Pós-Graduação em Data Science

Sessão protocolar de abertura – 2h

• Boas-vindas
• Regras, processos e procedimentos existentes na Pós-graduação

Programação em Python para Data Science – 18h

Nesta unidade curricular o aluno vai aprender a programar em Python com foco em Data Science, desde a instalação e configuração do ambiente, até ao uso de bibliotecas específicas.

• Instalar e configurar Python
• Introdução a Python
  • Tipos básicos de dados
  • Variáveis, expressões e operadores
  • Tipos avançados de dados
  • Controlo de fluxo
  • Ciclos
  • Funções
• Princípios de Design
  • Classes, OOP em python.
• Introdução a Pandas, numpy, seaborn.
  • Ler ficheiros
  • Tipos de dados
  • Slicing e indexamento em pandas
  • GroupBy e agregações em pandas
  • Gráficos em pandas

Inferência Estatística e A/B Testing – 18h

Nesta unidade curricular o aluno vai compreender os conceitos fundamentais da estatística inferencial e aplicar métodos de A/B testing para avaliar hipóteses e tomar decisões informadas.

• Conceitos básicos de Estatística Inferencial
• Distribuições Amostrais e Teorema do Limite Central
• Estimação e Intervalos de Confiança
• Testes de Hipóteses
• Introdução ao A/B Testing
• Métodos e Ferramentas para A/B Testing

Metodologias de Recolha de Dados – 18h

Nesta unidade curricular o aluno vai explorar diversas técnicas de recolha de dados, desde a utilização de APIs e web scraping até ao uso avançado de SQL.

• Como trabalhar com ficheiros JSON
• Introdução a APIs: Autenticação, pedidos HTTP e diferentes utilizações que estas podem ter
• Web scraping: utilização de bibliotecas de Python para executar web scrapers e recolha de informação não dependente de APIs
• Introdução a SQL
• Views em SQL
• Stored Procedures em SQL
• Polybase em SQL Server
• Subqueries em SQL
• Indices (clustered, non-clustered) em SQL
• Leitura e escrita de Ficheiros Parquet em Python

Metodologias de Pré-processamento de Dados – 18h

Nesta unidade curricular o aluno vai aprender a preparar os dados para análise, abordando técnicas de limpeza, transformação e integração de dados para garantir a qualidade e a usabilidade dos mesmos.

• Terminologia
  • Dataset… ? O que significa?
  • Variável
  • Variável vs feature
• Tipos de dados
  • Dados Numéricos
  • Dados Discretos vs Contínuos
  • Dados Categóricos
  • Dados Binários vs Nominais vs Ordinais
• Características dos dados
  • Dispersão
  • Monotonicidade
  • Anacronismo
• Pré-processamento de dados
  • Paradigma GICO
  • Ciclo do Pré-processamento de dados
• Limpeza de dados
  • Natureza dos valores em falta
  • Estratégia para lidar com valores em falta
  • Dados com ruído
• Integração/enriquecimento dos dados
• Problemas Associados à Integração dos dados
• Transformação dos dados
  • Agregações
  • Transformação de variáveis categóricas
  • Discretização
  • Escalamento das variáveis
  • Engenharia/Derivação de atributos

Análise Exploratória de Dados – 18h

Nesta unidade curricular o aluno vai realizar análises exploratórias para identificar padrões, tendências e relações nos dados, utilizando técnicas de visualização e redução dimensional.

• Visualização de dados para Análise Exploratória de Dados
• Sumário estatístico dos dados (Alterar o nome?)
• Seleção de variáveis preditivas
• Redução de dimensão/número de variáveis
• Pipelines de Data Science

Fundamentos de Machine Learning – 18h

Nesta unidade curricular o aluno vai aprender os conceitos básicos de Machine Learning, desde a predição e validação cruzada até aos modelos de regressão e classificação, utilizando o pacote Scikit-learn.

• Predição, erros e validação cruzada
• Aprendizagem Supervisionada e não supervisionada
• Modelos de Regressão
• Modelos de Classificação
• Pacote Scikit-learn

Operacionalização de Machine Learning – 18h

Nesta unidade curricular o aluno vai adquirir competências para operacionalizar modelos de Machine Learning, garantindo a reprodutibilidade e a gestão eficiente de projetos de ML em produção.

• Introdução à operacionalização de Machine Learning
  • Conceitos e importância da operacionalização
  • Visão geral das etapas do pipeline de ML
• Reprodutibilidade e Organização de código
  • Boas práticas de organização de código
  • Ferramentas e técnicas para assegurar reprodutibilidade
• Tracking de Experiências de Machine Learning (MLFlow)
  • Introdução ao MLFlow
  • Implementação de tracking de experiências
• Serviço de Machine Learning (Fastapi)
  • Desenvolvimento de APIs com Fastapi
  • Implementação de serviços de ML em produção
• Conteinerização (Docker)
  • Fundamentos de conteinerização
  • Criação e gestão de containers Docker
• Introdução ao Github
  • Conceitos básicos de Git e Github
  • Fluxo de trabalho colaborativo e controlo de versões
• CICD (Github Actions)
  • Configuração de pipelines de CI/CD
  • Automação de testes e deploys com Github Actions
• Deploy na Cloud e Operacionalização de ML na indústria
  • Introdução aos principais fornecedores de cloud
  • Estratégias de deploy e monitorização de serviços em produção

Fundamentos de Deep Learning para NLP e Computer Vision – 27h

Nesta unidade curricular o aluno vai explorar os fundamentos de Deep Learning aplicados ao processamento de linguagem natural (NLP) e visão computacional, utilizando técnicas e modelos avançados para tarefas específicas.

• Fundamentos Deep Learning
  • O que é Deep Learning
  • Logical Unit, Perceptron e Signmoid Neuron
  • Modelos pré-treinados
• Visão Computacional
  • O que é Visão Computacional
  • Filtering, Feature Detectors e Descriptors
  • Transform e Segmentation
  • Image Classification
  • Ethics and Fairness em Visão Computacional
• Processamento de Linguagem Natural
  • Dados não estruturados vs dados estruturados
  • Técnicas de processamento de linguagem como tokenization, stop words e named entity recognition
  • Modelos supervisionados e não-supervisionados em processamento de linguagem natural
  • Modelos Deep Learning e aplicação na área de processamento de linguagem natural

Implementação de Data Science – 9h

Nesta unidade curricular o aluno vai desenvolver um projeto prático de Data Science, aplicando os conhecimentos adquiridos ao longo da pós-graduação e apresentando os resultados.

• Apresentação do projeto a desenvolver e exposição de exemplos de projetos reais. Boas práticas e metodologias
• Sessão para esclarecimento de dúvidas
• Apresentação dos projetos

Sessão protocolar de encerramento Pós-Graduação – 1h