Pós-Graduação
Curso em fase de acreditação
pela Ordem dos Engenheiros*

Modelação Estatística Computacional

O curso tem como principal objetivo o desenvolvimento de competências no domínio da Estatística Computacional, contemplando várias metodologias atuais de extração de conhecimento a partir de dados. Inclui formação em Aprendizagem Estatística (Statistical Learning), Data Mining, Inferência Estatística Computacional, Métodos de Decisão, Modelação Estatística, Simulação e Visualização de Dados. Como ferramentas e linguagens de programação serão usados R, Python e PowerBI.

A formação permitirá a aquisição e/ou atualização de competências numa área científico-tecnológica emergente e de grande impacto na valorização do conhecimento. É especialmente indicada para formandos com objetivos de re-skilling e up-skilling.

Apresentação

Reproduzir vídeo

Plano de Estudos

Unidade de FormaçãoECTSHoras de Contacto
Estatística Aplicada6 ECTS42 horas
Estatística Computacional6 ECTS42 horas
Modelos Lineares Generalizados3 ECTS21 horas
Modelos Não Paramétricos3 ECTS21 horas
Unidade de FormaçãoECTSHoras de Contacto
Data-Driven Decision Making4,5 ECTS31,5 horas
Métodos Estatísticos em Data Mining4,5 ECTS31,5 horas
Statistical Learning6 ECTS42 horas
Visualização Interativa3 ECTS21 horas

Informações

Duração / ECTS
1 ano / 36 ECTS

Data início
13 de Setembro de 2021

Horário
Diurno (com horário concentrado)

Prazos
A anunciar*

Estudante Nacional

PropinaValor
Estudante Nacional1.000,00 €
Estudante Internacional2.500,00€
Estudante CPLP1.500,00€

Condições específicas de ingresso:

● Titulares do grau de licenciado ou titulares de um grau académico superior estrangeiro nas condições descritas na lei nas áreas de: Matemática, Estatística, Física, Ciência de Computadores, Engenharia, Economia, Biologia e áreas afins ou equivalente legal;
● Só serão admitidos candidatos(as) que tenham concluído, ou estejam em condições de concluir antes da matrícula, um dos 1º ciclos referidos no ponto anterior com a classificação mínima de 12 valores;
● Poderão ser admitidos candidatos que pelo seu currículo académico, científico ou profissional, a Comissão Científica do Curso reconheça reunir os requisitos necessários para a realização desta formação.

Condições específicas de seleção e seriação:

A seriação será feita atendendo aos seguintes critérios e subcritérios:

Currículo académico ao nível do 1º ciclo (60 %)
    ● Subcritério 1: área de formação (20 %)
    ● Subcritério 2: média aferida de licenciatura (40%)

A média aferida é obtida normalizando a média para a escala de 0 a 20, somando-lhe o valor de ln(R/r), e arredondando para o inteiro mais próximo na escala de 0 a 20, sendo ln o logaritmo natural e sendo R e r, respetivamente para a Universidade do Porto e para universidade onde foi realizado o curso, as posições no ranking mundial divulgado em http://www.webometrics.info

Currículo científico e experiência profissional (40 %)
    ● Subcritério 1: área de formação (20 %)
    ● Subcritério 2: Formação pós-graduada anterior, publicações científicas, comunicações em conferências, projetos de investigação, experiência profissional e outros dados considerados pertinentes pela Comissão Científica do Curso (20 %)

Critério de desempate: Em caso de empate, será usado como critério de desempate a carta de motivação apresentada pelos estudantes.

Os candidatos que ainda não possuam grau de licenciado e/ou tenham currículo escolar, científico ou profissional, que seja reconhecido como atestando capacidade para realização deste ciclo de estudos pelo órgão científico estatutariamente competente, serão seriados de acordo com os critérios e subcritérios acima indicados, mas substituindo a média final de licenciatura pela média ponderada das unidades curriculares realizadas.

As candidaturas têm de ser feitas na página institucional do curso: AQUI

Documentos necessários: a anunciar*

Licenciados ou pós-graduados nas áreas científicas da Matemática, Estatística, Física, Ciência de Computadores, Engenharia, Economia, Biologia e áreas afins.

Notas práticas:

i) Durante o curso, serão assumidos conhecimentos básicos de Estatística, correspondentes à(s) primeira(s) unidade(s) curricular(es) de Estatística de um curso do ensino superior, bem como conhecimentos em Cálculo/Análise e Álgebra Linear. Contudo, desde que haja motivação, alguma falha nestas áreas poderá ser colmatada, especialmente na situação em que os candidatos possuam experiência anterior em análises estatísticas.

ii) Algumas unidades curriculares poderão ser dadas em inglês.

