Nesta unidade curricular pretende-se identificar as noções fundamentais que caracterizam a estrutura de uma rede, para poder analisar redes concretas do mundo real, calculando as métricas apropriadas, comunidades, etc., e extrair informação/insights dos dados. Pretende-se ainda estudar alguns algoritmos eficientes usados na análise de redes complexas, compreender alguns modelos comportamentais de redes e simular um processo de propagação numa rede.
Nesta unidade curricular serão estudadas estruturas de redes e grafos de grandes dimensões, abordando-se questões como a conexidade, centralidade e comunidades; previsão de processos que poderão ocorrer em grafos grandes; e previsão do crescimento de grandes grafos reais.
A crescente abundância de informação torna cada vez mais importante a extração automática de conhecimento. Esta unidade curricular cobre os fundamentos da aprendizagem automática, incluindo diferentes modelos de classificação e regressão e o problema do sobre ajustamento na aprendizagem supervisionada, e algoritmos de aglomeração e extração de atributos em aprendizagem não supervisionada.
A maior parte da informação digital não está estruturada, exigindo um processo laborioso para extrair conhecimento de vídeo, som, imagens ou texto livre usando técnicas tradicionais de análise. Esta unidade curricular apresenta técnicas recentes de aprendizagem profunda (deep learning) que permitem lidar diretamente com estes dados, incluindo redes neuronais profundas, de convolução e recorrentes, modelos geradores profundos, pré-treino e exemplos práticos de aplicação com a biblioteca Tensorflow.
Nesta unidade curricular serão abordadas questões relacionadas com a tomada de decisão, a teoria de jogos, modelos de negociação e interação estratégica entre os intervenientes no processo de tomada de decisão. Serão também estudados diferentes conceitos e modelos de risco.
O curso pretende motivar os alunos para o empreendedorismo e para a necessidade da inovação tecnológica. O programa cobre vários tópicos que são importantes para a adoção de uma cultura aberta aos riscos suscitados em processos de criação de novos produtos ou atividades que exigem características empreendedoras.
Esta unidade curricular focar-se-á na análise de dados multivariados. Em particular serão abordoados aspetos relacionados com as principais distribuições estatísticas, inferência para vetores de médias e matrizes de covariância, técnicas para classificação de dados e de redução da dimensionalidade, e a aplicação de diferentes técnicas e métodos estatísticos na análise de (grandes volumes) dados multivariados.
Nesta unidade curricular abordar-se-ão conceitos relacionados com a inferência em dados de grande dimensão. Será dada especial atenção aos métodos estatísticos, técnicas de amostragemreamostragem e simulação.
Nesta unidade curricular o aluno tomará contacto com modelos bayesianos para a análise de estruturas de dados muito complexas. Serão expostos, entre outros tópicos, os princípios que regem a inferência bayesiana, técnicas de incorporação do conhecimento existente a priori e a sua correspondente incerteza numa distribuição de probabilidade, e ainda a modelação hierárquica para representar e analisar sistemas complexos.
Esta unidade curricular introduz o aluno à otimização linear. Serão abordados tópicos relacionados com a modelação, resolução e análise das soluções de problemas de programação linear, linear inteira e linear com múltiplos objetivos.
Esta unidade curricular focar-se-á na modelação e resolução de problemas de otimização não linear. Abordará tópicos que permitirão ao aluno distinguir os problemas fáceis dos de difícil resolução e utilizar os principais métodos de otimização não linear com o conhecimento das suas fragilidades numéricas. Serão também analisadas possíveis abordagens de resolução para problemas de otimização desta natureza.
Nos últimos anos tem havido um enorme aumento na quantidade de informação que é continuamente gerada (por exemplo, por sistemas financeiros, redes de telecomunicações e serviços públicos ou redes de sensores). Este curso tem como objetivo estudar os fundamentos, linguagens e sistemas para a construção de aplicações que processam fluxos de dados, desde sistemas genéricos de processamento de fluxos distribuídos em tempo real a modelos de dados estruturados para lidar com fluxos.
Esta unidade curricular centra-se nas áreas de Análise de Dados e Text Mining. O módulo de Análise de Dados cobre tópicos de pré-processamento, redução de dimensionalidade, algoritmos de clustering particional e clustering espectral (crisp vs. fuzzy), validação e interpretação de clustering. O módulo de Text Mining foca a extração de Informação Relevante, a análise simbólica e estatística dos textos, a classificação de documentos, a construção automática dos seus descritores e a distribuição das palavras em contexto de Big Data.
Como pesquisar informações médicas para ajudar a decidir o diagnóstico de um paciente? Como pesquisar todas as notícias relacionadas a um desastre natural? Este curso aborda esses problemas técnicos fornecendo aos alunos uma compreensão do design e da implementação dos mecanismos de pesquisa. Os alunos irão dominar conceitos fundamentais de Recuperação de Informação: representação de informação, indexação, consulta e classificação por relevância.
Nesta unidade curricular expõem-se os estudantes a vários casos de estudo, em que as instituições (empresas, institutos públicos, centros de investigação, etc) obtêm e/ou administram grandes volumes de dados e pretendem retirar conhecimento e informação útil desses dados. Os alunos deverão analisar estes casos de estudo, apresentados por responsáveis dessas instituições, de forma a analisar as possibilidades de extração desse conhecimento, bem como da sua utilização para o melhoramento das decisões a serem tomadas.
Esta unidade curricular visa dar ao aluno uma perspetiva geral do processamento de dados em grande escala. São revistas as principais soluções atualmente existentes para o armazenamento e processamento distribuído de dados. No que se refere às ferramentas de processamento estudadas, é dada especial ênfase aos modelos de programação suportados, numa perspetiva teórico-prática, com base no estudo de exemplos e resolução de exercícios. Na componente prática da UC, é desenvolvido um projeto que aborda um problema não trivial, usando a suite de ferramentas do ecossistema Hadoop, onde se destaca o sistema Apache Spark.
Esta unidade curricular apresenta as bases teóricas e práticas para a conceção, uso e avaliação de sistemas modernos para visualização interativa de dados. Além dos fundamentos da Visualização são apresentadas as principais técnicas de visualização de dados multivariados, dados geo-espaciais, e dados dependentes do tempo.