Saltar para o conteúdo principal

ISMAT 23085

Análise Multivariada e Aprendizagem Não Supervisionada

Ciência de Dados (L) (ISMAT)
  • ApresentaçãoPresentation
    A unidade curricular de Análise Multivariada e Aprendizagem Não Supervisionada integra a área científica da Estatística e da Ciência de Dados e aborda métodos para a análise de dados multivariados e descoberta de padrões em conjuntos de dados sem variável resposta. Desenvolve competências na redução de dimensionalidade, segmentação e interpretação de estruturas complexas de dados.  
  • ProgramaProgramme
    CP1: Vetores aleatórios. Vetos de médias e matriz de covariâncias. CP2: Visualização de dados multivariados CP3: Distribuição normal multivariada CP4: Métodos de redução de dimensionalidade: análise de componentes principais, análise fatorial e análise de correspondências CP5: Métodos hierárquicos e não hierárquicos de análise de clusters CP6: Utilização de softwares, tais como R, Python e SAS  
  • ObjectivosObjectives
    No final desta unidade curricular, os alunos devem ser capazes de: OA1: Caracterizar e interpretar corretamente dados multivariados; OA2: Identificar as técnicas de análise multivariada de dados adequadas a cada tipo de problema e à natureza dos dados; OA3: Aplicar técnicas multivariadas de redução de dimensionalidade de dados; OA4: Aplicar técnicas de análise de clusters; OA5: Utilizar recursos computacionais, tais como R, Python e SAS.  
  • BibliografiaBibliography
    Aggarwal, C. C., Reddy, C. K. (eds.) (2014), Data clustering: Algorithms and Applications. Boca Raton: CRC Press. Hair, J.F., Tatham, R.L., Anderson, R.E. & Black, W. (2009). Análise multivariada de dados. (6ª ed.). Porto Alegre: Bookman.  James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An Introduction to Statistical Learning: with applications in R, New York: Springer. Maindonald, J. & Braun, W. J. (2010). Data analysis and graphics using R: an example-based approach. (3rd ed.). United Kingdom: Cambridge University Press.
  • MetodologiaMethodology
    A metodologia de ensino inclui o método expositivo (ME1) para apresentar os conteúdos necessários, o demonstrativo (ME2) para ilustrar a sua aplicação a casos práticos e o ativo (ME3) para resolução de exercícios com recurso ao R e encontrar soluções para problemas propostos (problem based learning). São utilizados conjuntos de dados reais e software de análise estatística e aprendizagem automática para explorar padrões, segmentar observações e interpretar estruturas multivariadas.
  • LínguaLanguage
    Português
  • TipoType
    Semestral
  • ECTS
    8
  • NaturezaNature
    Obrigatório
  • EstágioInternship
    Não