MADS4Engineering - Minor in Applied Data Science for Engineering

The Minor in Applied Data Science for Engineering (MADS4Engineering ) is an international semester that integrates the concepts of data-driven decision making with the knowledge of 1st cycle engineering, product design and business undergraduates.

 

MADS4Engineering challenges and supports participants to:

  • Apply techniques and methodologies for analysing, visualising and processing real data;
  • Develop multicultural and interdisciplinary teamwork, interpersonal communication, and project management skills;
  • Design, develop and evaluate data-based solutions for real problems in close collaboration with industrial and research partners.

 

The syllabus focuses on the application of data science to engineering problems and includes a set of complementary activities covering group dynamics, communication, project management, ethics and critical thinking.

 

Credits 30 European Credit Transfer System Units
Language English
When Autumn semester
Where ISEP, Porto, Portugal

1º ano | 1º semestre

  • 1,5 ECTS

    Critical Thinking & Ethics in Data Science

    ECTS
    1,5
    Período
    1º semestre
    Responsável
    Luis Pedro Lopes
    Teórico-prática
    1 hora

    Este módulo tem como objetivo promover o pensamento crítico e analisar questões éticas relacionadas com o tratamento de dados.

    1. Pensamento crítico
    Componentes do pensamento crítico: análise, avaliação, inferência, explicação e autorregulação
    Competências de pensamento crítico para cientistas de dados: cepticismo, curiosidade, abertura de espírito e humildade
    2. Viés e imparcialidade nos dados
    Tipos de viés e estratégias para a sua mitigação na recolha e modelação de dados
    Impacto do viés na análise de dados e na tomada de decisões
    3. Privacidade e Proteção de Dados
    Regulamentação em privacidade de dados
    Considerações éticas relativas à recolha e ao armazenamento de dados
    4. Questões éticas na tomada de decisões baseada em dados
    Implicações éticas da tomada de decisões baseada em dados
    Elaboração de diretrizes éticas para projetos baseados em dados
    5. Machine Learning Responsável
    Considerações éticas no desenvolvimento e implementação de modelos
    Mitigação dos riscos de preconceito e discriminação
    6. Comunicação e Sensibilização
    Comunicar eficazmente questões éticas
    Criar cultura ética no tratamento de dados
  • 1,5 ECTS

    Data Preparation, Processing and Visualization

    ECTS
    1,5
    Período
    1º semestre
    Responsável
    Veríssimo Santos
    Teórico-prática
    1 hora

    Esta unidade curricular tem como propósito dotar os alunos de competências práticas e conceptuais fundamentais para manipular, tratar e interpretar dados reais e heterogéneos, preparando-os para alimentar de forma eficaz modelos analíticos e de aprendizagem automática.
    No contexto integrador da minor, o módulo assegura a fase crítica inicial de qualquer projeto de Ciência dos Dados: transformar dados brutos em representações estruturadas, limpas e informativas.
    Objetivos de Aprendizagem:
    Ao concluir a unidade curricular com aproveitamento, o estudante será capaz de:
    1 - Compreender e caracterizar diferentes tipologias de dados (numéricos, categóricos, de texto, séries temporais) e analisar as suas propriedades estatísticas e distribuições empíricas.
    2 - Aplicar técnicas de limpeza e pré-processamento, identificando e tratando valores ausentes, ruído, outliers, inconsistências e redundâncias em conjuntos de dados reais.
    3 - Conceber e implementar estratégias de engenharia de atributos (feature engineering), incluindo normalização, escalamento, codificação de variáveis e técnicas de redução de dimensionalidade.
    4 - Desenvolver visualizações de dados eficazes e informativas, recorrendo a bibliotecas computacionais (e.g., ecossistema Python) e ferramentas de análise (e.g., Power BI) para identificar padrões, correlações e comunicar insights.
    5 - Preparar e estruturar pipelines de dados com partições adequadas (treino, validação e teste) de suporte aos modelos do Data Science Lab.

    Fundamentos da preparação de dados
    -Introdução aos conceitos e importância da preparação de dados
    -Tipos de dados (numéricos, categóricos, texto, áudio, vídeo) e suas características
    -Exploração de dados e compreensão das distribuições de dados
    -Técnicas de limpeza e pré-processamento de dados (tratamento de valores em falta, outliers e inconsistências)
    Visualização de dados com bibliotecas Python e PowerBI
    -Introdução às ferramentas e bibliotecas de visualização de dados
    -Criação de visualizações básicas de dados (gráficos de dispersão, linhas, histogramas, boxplots)
    -Visualização de relações entre variáveis e identificação de padrões
    -Melhorar as visualizações de dados para uma comunicação eficaz
    Processamento de dados para aprendizagem automática
    -Engenharia de características e técnicas de transformação de dados
    -Escalamento e normalização de características
    -Técnicas de redução de dimensionalidade
    -Divisão de dados para treino, validação e teste
  • 21 ECTS

    Data Science Lab

    ECTS
    21
    Período
    1º semestre
    Responsável
    Benedita Malheiro
    Orientação tutorial
    14,4 horas

    Promover o desenvolvimento das seguintes competências:
    - capacidade de trabalho em equipas multiculturais e multidisciplinares;
    - aplicação do pensamento crítico e de princípios éticos na conceção e desenvolvimento de soluções orientadas por dados;
    - conceção, desenvolvimento, validação experimental e integração de projetos orientados por dados;
    - planeamento e execução de projetos orientados por dados;
    - apresentação, documentação e discussão das soluções desenvolvidas.