Contactos

Docente Responsável: Rita Gaio
Docente Responsável: Margarida Brito
Educação Contínua: formacao.continua@fc.up.pt

Testemunhos

Rogério Nunes
Eng. Electrotécnico e de Computadores
MBA Exec. / PMP
CIO / D. Geral IT (Grupo Amorim)

João Carvalho
Economista

“Apesar do meu background ser ligado à engenharia e tecnologias de informação, portanto numa área eminentemente técnica e prática, procurava um curso de atualização que aliasse a componente teórica de fundamentação e sustentação da área de conhecimento estatística e análise de dados à aprendizagem e experiência prática (“hands-on”) na aplicação de ferramentas / modelos a casos concretos.

Encontrei isso mesmo na Pós-Graduação de Estatística Computacional e Análise de Dados, num balanço 100% conseguido. Durante o curso senti-me um aluno sempre acompanhado e encontrei um corpo docente empenhado e próximo do aluno, garantindo desta forma uma eficaz aprendizagem das competências âmbito.

A exigência, o rigor, a compreensão e o espírito de entreajuda vivido neste curso foram uma enorme mais valia e que nos enriquece a todos. Claramente recomendo a frequência deste curso. Nós conseguimos… anda daí!”

“Antes de terminar a minha Licenciatura em Economia, já tinha intenção de aprofundar os meus conhecimentos na área da Estatística e Análise de Dados, e o aparecimento da Especialização em Estatística computacional e Análise de Dados (E:ECAD), foi uma opção natural para mim. Isto, porque o meu objetivo passa por ganhar competências na extração de valor dos dados.

Este curso fornece as ferramentas base no âmbito da análise de diferentes tipos de dados, possibilitando a criação dos modelos preditivos mais apropriados, avaliando a sua performance e fiabilidade. Os conteúdos possuem bastante robustez teórica, permitindo aos alunos ganharem sensibilidade com esta matéria, tanto conceptualmente como a nível prático, através de case-studies analisados em aula assim como dos trabalhos de grupo. A E:ECAD requer uma dedicação contínua, especialmente para os alunos que não tenham algum background matemático ao nível do ensino superior. No entanto, com empenho e entreajuda tudo se consegue, tornando-se bastante recompensador no final.

Este curso revelou ser uma excelente experiência, excedendo as minhas espectativas, quer a nível do corpo docente, quer dos conteúdos programáticos. A heterogeneidade da turma constituiu uma mais valia para as dinâmicas nas aulas e para a partilha de conhecimentos.”

Miguel Rebelo
Machine Learning Engineer
na E-goi
Lic Bioquímica FCUP/ICBAS
MSc Biologia Molecular e Biotecnologia UM

Ana Bezerra
Engenheira Química

“Hoje, posso dizer que sou ‘ML Engineer’, graças, não simplesmente ao curso (papel, que vindo da FCUP, tem um peso substancial), mas à qualidade científica da formação que tive. Tenho perfeita consciência de que as ferramentas com que fui munido durante o curso foram condição si ne qua non.

Neste curso não são privilegiadas ferramentas que se desatualizam no espaço de uma década. Fruto do CMUP, tem um peso substancial na teoria que está por detrás da técnica. Apesar disso, mas também por causa disso, tem um cariz prático muito relevante. Aqui o foco é saber pensar, e não, saber manusear esta ou aquela ferramenta, tornando a componente científica mais palatável ou inexistente.

Aqui encontrei, salvo raras exceções, professores rigorosos, comunicativos, com qualidade científica inquestionável, sensíveis aos esforços dos alunos, de uma disponibilidade notável, e que despertaram a
curiosidade dos alunos mesmo para matérias que, à partida, não pareceriam tão entusiasmantes.
Por tudo isto, posso garantir que, quem frequentar este curso por gostar de mergulhar no mundo dos dados, encontrará aqui o cinzel para que se torne menos pedra, e mais estátua.”

“Olá o meu nome é Ana Bezerra e este é o meu testemunho enquanto aluna na pós-graduação em Estatística Computacional e Análise de Dados.

Esta pós-graduação surpreendeu-me pela positiva em termos de conteúdo, começando pela componente teórica que permite a compressão da metodologia de uma forma mais profunda e que também traz a flexibilidade de pensamento, que pode ser crítica para aplicações na vida real. Em termos práticos, existe sempre a realização de trabalhos, muitas vezes com dados de problemas reais, que permite aplicar metodologias atuais. Contudo, não pode faltar o aviso que esta pós-graduação requer um grande esforço por parte do aluno e muita pesquisa individual, muitas vezes em sites como Stack Overflow, mas também é essa bagagem que confere a autodidaxia necessária em qualquer emprego.

Assim, acho que quem ingressar nesta pós-graduação não sairá desiludido, mas sim pronto para aplicar os conhecimentos adquiridos ao longo da sua vida.”

