A quantidade de dados gerados pelas organizações tem vindo a crescer e consequentemente a necessidade de pessoas especializadas capazes de retirar valor desses dados. Quando devidamente explorados, permitem suportar decisões estratégicas para o negócio, criação de novos produtos, oferta de serviços mais personalizados entre muito outras potencialidades. Data Science é por isso uma área transversal a todos o tipos de organizações e a todos os sectores, sendo o seu valor reconhecido pelas vantagens competitivas que potencia.
Esta Pós-Graduação é desenvolvida ao abrigo do protocolo de colaboração com a Atlântica. Destina-se a todos aqueles que pretendam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para retirar o máximo valor dos dados, dando uma visão detalhada, teórica e prática, de conceitos e metodologias.
Composição
O programa do ciclo de estudos de Pós-Graduação em Data Science (PGDS) é composta por dois ciclos de especialização, Especialização Data Science Manager e Especialização Data Science Researcher que no seu conjunto permitem aos alunos ficarem com uma visão alargada e detalhada dos conceitos e metodologias subjacentes a esta área emergente.
A Especialização Data Science Manager fornece aos alunos os principais conceitos e ferramentas usadas pelos Data Scientists e os princípios de constituição e orientação de equipas de Data Science para que o resultado do trabalho destas seja bem sucedido. A Especialização Data Science Researcher oferece uma forte base dos princípios necessários para o desenvolvimento de um projeto de Data Science com práticas de aplicação a projetos reais.
Os alunos que concluam o curso com sucesso ficam habilitados a proceder à criação e gestão de equipas de Data Science na organização, a estruturar projetos de Data Science, serem capazes de identificar oportunidades para uso de Data Science dentro das organizações, saberem extrair, processar e explorar dados aplicando métodos estatísticos para retirar mais informação dos dados e serem capazes de criar modelos descritivos e preditivos.
Os alunos vão adquirir na PGDS amplos conhecimentos, teóricos e práticos, para exercer uma carreira que é altamente procurada e valorizada no mercado nacional e internacional.
Diploma de Estudos
Cada módulo formativo tem uma avaliação dos conhecimentos adquiridos que permite a atribuição de um Diploma de Estudos no final do curso a todos os alunos que o terminem com sucesso. A avaliação de conhecimentos é individual, sendo obtida através da participação em trabalhos de grupo e testes.
Os alunos que não conseguirem realizar os testes e trabalhos de determinada unidade curricular nas datas estipuladas, impossibilitando assim a sua avaliação, poderão solicitar a realização de exame de recuperação mediante um custo adicional. Estes exames serão realizados em duas épocas especiais de recuperação, a decorrer no final de cada uma das especializações.
Atribuição de ECTS
No âmbito da parceria com a ATLÂNTICA – Escola Universitária de Ciências Empresariais, Saúde, Tecnologias e Engenharia, esta Pós-Graduação atribui 25 créditos ECTS (European Credit Transfer System).
Knowledge Extension Pack
Pack opcional de apoio à Pós-Graduação: +Conteúdo, +Conhecimento, +Apoio
Para melhorar a experiência formativa dos alunos, e mediante um valor adicional, a Rumos disponibiliza um conjunto de materiais adicionais concebidos com os seguintes objetivos:
- Complementar o conteúdo transmitido em sala de aula.
- Reforçar conhecimentos base, ajudando a interiorizar o que é ensinado pelos Docentes.
- Abordar tópicos complementares que serão uma mais-valia para a adaptação dos Data Scientists a novas realidades.
Estes momentos de autoestudo estão estrategicamente distribuídos ao longo do percurso, permitindo que os alunos avancem ao seu próprio ritmo e explorem os conteúdos e recursos de forma independente, promovendo uma maior autonomia e responsabilidade no seu percurso formativo.
As áreas de estudo complementares incluídas:
- Introdução à Data Science
- Introdução ao Python
- Conceitos Fundamentais de Estatística
- Fundamentos de T-SQL
- Ética em Data Science
- Visualização de Dados e Storytelling
- Microsoft Azure Fundamentals
- Ferramentas de Data Science
Este pack complementar inclui adicionalmente o acesso a 9 horas adicionais (1 hora por unidade) de contacto com os Docentes, permitindo-lhes partilhar feedback sobre os trabalhos apresentados e esclarecer dúvidas que surjam na elaboração desses trabalhos. Estas horas adicionais, não estão definidas previamente em cronograma e serão agendadas no início de cada unidade, de acordo com a disponibilidade de todos os envolvidos.
