1. Introdução à Governança e Gestão dos Dados.
2. Funções e responsabilidades na governança de dados.
3. Principais características dos dados.
4. Tecnologias e ferramentas para gestão de dados.
5. Princípios, legislação e ética aplicáveis à gestão de dados.
6. Segurança e Privacidade.
7. Conceitos básicos de criptografia.
8. Segurança nas comunicações, redes e Internet.
9. Segurança e Privacidade no processamento de dados.
10. Segurança na nuvem e IoT.

1. Introdução e conceitos-chave na análise de negócios
2. Planeamento e monitorização de atividades
3. Elicitação e colaboração
4. Gestão do ciclo de vida de requisitos
5. Análise estratégica
6. Análise de requisitos e desenho de soluções
7. Avaliação de soluções
8. Perspetiva para Business Intelligence
9. Perspetiva para tecnologias da informação
10. Perspetiva para arquitetura de negócios
11. Perspetiva da gestão de processos de negócios

1. Introdução
   1.1. Dados, Informação e Sistemas de Informação
   1.2. Conceitos sobre dados e estruturas de dados
   1.3. Privacidade e proteção de dados
2. Análise de dados
   2.1. Normalização
   2.2. Metadados
   2.3. Sistemas de armazenamento de dados: Bases de Dados Relacionais e NoSQL
   2.4 Modelos de dados: conceptuais, lógicos e físicos
   2.5. Critérios de qualidade nos dados
   2.6. Paradigmas OLTP e OLAP
3. Linguagens de manipulação de dados: SQL
   3.1. Criação de estruturas de dados
   3.2. Operações de manipulação de dados
   3.3. Construção básica de informação
4. Integração de Dados: técnicas e ferramentas
   4.1. Planeamento
   4.2. Extração de dados
   4.3. Tratamento de dados
   4.4. Integração de dados
   4.5 Modelos em estrela
   4.6. Plataformas e ferramentas
5. Plataformas de análise de dados

1 – Introdução ao software R
2 – Manipulação dos dados
3 – Resumo dos dados
4 – Estimação pontual
5 – Intervalos de confiança
6 – Teste de hipóteses
7 – Associação e correlação entre variáveis
8 – Tópicos de Estatística para aprendizagem automática

• Análise de componentes principais
• Análise de clusters
• Algoritmo de classificação Naive Bayes

1. Regressão linear
   a) Interpretação e estimação
   b) Análise dos pressupostos
   c) Inferência sobre os parâmetros
   d) Medidas de qualidade/adequação e de comparação de modelos
   e) Predição pontual e intervalar
   f) Utilização de variáveis artificiais
2. Regressão logística
   a) Função de ligação logit
   b) Interpretação e estimação dos modelos
   c) Análise dos pressupostos do modelo
   d) Inferência sobre os parâmetros
   e) Medidas de qualidade/adequação e de comparação de modelos
   f) Ponto de corte e a curva ROC
3. Modelos com dados em painel
   a) Modelos de efeitos fixos
   b) Modelos de efeitos aleatórios
4. Introdução às séries temporais
   a) Conceitos fundamentais
   b) Componentes de uma sucessão cronológica
   c) Decomposição de uma série cronológica

1. Introdução ao Data Mining
2. Metodologias para o Processo de Data Mining: CRISP-DM
3. Exploração de dados
4. Preparação de Dados
5. Redução de Dados: Características, Casos, Valores
6. Algoritmos de Data Mining: Naïve Bayes, Árvores e regras de decisão, Regressão Logistica, K-Nearest Neighbors, Redesneuronais, Máquinas de vetores de suporte, Regras de associação, K-Means, Florestas aleatórias, Boosting
7. Avaliação e Seleção de Modelos
8. Tópicos Avançados de Data Mining
9. Privacidade, Segurança e Desafios

1. Introdução ao Business Intelligence (BI):
   1.1. Enquadramento;
   1.2. Ciclo de vida;
   1.3. Casos de estudo (Banca; Finanças; Saúde; Educação; etc.).
2. Data Warehousing e OLAP:
   2.1. Conceito de Data Warehouse;
   2.2. Modelo multidimensional;
   2.3. Factos, dimensões e métricas;
   2.4. Hierarquias;
   2.5. Operações OLAP;
   2.6. OLAP Servers.
3. Desenvolvimento de Relatórios:
   3.1. Preparação dos dados alvo;
   3.2. Estruturação de relatórios com elementos visuais.
4. Data Analytics e Visualização de Dados:
   4.1. Tipos de elementos visuais e fatores de seleção;
   4.2. Desafios técnicos;
   4.3. Exploração visual;
   4.4. Desenho e desenvolvimento de gráficos standard;
   4.5. Dashboards, scorecards e indicadores (KPIs);
   4.6. Extração de conhecimento para suporte à tomada de decisão.
5. Apresentação, comunicação e storytelling:
   5.1. Identificar o que exprimem e o que transmitir sobre os dados;
   5.2. Estruturar narrativas;
   5.3. Identificar elementos visuais;
   5.4. Contexto e direção.

