GESTÃO DOS SISTEMAS E TECNOLOGIAS DE INFORMAÇÃO
Ficha da Disciplina - Data Mining Geo-Espacial
Curso: Gestão dos Sistemas e Tecnologias de Informação
Unidade curricular: Data Mining Geo-Espacial
Código da Unidade curricular: 42238
Tipo de unidade curricular: Opcional
Ano do plano de estudos: 1º
Semestre: Primavera-Verão
Número de créditos: 7.5
Docente responsável:
Número de horas de aula por semana: Não Disponivel
Objectivos da unidade curricular:
OA1- Ser capaz de definir o Data Mining (DM)
OA2- Explicar as principais características do DM
OA3- Explicar a importância do DM no contexto da ciência da informação geográfica
OA4- Compreender e discutir as implicações do prefixo geo em DM
OA5- Compreender as tarefas básicas de preparação e pré-processamento dos dados
OA6- Compreender o algoritmo do k-means e o seu funcionamento
OA7- Compreender o algoritmo do SOM e o seu funcionamento
OA8- Ser capaz de usar autonomamente o SOM em tarefas de classificação não supervisionada
OA9- Compreender as Árvores de Decisão (AD) e o seu funcionamento
OA10- Compreender o Percetrão multi-camada (PMC) e o seu funcionamento
OA11- Ser capaz de usar autonomamente as AD e os PMC em tarefas de classificação supervisionada
Requisitos de frequência:
Não Disponivel
Conteúdo da unidade curricular:
A unidade está organizada em 4 Unidades de Aprendizagem (UA):
UA1. Introdução ao Data Mining
UA2. Data Mining no contexto da ciência da informação geográfica
UA3. O papel dos dados no Data Mining
UA3. Classificação não supervisionada Classification (clustering)
UA4. Classificação supervisionada (modelação preditiva)
Bibliografia recomendada:
- Berry, M., Linoff, G., (1998) “Mastering Data Mining: the Art and Science of Customer Relationship Management”, 512 pp. Wiley, ISBN-10: 0471331236 ISBN-13: 978-0471331230
- Lee, Y., Van Roy, B., Reed, C., Lippmann, R., Kennedy, R., (1997) “Solving Data Mining Problems Through Pattern Recognition”, 400 pp. Prentice Hall Har/Cdr edition
- Mitchell, T., (1997) “Machine Learning”, 352 pp. McGraw Hill ISBN-10: 0071154671 ISBN-13
- Bishop, C. (1995). “Neural Networks for Pattern Recognition”. 500 pp. Oxford: University Press. ISBN-10
- Haykin, S. (1998) “Neural Networks - A Comprehensive Foundation”. 842 pp. Prentice Hall, 2nd edition
- Other readings researched by students in preparation for class work.
Métodos de ensino:
A unidade curricular (UC) baseia-se numa abordagem orientada a problemas com a aquisição ativa de conhecimentos pelos alunos. A UC é composta por uma parte assíncrona que inclui a leitura de diversos materiais e a realização de projetos e por uma parte síncrona que é composta por aulas presenciais e sessões tutoriais.
Métodos de avaliação:
Um exame final (30%) Quatro projetos individuais: 2 teóricos (10% cada) e 2 práticos (25% e 20%)
Língua de ensino: Português. No caso de o ISEGI receber alunos de Erasmus ou um docente estrangeiro, as aulas serão leccionadas em Inglês.