Título: Sistema de recomendação para unidades curriculares. Palavras chave: Data mining, machine learning, recommender systems, big data. Descrição: Os sistemas de recomendação são um conjunto de técnicas e ferramentas de software que permitem sugerir itens que podem ser úteis a um determinado utilizador. As suges-­‐
tões fornecidas são destinadas a apoiar os utilizadores nos vários processos de tomada de decisão, tais como “que itens comprar”, “que música ouvir”, ou “que notícias ler”. Os sistemas de recomendação têm provado ser uma das mais eficientes ferramentas pa-­‐
ra lidar com o excesso de informação e tornaram-­‐se por isso uma das mais poderosas e populares ferramentas no comércio electrónico. Assim, durante a última década têm si-­‐
do propostas várias técnicas para a geração de recomendações, muitas delas implanta-­‐
das com sucesso em ambientes comerciais. O desenvolvimento de sistemas de recomendação é um esforço multidisciplinar que en-­‐
volve diversas áreas como a inteligência artificial, a interação computador-­‐máquina, tecnologias da informação, data mining, estatística, sistemas de apoio à decisão, marke-­‐
ting, etc . Os sistemas de recomendação baseiam-­‐se na ideia de que utilizadores “semelhantes” apresentam também gostos semelhantes. No entanto, não é totalmente claro que a se-­‐
melhança de gostos num determinado assunto seja necessariamente verdade para um outro assunto. Um exemplo claro é o caso das unidades curriculares. Alunos do mesmo curso têm gostos diferentes em termos de grupos de unidades curriculares. O objectivo principal da presente tese é aplicar os conceitos elementares dos sistemas de recomendação e criar um sistema de recomendação para unidades curriculares. Nu-­‐
ma segunda fase do trabalho pretende-­‐se explorar de que forma é possível inferir métri-­‐
cas e relações entre unidades curriculares a partir dos dados existentes. Plano de trabalho: 1.
2.
3.
4.
Pesquisa bibliográfica (estado da arte); Criação de um sistema de ratings para unidades curriculares; Obtenção de dados reais de colegas (rating de colegas); Implementação de diversas técnicas de collaborative filtering para recomendação a partir dos dados obtidos; 5. Avaliação dos diferentes algoritmos; 6. Inferência de métricas e relações de unidades curriculares; 7. Escrita da tese. Tarefa 1 Tarefa 2 Tarefa 3 Tarefa 4 Tarefa 5 Tarefa 6 Tarefa 8 Set. Out. Nov. Dez. Jan. Fev. Mar. Abr. Mai. Jun. Jul. Requisitos: Não existem requisitos para além de bons conhecimentos de programação. Serão valori-­‐
zados conhecimentos de aprendizagem automática e estatística. Ganho pessoal: O trabalho proposto aborda uma grande variedade de assuntos, que vão desde a pro-­‐
gramação sobre base de dados, web, aprendizagem automática e estatística. Durante a realização da tese espera-­‐se que o aluno aumente os seus conhecimentos a nível de pro-­‐
gramação, nomeadamente ao nível da estruturação lógica de um problema. Pretende-­‐se também que o aluno ganhe (ou consolide) conhecimentos ao nível de técnicas de apren-­‐
dizagem automática e estatística, com ênfase nos sistemas de recomendação. URL: http://home.iscte-­‐iul.pt/~jpaos Orientação: Prof. João Oliveira