Pós-Graduação em BigData & Decision Making

As organizações dependem, cada vez mais, do valor que se pode retirar dos dados disponíveis. Os dados, devidamente explorados, permitem às organizações suportar a tomada de decisão estratégica relacionadas, nomeadamente, com a manutenção da competitividade na área de negócio, interferindo, por exemplo, na criação de novos produtos ou serviços mais adaptados e personalizados.

 

Aos grandes desafios da crescente digitalização acresce a necessidade de conhecimento nas áreas relacionadas com a recolha e tratamento massivo de dados já que, com transformação e inovação da sociedade, tudo estará conectado e dependerá do valor destes dados.

 

Porquê escolher esta pós-graduação?

  • A aprendizagem é estimulada através de uma forte componente prática, incluindo a análise e desenvolvimento de projetos;
  • Prepara profissionais para uma profissão muito procurada, valorizada e bem remunerada no mercado nacional e internacional;
  • Fornece um conhecimento especializado e competências práticas aprofundadas das tecnologias de Big Data e Analytics, desenho de soluções de BI e de Big Data, modelação e análise de dados,
  • O corpo docente é constituído por professores doutorados e especialistas com grande experiência empresarial;
  • A habitual diversidade de formações de base e de atividades profissionais dos estudantes proporcionam um ambiente em sala de aula enriquecedor e favorável ao estabelecimento de redes de contactos profissionais.
Créditos:
30 ECTS

1º ano | Anual

  • 3 ECTS

    Big Data Analytics

    ECTS
    3
    Período
    Anual
    Responsável
    Goreti Marreiros
    Teórico-prática
    6 horas

    No final desta unidade curricular o estudante deve ser capaz de:
    CO1- Compreender os conceitos fundamentais de Big Data
    CO2- Compreender as origens e o ecossistema Hadoop
    CO3- Fazer uso de uma arquitetura Hadoop
    CO4- Compreender conceitos de Visualização de Dados
    CO5- Utilizar o Tableau

    P1: CONCEITOS FUNDAMENTAIS DE BIG DATA: (15%)
    P2: CONCEITOS DE HADOOP: (15%)
    P3: APLICAÇÕES DE HADOOP: (40%)
    P4: VISUALIZAÇÃO DE DADOS ? TABLEAU (30%)
  • 3 ECTS

    Big Data Architecture

    ECTS
    3
    Período
    Anual
    Responsável
    Goreti Marreiros
    Teórico-prática
    6 horas

    No final desta unidade curricular o estudante deve ser capaz de:
    CO1- Conhecer as principais arquiteturas de Big Data
    CO2- Compreender as caraterísticas de sistemas de Big Data
    CO3- Compreender como definir um cluster de Big Data
    CO4- Compreender os requisitos de Data Quality
    CO5- Compreender os requisitos de Observability

    Knowledge and Understanding (#KU)
    CO1,CO2,CO3
    Engineering Analysis (#EA)
    CO2,CO3,CO4,CO5
    Engineering Design (#ED)
    CO1,CO3,CO4
    Investigations (#IN)
    CO3,CO5
    Engineering Practice (#EP)
    CO3,CO4,CO5
  • 3 ECTS

    Big Data Tools I

    ECTS
    3
    Período
    Anual
    Responsável
    Goreti Marreiros
    Teórico-prática
    6 horas

    No final desta unidade curricular o estudante deve ser capaz de:
    CO1- Compreender conceitos fundamentais de bases de dados NoSQL
    CO2- Compreender conceito de File-based store
    CO3- Compreender conceito de Document store
    CO4- Compreender conceito de Columnar store
    CO5- Compreender conceito de Key-Value store
    CO6- Fazer aplicações práticas com os tipos de bases de dados abordadas

    P1: INTRODUÇÃO AO NOSQL: (5%)
    P2: INTRODUÇÃO A FILE-BASED STORES (S3): (5%)
    P3: INTRODUÇÃO A DOCUMENT STORES (MONGODB): (25%)
    P4: INTRODUÇÃO A COLUMNAR STORES (CASSANDRA): (45%)
    P5: INTRODUÇÃO A KEY-VALUE STORES (REDIS): (20%)
  • 3 ECTS

    Big Data Tools II

    ECTS
    3
    Período
    Anual
    Responsável
    Goreti Marreiros
    Teórico-prática
    6 horas

    No final desta unidade curricular o estudante deve ser capaz de:
    CO1- Conhecer a linguagem Spark
    CO2- Aplicar a linguagem Spark em processamento batch
    CO3- Aplicar Spark em processamento streaming
    CO4- Compreender o funcionamento de Apache Kafka
    CO5- Aplicar Kafka e Spark streaming em conjunto

    P1: INTRODUCTION TO APACHE SPARK: (20%)
    P2: HANDS-ON SPARK RDD & DATAFRAME: (30%)
    P3: HANDS-ON SPARK STREAMING: (20%)
    P4: INTRODUCTION TO APACHE KAFKA (10%)
  • 3 ECTS

    Business Intelligence

    ECTS
    3
    Período
    Anual
    Responsável
    Ana Almeida
    Teórico-prática
    6 horas

    No final desta unidade curricular o estudante deve ser capaz de:
    CO1- Compreender os conceitos fundamentais de BI
    CO2- Compreender a aplicabilidade de BI
    CO3- Conhecer a ferramenta SSIS
    CO4- Conhecer a ferramenta Power BI
    CO5- Utilizar o Power BI Desktop

