Código Oficial: | MA58 |
Sigla: | MECD |
Descrição: | O Mestrado em Engenharia e Ciência de Dados (MECD) tem por objetivo oferecer formação científica e profissional avançada em Engenharia e Ciência de Dados e é projetado para profissionais que buscam atualizar as suas competências, bem como, para aqueles que pretendem adquirir novas competências e conhecimentos atuais em Engenharia e Ciência de Dados. |
Pretende-se garantir que os estudantes tenham os conhecimentos fundamentais para a realização das restantes UCs do CE em quatro áreas de base: Estatística, Processamento de Sinal, Base de Dados e Programação.
Ao nível da Estatística pretende-se que tenham uma visão integrada da área e da sua utilidade, de forma a torná-los utilizadores proficientes da Estatística Descritiva e da Inferência Estatística.
Pretende-se que adquiram conceitos fundamentais, técnicas e ferramentas de análise e projeto na área do Processamento de Sinal.
Ao nível das Bases de Dados devem ser capazes de descrever e analisar os requisitos de um SI, representá-los por um modelo UML e transformá-lo num modelo relacional e usar a linguagem SQL para criar, manipular e interrogar bases de dados.
Finalmente, pretende-se que na área da Programação os estudantes adquiram e apliquem conhecimentos sobre programação usando a linguagem Python como ferramenta.
Enquadramento:
Após uma época em que as diferentes empresas/instituições muito investiram na recolha de dados no âmbito da informatização das suas operações (por ex.: sensores, sistemas GPS), e em que muitas e variadas novas fontes de dados surgiram (por ex.: redes sociais), existe agora a necessidade de pôr esses dados ao serviço dessas empresas/instituições. O objetivo é ser capaz de extrair conhecimento desses dados de modo a melhorar a eficiência e ganhar vantagem competitiva. É desta necessidade que surge a Unidade Curricular de Introdução à Aprendizagem Computacional e Extração de Conhecimento (IACE).
Objetivos:
O estudante deve ser capaz de: (1) Utilizar adequadamente estatística descritiva para descrição de dados; (2) Saber descrever as diferentes fases do processo de descoberta de conhecimento CRISP; (3) Saber utilizar e analisar os resultados de alguns dos principais métodos de classificação e de regressão; (4) Saber utilizar e interpretar métodos de análise de aglomerados; (5) Saber utilizar e interpretar métodos de regras de associação; (6) Saber desenvolver um problema de Aprendizagem Computacional e Extração de Conhecimento de acordo com a metodologia CRISP-DM.
O objetivo é introduzir os estudantes a duas das principais ferramentas para a resolução exata de problemas de otimização:
Esta unidade curricular tem dois objetivos principais, preparar os estudantes para:
(i) utilizar os princípios e técnicas pré-processamento e preparação de dados de forma a obter um conjunto de dados com qualidade para ser analisado, que permita obter resultados com qualidade
(ii) e utilizar métodos de representação visual de dados que permitam melhorar a compreensão de dados complexos.
Dotar os alunos da capacidade de projetar, implementar e explorar armazéns de dados (data warehouses).
Esta unidade curricular apresenta um conjunto de assuntos nucleares para a área da Inteligência Artificial e dos Sistemas Inteligentes.
Os objetivos principais são:
Distribuição Percentual: Componente científica: 50%; Componente tecnológica: 50%
O objetivo é consolidar as competências adquiridas no 1º ano do mestrado. Este objetivo será atingido através do desenvolvimento, em grupo, de num projeto, no âmbito de uma organização real, e desenvolvido em contacto com colaboradores dessa organização.
O objetivo geral é criar competências no tratamento de dados de natureza complexa. Pretende-se desenvolver a capacidade de tratar dados que não sejam simplesmente tabelas de observações i.i.d. Os tipos de dados complexos (DC) abordados incluem os que são importantes hoje (texto, grafos e dados espácio-temporalmente referenciados) mas irá também acomodar novos tipos ou fontes de dados para preparar os estudantes para o desenvolvimento de técnicas adequadas para os problemas com que sejam confrontados nas suas vidas profissionais.
Pretende-se que os estudantes, no contexto de um tema de dissertação, e em colaboração estreita com um orientador designado, façam uma revisão da literatura e o levantamento do estado da arte, caracterizem detalhadamente o(s) problema(s) a tratar, e estabeleçam um plano de trabalho com as tarefas do projeto a desenvolver posteriormente na unidade curricular de Dissertação.
Devem ser claramente enunciados os objetivos/questões de investigação, metodologia, técnicas e possíveis ferramentas a usar.
A visão por computador aborda a extração de informação útil de imagens e vídeos. Exemplos incluem, por exemplo, a deteção e identificação de faces ou de gestos humanos, o seguimento de pessoas ou de veículos numa sequência de vídeo. Os algoritmos da visão por computador têm imensas aplicações em muitas áreas, desde a industrial, militar e médica. Esta UC é uma introdução aos conceitos e métodos da visão por computador. Os estudantes que concluírem esta UC com sucesso deverão:
-compreender e serem capazes de explicar os conceitos da visão por computador e os algoritmos fundamentais de manipulação de imagens e sequências de vídeo;
-conhecer e serem capazes de aplicar esses algoritmos em situações práticas;
-adquirir conhecimentos que lhes permitam usar uma biblioteca, como a OpenCV, que implementa alguns dos algoritmos estudados, e implementar novos algoritmos descritos na literatura;
-ser capazes de analisar e compreender artigos científicos selecionados nas áreas de visão por computador.