Disciplina
Sistemas de Apoio à Decisão
Área
Área Científica de Inteligência Artificial > Sistemas Inteligentes
Activa nos planos curriculares
MEIC-T 2015 > MEIC-T 2015 > 2º Ciclo > Agrupamentos > Bioinformática e Biologia Computacional > Sistemas de Apoio à Decisão
MEIC-A 2015 > MEIC-A 2015 > 2º Ciclo > Agrupamentos > Bioinformática e Biologia Computacional > Sistemas de Apoio à Decisão
MEBiom 2006 > MEBiom 2006 > 2º Ciclo > Opções > Opção 2 > Sistemas de Apoio à Decisão
MERC 2006 > MERC 2006 > 2º Ciclo > Opções > Sistemas de Apoio à Decisão
MEIC-T 2006 > MEIC-T 2006 > 2º Ciclo > Áreas de Especialização Complementares > Sistemas de Informação Empresariais > Sistemas de Apoio à Decisão
MEIC-A 2006 > MEIC-A 2006 > 2º Ciclo > Área de Especialização Complementar > Sistemas de Informação Empresariais > Sistemas de Apoio à Decisão
Nível
A avaliação é composta por 2 componentes: • NP = nota do parte prática (projeto ou laboratórios) • NE = nota do exame A nota final (NF) é dada por: NF = 30% NP + 70% NE Observações: A nota mínima no projeto e exame é 9.0 valores.
Tipo
Não Estruturante
Regime
Semestral
Carga Horária
1º Semestre
3.0 h/semana
1.5 h/semana
147.0 h/semestre
Objectivos
Introduzir os conceitos fundamentais da descoberta de informação a partir de grandes quantidades de dados Tornar os alunos hábeis na criação de sistemas capazes de descobrir informação escondida através da aplicação de técnicas de data mining. Tornar os alunos hábeis na avaliação da informação descoberta, em particular na comparação dos diferentes modelos descobertos.
Programa
Introdução. (1.5 h – 1 aula) Processo de Descoberta de Informação Pré-processamento (3 h – 2 aulas) Seleção, Limpeza, Integração e Redução PCA Pós-processamento (1.5h - 1 aula) Avaliação. Princípio da navalha de Occam e MDL Regras de associação e descoberta de padrões (3h – 2 aulas) Algoritmos apriori. Regras de associação, padrões máximos e fechados Descoberta de padrões sequenciais– PrefixSpan Segmentação (Clustering) (3h – 2 aulas) Algoritmos k-means e em Segmentação de sequências Classificação Noção de conceito (0.5 h) Classificação baseada em instâncias – knn (0.5 h) Classificação Bayesiana – MAP, naïve Bayes, Redes de Bayes (3h – 2 aulas) Árvores de decisão – ID3, C4.5 e CART (3 h – 2 aulas) Redes neuronais – treino perceptrão e backpropagation (3h – 2 aulas) Máquinas de vectores de suporte (3 h – 2aulas) Combinação de modelos (Ensemble) – RandomForests, AdaBoost (3 h – 2 aulas) Avaliação de modelos (1.5 h – 1 aula) Social Network Analysis (3h - 2 aulas) Conceitos básicos: centralidade e prestígio. Algoritmo HITS Algoritmo PageRank e variantes Aplicações (9 h – 6 aulas) Descoberta de informação em fluxos de dados e “na nuvem” Sistemas de recomendação Exploração de texto e recuperação da informação Bioinformática e exploração de dados clínicos Análise de séries temporais e exploração de dados temporais Descoberta de sentimentos e exploração de opiniões
Metodologia de avaliação
A avaliação é composta por 2 componentes: • NP = nota do parte prática (projeto ou laboratórios) • NE = nota do exame A nota final (NF) é dada por: NF = 30% NP + 70% NE Observações: A nota mínima no projeto e exame é 9.0 valores.
Pré-requisitos
Componente Laboratorial
Princípios Éticos
Componente de Programação e Computação
Componente de Competências Transversais
Bibliografia
Principal
Data Mining : Concepts and Techniques, 3rd edition
Jiawei Han and Micheline Kamber
Artificial Intelligence: A Modern Approach, 3rd edition
Stuart Russell and Peter Norvig
Neural Networks and Learning Machines