    Não aplicável.
  • 1,5 ECTS

    Intercultural and Technical-Scientific Communication

    ECTS
    1,5
    Período
    1º semestre
    Teórico-prática
    1 hora
  • 1,5 ECTS

    Math Essentials for Data Science

    ECTS
    1,5
    Período
    1º semestre
    Responsável
    Manel Cruz
    Teórico-prática
    1 hora

    A UC pretende dotar os estudantes dos fundamentos matemáticos e estatísticos necessários à compreensão e resolução de problemas de Data Science em Engenharia, promovendo uma utilização fundamentada e crítica das ferramentas computacionais.
    No final da UC, o estudante deverá ser capaz de:
    - selecionar e calcular medidas estatísticas adequadas à caracterização de dados, interpretando criticamente os resultados;
    - selecionar e utilizar representações gráficas adequadas à exploração e comunicação das características dos dados;
    - compreender e aplicar conceitos matemáticos associados à transformação, seleção e redução de dimensionalidade das variáveis;
    - compreender e utilizar métricas adequadas à avaliação de modelos de regressão e classificação;
    - distinguir população e amostra e interpretar resultados elementares de inferência estatística;
    - reconhecer as características específicas de dados temporais e aplicar conceitos elementares de análise e previsão de séries temporais;
    - implementar em Python os métodos estudados e interpretar os resultados no contexto de problemas de Engenharia;
    - avaliar criticamente resultados computacionais, identificando limitações, pressupostos e potenciais fontes de erro.

    1. Matemática e pensamento crítico em Data Science
    Modelos como abstrações; interpretação e validação crítica de resultados.
    2. Estatística descritiva e visualização
    Medidas de tendência central e dispersão. Distribuições e representações gráficas.
    3. Representação e transformação de variáveis
    Normalização; correlação; seleção de variáveis; redução de dimensionalidade e PCA; desequilíbrio de classes.
    4. Métricas de avaliação
    Regressão: MAE, MSE, RMSE e R². Classificação: matriz de confusão, accuracy, precision, recall, F-score e ROC.
    5. Amostragem e inferência
    População e amostra. Variabilidade amostral. Intervalos de confiança e sua interpretação.
    6. Séries temporais
    Características de dados temporais. Fundamentos de previsão e avaliação de previsões.
  • 1,5 ECTS

    Programming for Data Science

    ECTS
    1,5
    Período
    1º semestre
    Responsável
    Veríssimo Santos
    Teórico-prática
    1 hora

    1-Dominar os conceitos fundamentais de programação em linguagem Python aplicados à Ciência de Dados e configurar ambientes de trabalho reprodutíveis em Jupyter Notebooks.
    2-Manipular, explorar, limpar e pré-processar conjuntos de dados tabulares utilizando a biblioteca Pandas.
    3-Implementar, treinar, validar e avaliar algoritmos de aprendizagem automática (modelos supervisionados, não-supervisionados e ensembles) com a biblioteca Scikit-Learn.
    4-Aplicar técnicas de validação cruzada, ajuste de hiperparâmetros e métricas de desempenho na seleção de modelos para problemas práticos de engenharia no âmbito do Data Science Lab.

    Introdução à programação
    -Conceitos básicos de programação (variáveis, tipos de dados, operadores, fluxo de controlo)
    -Introdução à linguagem de programação Python
    -Configuração do ambiente de programação Python e utilização de Jupyter Notebooks
    Manipulação de dados com Pandas
    -Importar e gerir dados em Python
    -Estruturas de dados em Pandas (Series, DataFrames)
    -Técnicas de limpeza e pré-processamento de dados
    -Exploração e análise de dados com Pandas
    Aprendizagem automática com scikit-learn
    -Introdução à aprendizagem automática supervisionada e não supervisionada
    -Algoritmos populares de aprendizagem automática (modelos únicos e conjuntos de modelos)
    -Treino, avaliação e ajuste de modelos usando o scikit-learn
    -Seleção de modelos e validação cruzada
  • 1,5 ECTS

    Team Building & Project Management

    ECTS
    1,5
    Período
    1º semestre
    Responsável
    Mafalda Luisa Ferreira
    Teórico-prática
    1,6 horas

    Desenvolver competências de trabalho em equipa.
    Conhecer e aplicar os conceitos de Gestão de Projectos segundo o PMBOK.
    Desenvolver competências na área do planeamento, implementação, acompanhamento e coordenação de projectos.

    A. Team Bulding:
    1. Os princípios da organização e gestão de equipas de trabalho
    2. Experiência prática de trabalho em equipa em contexto indoor e outdoor
    3. Definição de regras e funcionamentos de trabalho em equipa
    B.Gestão de projetos
    1. Os tipos de gestão de projetos: metodologias ágeis
    2. A framework de Scrum
    3. Do planeamento à monitorização e controlo
    4. O controlo dos projetos e a gestão do risco
    5. O encerramento dos projetos

MADS4Engineering welcomes 3rd- and 4th-year engineering, business and product design students from European and International origin satisfying the following conditions:

  • have an English CEFR level B2 certificate or higher;
  • have accomplished:
    • at application time at least 3 semesters of studies (90 ECTU);
    • upon arrival at least 4 semesters of studies (120 ECTU).

Nominations | from the 1st May till the 15th May

Applications | till the 15th of June

Autumn 2026 | MADS4Engineering starts on the 14th of September and ends on the 15th of January.