista de Dados. Na primeira parte da cadeira, os alunos aprendem sobre a natureza diversa dos dados e o poder simbólico das diferentes estruturas de dados para representar informação. Tal compreensão fundamental leva naturalmente a um segundo momento da cadeira no qual os alunos aprendem como interrogar e extrair informações dos dados e justificar suas escolhas. Durante esta segunda parte, os alunos aprendem sobre inferência estatística, testes de hipóteses, abordagens freqüentistas versus Bayesianas para pensar em dados, correlação e causalidade. Finalmente, na terceira parte do módulo, os alunos aprendem os fundamentos da aprendizagem de máquina por meio da teoria e prática dos métodos de regressão, classificação e redução de dimensionalidade.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Licenciado | Semestral | 5
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
3 | Obrigatório | Português
-
Código
Código
ULHT2531-22513
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
Descrição dos conteúdos Programação Python para Ciência de Dados Introdução à visualização da informação Álgebra Linear Noções básicas da teoria da probabilidade Inferência estatística e teste de hipóteses Introdução à aprendizagem de máquina Regressão logística Redução da dimensionalidade: MDS e PCA Redução da dimensionalidade: Fatoração de matriz não negativa Tópicos atuais em ciência de dados
-
Objetivos
Objetivos
Entender as principais técnicas e métodos de programação Python usados por cientistas de dados através da sua prática Introdução à teoria de visualização de informação, abordagens e técnicas de implementação Compreender a natureza dos dados desde a perspectiva da Ciência de Dados Fazer análises exploratórias de dados com implementação em Python Realizar inferência estatística por meio de testes de hipóteses Aprender os erros e falácias mais comuns em estatística, e como evitá-los Entender como um estatístico ou cientista de decisão pensa sobre a solução de problemas com dados Entender o que é aprendizagem automática: métodos supervisionados e não supervisionados Compreender e implementar métodos de regressão e classificação Aprender os fundamentos das métricas de para avaliar o desempenho de um classificador Compreender e implementar vários métodos de redução de dimensionalidade com várias aplicações
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
Uso de aulas de modo de jogo interactivo e dinâmico via plataformas como Kahoot.
-
Bibliografia principal
Bibliografia principal
Grus, J. (2019). Data science from scratch: first principles with python. O'Reilly Media.
-
Horário de Atendimento
Horário de Atendimento
-
Mobilidade
Mobilidade
Não
