Big Data (BIGD)
Área
AC Matemática > UC Mestrados
Activa nos planos curriculares
Matemática Aplicada à Economia e à Gestão > Matemática Aplicada à Economia e à Gestão > 1º Ciclo > Unidades Curriculares Optativas > Big Data
Management > Management > 1º Ciclo > Unidades Curriculares Optativas > Big Data
Gestão > Gestão > 1º Ciclo > Unidades Curriculares Optativas > Big Data
Finanças > Finanças > 1º Ciclo > Unidades Curriculares Optativas > Big Data
Economics > Economics > 1º Ciclo > Unidades Curriculares Optativas > Big Data
Economia > Economia > 1º Ciclo > Unidades Curriculares Optativas > Big Data
Econometria Aplicada e Previsão > Econometria Aplicada e Previsão > 2º Ciclo > Unidades Curriculares Optativas > Optativa 3 > Big Data
Nível
2º Ciclo (M)
Tipo
Estruturante
Regime
Semestral
Carga Horária
Aula Teórica (T): 0.0 h/semana
Aula TeoricoPrática (TP): 3.0 h/semana
Trabalho Autónomo: 117.0 h/semestre
Créditos ECTS: 6.0
Objectivos
O objetivo deste curso é o de apresentar alguns algoritmos populares na análise de grandes volumes de dados, e as ferramentas necessárias para armazenamento, processamento e análise de dados num projecto de ?Big Data?.
Programa
Parte I ? Algoritmos para grandes volumes de dados (Big Data)
1. Introdução
2. Preparação de dados
3. Métodos de regressão supervisionados
4. Métodos de classificação supervisionados
5. Métodos não supervisionados
Parte II ? Infraestruturas para grandes volumes de dados (Big Data)
6. Armazenamento e processamento de dados
7. Tecnologias para grandes volumes de dados
8. Análise de dados computacional
9. Cloud Computing
10. Grande Volume de dados nas organizações
Metodologia de avaliação
Prova escrita.
Bibliografia
Principal
Learning Spark
Andy Konwinski, Holden Karau, Matei Zaharia, and Patrick Wendell,
2015
1st Ed. O?Reilly Media.
Analytics in a Big Data World: The Essential Guide to Data Science and its Applications, ,
Bart Baesens
2014
Wiley
An Introduction to Statistical Learning with Applications in R,
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani.
2013
1st ed., Springer Texts in Statistics
Data Mining: Practical Machine Learning Tools and Techniques
Ian Witten, Eibe Frank and Mark Hall.
2011
3rd ed., Morgan Kaufmann Publishers
null
null
null
null
null
null
null
null
The Elements of Statistical Learning: Data Mining, Inference, and Prediction
Trevor Hastie, Robert Tibshirani, Jerome Friedman
2009
2nd ed., Springer Texts in Statistics
Secundária
Não existem referências bibliográficas secundárias.