1. Programação em Python
   a. Python
   b. Plataformas para aprendizagem computacional
   c. TensorFlow
   d. Keras
2. Redes neuronais
   a. Estrutura de um neurónio artificial
   b. O percetrão
   c. Percetrão multi-camada
   d. Funções de ativação
   e. Gradientes estocásticos
   f. Algoritmo de retropropagação
3. Auto-codificadores
   a. Arquiteturas
   b. Aplicações
4. Regularização e otimização
   a. Regularização L1 e L2
   b. Dropout
   c. Divisão em lotes
   d. AdaGrad
   e. Adam
5. Redes neuronais convolucionais
   a. Arquitetura de uma rede convolucional
   i. Camadas convolucionais
   ii. Camadas de pooling
   iii. Camadas densas
   b. Treino de uma rede neuronal convolucional
   c. Aprendizagem por transferência
   d. Aplicações no processamento e imagem
6. Redes neuronais recorrentes
   a. Arquiteturas:
   i. RNN
   ii. Redes de memória longo-curto prazo (LSTM) empilhadas
   iii. Redes gated recurrent units (GRU)
   b. Aplicações
   i. Análise de séries temporais e previsão
   ii. Processamento de linguagem natural
   iii. Reconhecimento de voz e texto

1.Introdução

• A importância da informação textual nas organizações e principais desafios
  -Principais etapas do processo de Text Mining
  2.Extracção de informação
  2.1 Pré-processamento de documentos usando REGEX e Processamento de Linguagem Natural
  2.2 Identificação de informação relevante (termos, frases e entidades)
  3.Técnicas de text mining
  3.1 Introdução
  3.2 Information Retrieval
• Termos e listas de ocorrências
• Índices
• Modelos e Medidas de similariedade
• Avaliação
  3.3 Classificação de documentos
• Abordagens usadas na classificação/categorização de texto
• Avaliação
  3.4 Agrupamento de documentos
• Tarefas de agrupamento para análise de texto
• Algoritmos para agrupamento de documentos
• Agrupamento de dados textuais
  3.5 Text Summarization
• Conceitos
• Abordagens para a criação automática de resumos
  3.6 Exploração de ferramentas de text mining
  4.Casos de estudo
• Sentiment Analysis
• Chatbots
• Web mining
• Topic modelling
• Digital Libraries

1. Introdução ao Big Data
   1.1 Big Data: Porquê?
   1.2 Características do Big Data e Dimensões da Escalabilidade
   1.3 Data Science: Obter Valor do Big Data
   1.4 Fundamentos para sistemas e programação de Big Data
2. Sistemas de Modelação e Gestão de Big Data
   2.1 Modelação de Big Data
   2.2 Modelos de dados
   2.3 Gestão de Big Data
3. Integração e Processamento de Big Data
   3.1 Integração e processamento
   3.2 Modelo Relacional, NoSQL, agregação de dados e frames de dados
   3.3 Integração de Big Data
   3.4 Big Data Analytics
4. Machine Learning com Big Data
   4.1 Introdução à aprendizagem automática com Big Data
   4.2 Exploração e visualização de dados
   4.3 Preparação de dados
   4.4 Classificação
   4.5 Avaliação de modelos de Machine Learning

1. Introdução à Análise Multivariada
   a) Matrizes de covarâncias e de correlações
   b) Distribuição Normal multivariada
   c) Teorema do limite central multidimensional
   d) Matriz de diagramas de dispersão
2. Análise fatorial
   a) Modelo
   b) Método das componentes principais
   c) Método da máxima verosimilhança
   d) Rotação de fatores
   e) Avaliação da qualidade do modelo
   f) Redução de variáveis na regressão linear
   g) Consistência interna
3. Análise de Clusters
   a) Medidas de dissemelhança
   b) Dendrograma
   c) Métodos hierárquicos
   d) Métodos não hierárquicos
4. Análise Discriminante e Classificação
   a) Seleção das variáveis discriminantes
   b) Função discriminante
   c) Classificação por recurso à função discriminante
5. Modelos de equações estruturais
   a) Conceitos fundamentais
   b) Etapas na modelação de equações estruturais
   c) Aplicações dos modelos de equações estruturais

1. Conceitos fundamentais
   1.1 Sucessão Cronológica: definição
   1.2 Componentes de uma sucessão cronológica
   1.3 Utilização de software para representação gráfica de sucessões cronológicas e identificação das suas componentes
   1.4 Estacionaridade
   1.5 Autocorrelação e autocorrelação parcial
   1.6 Generalidades sobre métodos de previsão e medidas de precisão
2. Modelos de decomposição
   2.1 Decomposição Clássica
   2.2 Médias Móveis
   2.3 Alisamento exponencial
   2.4 Método STL (Seasonal-Trend Decomposition Procedure Based on Loess)
3. Modelos lineares de Box-Jenkins
   3.1 Modelos estacionários (AR, MA e ARMA)
   3.2 Modelos não estacionários (ARIMA e SARIMA)
   3.3 Estimação de parâmetros, avaliação de diagnóstico e previsão
   3.4 Aplicações em software
4. Modelos de heterocedasticidade condicionada
   4.1 Volatilidade
   4.2 Modelos ARCH e GARCH
   4.3 Aplicações em software