Corpo Docente

Parcerias

A maioria dos docentes da pós-graduação pertence ao Centro de Matemática da Universidade do Porto (link para https://www.cmup.pt/), um centro de investigação em Matemática de referência no país. Para além das suas atividades de investigação científica, os docentes têm participações em projetos de consultoria do GEMAC – Gabinete de Estatística, Modelação e Aplicações Computacionais (link para https://cmup.fc.up.pt/cmup/gemac/)

 

Em 2020/21, a Fundação Calouste Gulbenkian, através do Programa Gulbenkian Parcerias para o Desenvolvimento, apoiou financeiramente a criação e implementação de um curso de pós-graduação (não conferente de grau) em Estatística Computacional e Análise de Dados pela Universidade de Cabo Verde em associação com a Faculdade de Ciências da Universidade do Porto. A lecionação das unidades curriculares foi assegurada por docentes de ambas as universidades, e no caso da FCUP, por docentes do Departamento de Matemática.

Workshops

Minicurso:
Introdução à Estatística Bayesiana: Fundamentos, Métodos e Aplicações

Local e data: Anfiteatro 0.31 do Departamento de Matemática, Faculdade de Ciências da Universidade do Porto
Rua do Campo Alegre s/n, 4169-007 Porto. Tm.: 92 319 27 63.
Datas: 17 de fevereiro de 2020. Horas: 10h-11h30, 11h45-13h, 14h30-16h e 16h30-18h.
Datas: 18 de fevereiro de 2020. Horas: 10h-11h30, 11h45-13h, 14h30-16h e 16h30-18h.
O curso é gratuito mas tem uma capacidade máxima de 30 participantes. A inscrição é obrigatória aqui.
Curso financiado pelo GEMAC e CMUP.
Organização: J N Tavares e Rita Gaio

Resumo:
– Estatística Clássica versus Estatística Bayesiana. Teorema de Bayes e essência da metodologia bayesiana. Ilustrações básicas de procedimentos inferenciais.
– Representação da informação a priori. Distribuições não informativas (Bayes-Laplace e Jeffreys). Distribuições conjugadas naturais. Caraterísticas do paradigma bayesiano.
– Aplicações a problemas com soluções analiticamente exatas ou assintóticas: Análise de modelos lineares gaussianos e de modelos para dados categorizados.
– Inferência por simulação estocástica. Métodos de Monte Carlo tradicionais. Ilustrações com software.
– Avaliação de modelos: Crítica e adequação; seleção e comparação.
– Inferência por métodos de Monte Carlo baseados em Cadeias de Markov (MCMC): Ideias básicas e algoritmos de simulação.
– Implementação ilustrada da inferência bayesiana via MCMC no software OpenBUGS ou JAGS.
– Aplicações a problemas práticos de vários domínios científicos.

Bibliografia fundamental
Paulino, Amaral Turkman, Murteira e Silva (2018), Estatística Bayesiana, 2ª ed.. Fundação Calouste Gulbenkian. Lisboa.
Amaral Turkman, Paulino e Müller (2019). Computational Bayesian Statistics – an Introduction, Cambridge University Press. Cambridge.


Responsáveis:


Carlos Daniel Paulino

Foi Professor Associado com Agregação do Instituto Superior Técnico (IST) e mantém-se como investigador integrado do Centro de Estatística e Aplicações da Universidade de Lisboa (CEAUL). Obteve os graus de Licenciado em Engenharia Química pelo IST, Mestre em Estatística e Investigação Operacional pela FCUL e Doutor em Ciências Estatísticas pela Universidade de São Paulo, Brasil. Na sua atividade docente lecionou várias disciplinas de licenciatura e pós-graduação abordando variados tópicos tais como Probabilidade e Estatística, Inferência e Decisão Estatística, Estatística Bayesiana, Estatística Matemática, Análise de Dados Categorizados, Análise de Sobrevivência, Estatística Espacial e Teoria Estatística. Publicou vários artigos de investigação de natureza diversa nas áreas de Inferência Estatística, Dados Discretos, Dados Incompletos e Mal-Classificados e Estatística Bayesiana e é coautor de mais seis livros. Homepage.

Giovani Loiola da Silva

É Professor Auxiliar do Departamento de Matemática do Instituto Superior Técnico (IST) e membro integrado do Centro de Estatística e Aplicações (CEAUL), ambos da Universidade de Lisboa. Obteve graduação em Estatística pela Universidade Federal do Ceará – Brasil, mestrado em Estatística do IME, Universidade de São Paulo, doutoramento em Matemática do IST, e concluiu um estágio de pós-doutoramento em Estatística na Simon Fraser University – Canadá. Tem lecionado várias disciplinas de graduação e pós-graduação em instituições brasileiras (e.g., Universidade Federal de São Carlos) e no IST. Publicou vários artigos científicos, nomeadamente nos tópicos de Análise de Sobrevivência, Modelos Espaço-temporais, Modelos Lineares Generalizados, Modelos Aditivos Generalizados, Estatística Computacional e Estatística Bayesiana, e é coautor de três livros. Homepage

Objetivos de Desenvolvimento Sustentável

Em atualização.

Pedido de Informações​