ISLA IPGT 22491

Extração de Conhecimento de Dados

• ApresentaçãoPresentation

  A unidade curricular visa dotar o estudante de competências técnicas e analíticas na área da extração de conhecimento e transformação de dados em informação útil para apoio à decisão organizacional. O estudante deverá compreender e aplicar metodologias de ETL, Data Warehousing, Business Intelligence e Data Mining, explorando a integração com Power BI e Python.
• ProgramaProgramme

  Extração de Conhecimento de Dados – Processos e Procedimentos Processo de ETL (Extract, Transform & Load) Ferramentas (Data Warehouses, OLAP, BI)                - Data Warehouse – Conceção SQL                - Integration Services - Processo ETL                - Analysis Services com Cubo OLAP Business Intelligence adaptativo      - Arquitetura de Business Intelligence Descoberta do Conhecimento em Base de Dados (Data Mining em Python)      - Preparação e feature engineering      - Classificação (K-NN + Random Forest)      - Clustering (K-Means) para segmentação      - Regras de associação (market basket)      - Power BI — Modelo, DAX e Visuais (com Python integrado)      - Integração dos dados      - Medidas DAX - Python no Power BI
• ObjectivosObjectives

  No final da unidade curricular, o estudante deverá ser capaz de: Compreender o ciclo completo de extração, transformação e carregamento de dados (ETL); Conceber e implementar modelos de Data Warehouse e cubos OLAP; Aplicar algoritmos de aprendizagem supervisionada (Logistic Regression, Random Forest) e não supervisionada (K-Means) em Data Mining; Desenvolver modelos de Business Intelligence adaptativo, integrando Python com Power BI; Interpretar resultados e indicadores provenientes de sistemas de análise e previsão; Criar dashboards interativos com DAX e visualizações inteligentes; Avaliar a qualidade, consistência e utilidade do conhecimento extraído.
• BibliografiaBibliography

  Gama, J. et al. (2015). Extração de Conhecimento de Dados. Sílabo. Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann. Sharda, R., Delen, D., & Turban, E. (2017). Business Intelligence, Analytics, and Data Science: A Managerial Perspective (4th ed.). Pearson. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann. Ward, M. O., Grinstein, G., & Keim, D. (2015). Interactive Data Visualization: Foundations, Techniques, and Applications. CRC Press. Data Analytics for Business Intelligence: A Multi¿Industry Approach — Sun, Zhaohao. Chapman & Hall / CRC Press. 1ª ed., Dezembro 2024. Trata de dados, analytics e inteligência aplicada a múltiplos setores. Microsoft Power BI Cookbook – Third Edition — Deckler, Greg & Powell, Brett. Packt Publishing. Julho 2024. Um guia prático de Power BI com técnicas actualizadas, ideal para modelação, DAX, visuais, integração com Python.
• MetodologiaMethodology

  A metodologia aplicada, é uma metodologia expositiva, nos conteúdos teóricos e de prática laboratorial nos conteúdos de aplicação prática. Aprendizagem baseada em problemas.
• LínguaLanguage

  Português
• TipoType

  Semestral
• ECTS

  6
• NaturezaNature

  Obrigatório
• EstágioInternship

  Não
• AvaliaçãoEvaluation

  Descrição dos instrumentos de avaliação (individuais e de grupo) ¿ testes, trabalhos práticos, relatórios, projetos... respetivas datas de entrega/apresentação... e ponderação na nota final.

  Exemplo:

  Descrição	Data limite	Ponderação
  Trabalho prático de grupo		35%
  Teste de avaliação	24-01-2026	50%
  Trabalhos realizados em sala de aula		15%

   

  Haverá aulas de orientação tutorial remotas a acompanhar o desenvolvimento do trabalho prático.

  A falta na apresentação de um dos momentos de avaliação condiciona a época de avaliação.