Valor adicional: 540€
Caso deseje incluir este pack opcional na sua inscrição, este valor será acrescido ao valor total da Pós-graduação.
Coordenação Cientifica
Filipa Rodrigues | Data Scientist at OutSystems, Scientific Coordinator of the Data Science Postgraduate Programme
Objetivos
No final da Pós-graduação, os alunos deverão ser capazes de programar em Python, utilizando bibliotecas como Pandas, NumPy e Seaborn para manipulação e análise de dados. Serão também proficientes em conceitos de inferência estatística e A/B Testing, além de capazes de recolher e integrar dados a partir de ficheiros JSON, APIs, web scraping e bases de dados SQL. Aprenderão a pré-processar e limpar dados, realizar análise exploratória, e selecionar variáveis preditivas utilizando pipelines de Data Science.
Os alunos desenvolverão competências em Machine Learning, incluindo aprendizagem supervisionada e não supervisionada, e operacionalizar modelos utilizando ferramentas como Scikit-learn, MLFlow, Docker e FastAPI. Também adquirirão conhecimentos fundamentais de deep learning aplicados a processamento de linguagem natural e visão computacional, utilizando modelos pré-treinados e abordando questões de ética e justiça nestas áreas.
Destinatários
A Pós-Graduação em Data Science destina-se a todos aqueles que queiram adquirir conhecimentos que lhes permitam tirar partido desta nova capacidade estratégica, dotando-os dos conhecimentos necessários para conseguirem retirar o máximo valor dos dados e com isso aportarem valor competitivo para as organizações, nomeadamente profissionais que desempenhem funções diretas de tomada de decisão ou que intervenham em processos de análise de dados para a tomada de decisão sobre os negócios da organização.
Condições
- Taxa de inscrição: 200€, dedutível no valor total do curso.
- Formandos não residentes no território nacional, terão de efetuar um pagamento de 50% do valor total da propina no momento da inscrição.
- Inscrições a título particular de pessoas que se encontrem em situação de desemprego, beneficiam de um desconto de 10%, mediante apresentação de comprovativo da situação atual (não acumulável com outras campanhas em vigor).
- Condições especiais para Alumni de Academias ou Pós-graduações GALILEU.
- Os valores apresentados não incluem IVA. Isenção do valor do IVA a particulares.
Modalidades de Pagamento
- Pronto pagamento: Liquide o valor total do curso no momento da inscrição e beneficie de um desconto adicional de 5%.
- Pagamento faseado sem juros: Liquide a taxa de inscrição e divida o valor restante em até 10 mensalidades diretamente connosco, sem juros ou custos associados.
Desconto – Profissionais em situação de desemprego
- 10% de desconto válido para inscrições a título particular de pessoas que se encontrem em situação de desemprego, para o efeito, será solicitado documento comprovativo da situação atual – Não acumulável com outras campanhas em vigor.
Pré-Requisitos
As candidaturas à Pós-graduação em Data Science estão abertas a:
- Todos os que tenham um grau académico de licenciatura ou superior nas áreas científicas;
- Todos os profissionais com ou sem grau académico, cuja experiência seja considerada adequada para que o aluno tenha sucesso no curso e as turmas resultem homogéneas.
A seleção será sempre feita mediante análise curricular pela Coordenação Científica do curso, que pode chamar o candidato a uma entrevista presencial. Em qualquer dos casos, a decisão será sempre fundamentada e apresentada por escrito ao candidato. Adicionalmente, os alunos deverão ter:
- Conhecimentos básicos de Matemática e Estatística;
- Conhecimentos básicos de utilização de uma qualquer linguagem de programação;
- Bom nível de capacidade de leitura em língua inglesa.
Metodologia
A Pós-graduação em Data Science é ministrada 100% em Live Training, através de sessões online síncronas em tempo real, e é constituída por 9 unidades formativas.
A metodologia pedagógica está focada no saber fazer, pelo que os conceitos e teoria de base são fortemente explorados em treino orientado para a colocação dos conhecimentos em prática.
Os alunos devem ter em conta que para além da exigência das aulas, há a exigência de estudo adicional e de desenvolvimento de trabalhos práticos que permitam um cabal desenvolvimento do saber fazer nesta área de conhecimento.
Programa
- Programação em Python para Data Science
- Inferência Estatística e A/B Testing
- Metodologias de Recolha de Dados
- Metodologias de Pré-processamento de Dados
- Análise Exploratória de Dados
- Fundamentos de Machine Learning
- Operacionalização de Machine Learning
- Fundamentos de Deep Learning para NLP e Computer Vision
- Implementação de 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
- 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