    P1: CONCEITOS FUNDAMENTAIS DE BI: (20%)
    P2: APLICAÇÕES DE BI: (10%)
    P3: PROCESSOS DE ETL - SSIS: (30%)
    P4: VISUALIZAÇÃO DE DADOS ? POWER BI (40%)
  • 3 ECTS

    Data Mining

    ECTS
    3
    Período
    Anual
    Responsável
    Ana Almeida
    Teórico-prática
    6 horas

    No final desta unidade curricular o estudante deve ser capaz de:
    CO1- Compreender os conceitos fundamentais de DM
    CO2- Conhecer as técnicas de DM
    CO3- Conhecer o CRISP-DM
    CO4- Compreender os conceitos básicos da linguagem python
    CO5- Implementar uma fase de Preparação de Dados
    CO6- Aplicar algoritmos de Machine Learning

    P1: CONCEITOS FUNDAMENTAIS DE DATA MINING: (20%)
    P2: LINGUAGEM PYTHON: (40%)
    P3: COMPREENSÃO E PREPARAÇÃO DE DADOS: (20%)
    P4: ALGORITMOS DE MACHINE LEARNING (20%)
  • 3 ECTS

    Data Security & Privacy

    ECTS
    3
    Período
    Anual
    Responsável
    Ana Almeida
    Teórico-prática
    6 horas

    CO1- Compreender os conceitos de Big Data
    CO2- Compreender os conceitos de segurança e privacidade
    CO3- Analisar e subdividir redes em subredes
    CO4- Compreender os conceitos de Cloud Computing e criar serviços na AWS
    CO5- Compreender conceitos de automação e aplicar as mesmas no desenvolvimento de uma arquitetura na Cloud
    CO6- Analisar e implementar encriptação ao nível da rede e do armazenamento
    CO7- Conceção, design e implementação de uma arquitetura de integração de dados em BigData aplicando técnicas de segurança

    P1: Conceitos de big data: (15%)
    P2: Compreensão de segurança e privacidade e técnicas para aplicar numa arquitetura: (15%)
    P3: Conceitos de Cloud Computing e mecanismos de automação no desenvolvimento de uma arquitetura na Cloud: (15%)
    P4: Mecanismos de integração de dados em Big Data (15%)
    P5: Desenvolvimento de um projeto para reforçar os conceitos dados (40%)
  • 3 ECTS

    Datawarehousing

    ECTS
    3
    Período
    Anual
    Responsável
    Goreti Marreiros
    Teórico-prática
    6 horas

    No final desta unidade curricular o estudante deve ser capaz de:
    CO1- Compreender os conceitos básico de um Data Warehouse (DW)
    CO2- Analisar uma arquitetura de DW
    CO3- Compreender os conceitos básicos da linguagem SQL
    CO4- Avaliar um DW ao nível de performance, aplicando algumas técnicas para melhorar a mesma
    CO5- Conceção, design e implementação de um Data Warehouse(DW)
    CO6- Analisar e manipular os dados de um DW
    CO7- Compreender os conceitos básicos de PL/SQL

    Programa (max. 1000 caracteres)
    P1: CONCEITOS BÁSICOS DE UM DATA WAREHOUSE: (20%)
    P2: COMPREENSÃO DOS MODELOS DE DADOS: (20%)
    P3: MÉTODOS DE ANALISE E MELHORIA DE PERFORMANCE: (20%)
    P4: LINGUAGEM SQL (20%)
    P5: CRIAÇÃO DE UM DW (20%)
  • 6 ECTS

    Seminars

    ECTS
    6
    Período
    Anual
    Responsável
    Ana Almeida
    Teórico-prática
    12 horas

    No final desta UC, pretende-se que o estudante seja capaz de:
    ? Conhecer e discutir aplicações das principais competências adquiridas durante as restantes unidades curriculares
    ? Conhecer e discutir os principais temas tratados nas diversas palestras.
    ? Desenvolver um projeto
    ? Elaborar um relatório
    ? Preparar uma comunicação e apresentá-la.

    P1: Discussão de temas relacionados com BigData, apresentados sob a forma de palestras lecionadas por oradores de várias áreas.
    P2: Desenho e desenvolvimento de um projeto integrador dos diferentes conhecimentos adquiridos.

 

25 semanas letivas 

30 unidades ECTS

Horário pós-laboral

Terças: 18:00- 22:40 (online)

Sextas: 18:00- 22:40

Sábado: 9:00-13:00

Saídas profissionais:

AI Architect;

AI Developer;

AI Engineering;

Data Analyst;

Data Architect;

Data Scientist.

destinatários

Os candidatos à frequência do curso devem ser graduados em Informática ou áreas afins por estabelecimentos de Ensino Superior, quer nacionais quer estrangeiros. 

 

candidaturas

Consulte aqui o EDITAL do Concurso

Consulte aqui o Mapa de Vagas para a 2.ª Fase

1.ª Fase: 22 de junho a 6 de julho de 2026

2.ª Fase: 25 de agosto a 3 de setembro de 2026

(A segunda fase abre mediante a disponibilidade de vagas resultantes da fase anterior)

 

propinas

3000 euros (2026/2027)

Estudantes inscritos na rede Alumni ISEP têm um desconto de 10%

 

resultados

Os resultados são divulgados em portal.isep.ipp.pt, com acesso de convidado, no separador [Inscrições > Candidaturas > Candidaturas]. Os candidatos colocados devem realizar a matrícula no prazo indicado no Edital do Concurso.


Candidaturas encerradas. Para mais informações, contacte-nos: