O módulo «Fundamentos de Big Data e IA no Desporto» revela como dados e IA transformam o futebol, da estratégia à deteção de talentos. Examina a evolução histórica dessas tecnologias, apresenta linguagens e ferramentas essenciais para processar grandes volumes de informação e extrair insights. Analisa tendencias atuais e oferece casos práticos, sublinhando as competências necessárias. Ao concluir, os alunos estarão prontos para atuar como analistas de elite, aliando tecnologia, visão tática e interpretação de dados.

1. Introdução ao Big Data e à IA no Desporto
2. História e evolução da IA no desporto
3. Aplicações de IA de última geração no desporto
4. Conceção e implementação de projetos de Big Data e IA
5. Linguagens de programação e ferramentas técnicas na análise desportiva
6. Novas tendências em IA e desporto
7. Dados de desempenho físico e IA
8. Estudos de caso sobre IA em clubes de elite
9. Simulações e exercícios práticos
10. Integração da IA no ecossistema desportivo
11. Impacto profissional e competências dos especialistas em IA no desporto

O suporte adequado para processos de Big Data tem dependido, habitualmente, de data lakes que possibilitam o armazenamento e o acesso a dados por meio de bases relacionais ou não relacionais, como as NoSQL.

As estruturas relacionais que sustentam as instruções das linguagens SGBDR monopolizaram a indústria de dados durante anos. Hoje, porém, torna‑se cada vez mais necessário gerir informação não estruturada com armazenamentos “Não Só SQL” (NoSQL), que garantem fluxos úteis e na velocidade correta.

1. Definição, Manipulação e Controle: DDL, DML e DCL
2. Cadeia de valor do dado: Data Lake, Data Warehouse, Data Intelligence e Data Science
3. Linguagens de consulta SGBDR: Extração, Transformação, Carga e Consultas
4. Introdução a bancos de dados Não Só SQL
5. Consultas dirigidas vs. Inteligência Artificial
6. Estrutura e fluxo de bancos de dados Não Só SQL

linguagem de programação R é uma das mais utilizadas para a análise e o processamento de dados com técnicas de Business Intelligence e Data Mining. R possui características que o tornam especialmente versátil no manuseio de elementos estatísticos, facilitando a seleção, recodificação e recuperação rápida de dados. Além disso, é extremamente preciso para análises estatísticas e conta com uma vasta quantidade de pacotes voltados à criação de gráficos. Em aprendizado de máquina, o R implementa numerosos algoritmos. No contexto esportivo, é amplamente usado para processar a informação gerada em eventos e, por meio de suas bibliotecas, transforma esses dados em representações visuais poderosas.

1. Instalação do software e das principais bibliotecas
2. Programação básica em R
3. Aplicação das principais bibliotecas
4. Limpeza de dados
5. Pictogramas
6. Casos práticos resolvidos

Python é uma das linguagens mais utilizadas no tratamento e na análise de dados desportivos. A facilidade de integração com as bases de dados estudadas no Módulo 3 e com as ferramentas de visualização que serão aprendidas no Módulo 7 é uma grande vantagem. Além disso, é também a linguagem de programação mais utilizada na criação de modelos de Machine Learning, pelo que voltará a ser empregada mais adiante no módulo de Machine.

1. Introdução ao Python com o ambiente Anaconda (Jupyter Notebook)
2. Abertura e fechamento de arquivos
3. Sintaxe básica em Python
4. Manipulação de APIs
5. Estudo das principais bibliotecas, como Pandas, Matplotlib e NumPy
6. Estruturas (if, for, while) e funções
7. Operações com DataFrames
8. Integração com bases de dados e ferramentas de visualização
9. Conceitos básicos de scraping e limpeza de dados
10. Exercícios práticos aplicados ao futebol

Segundo o gigante Google, dentro de dez anos qualquer organização dependerá de dados para tomar decisões. Um bom analista de dados não é necessariamente o melhor matemático, mas sim quem consegue compreender a origem dos problemas, formular as perguntas certas e aplicar as melhores ferramentas de Aprendizado de Máquina para resolvê‑los.

Neste módulo, o aluno terá seu primeiro contato com o mundo do Machine Learning, aprendendo todo o processo — do ponto inicial (o problema) às soluções existentes —, aplicando‑as e avaliando os resultados obtidos. O módulo dá continuidade aos conhecimentos adquiridos no Módulo 5 (Linguagem de Programação Python) e está dividido em diferentes etapas para facilitar a compreensão do estudante.

1. Introdução ao Aprendizado de Máquina: processo e modelos existentes
2. Pre‑processamento de dados – preparação da informação
3. Modelos de regressão: regressão logística e regressão linear
4. Modelos de classificação: KNN (K‑Nearest Neighbours)
5. Modelos de agrupamento: K‑Means
6. Métricas de avaliação de resultados

A avaliação objetiva do rendimento individual é vital, mas a perspetiva subjetiva também conta. Para demonstrar visualmente as capacidades tecnico‑taticas de cada jogador, é essencial dominar ferramentas como NacSport ou Metrica Sports. O módulo foca‑se na criação de vídeos individuais que confirmem, em níveis macro e micro, os padrões de jogo extraídos dos dados.

No entanto, sem compreender o modelo de jogo da equipa perde‑se informação valiosa; por isso, o desempenho do atleta deve ser analisado sempre dentro do contexto competitivo específico do seu clube.

1. Introdução à videoanálise
2. Metodologia para otimizar e potencializar as ferramentas
3. Matrizes e transformação de eventos em dados úteis
4. Casos reais de videoanálise
5. Construção da base de apoio para o relatório escrito

A análise de dados transformou o desporto: clubes recorrem a ela nos treinos, no estudo de adversários, na prevenção de lesões e na avaliação de contratações. Ferramentas especializadas modelam e apresentam grandes volumes de informação de forma clara para as equipas técnicas. Sem visualização adequada, os dados perdem valor; representá‑los bem é tão importante quanto exportá‑los e contextualizá‑los. Além disso, essas ferramentas não só exibem como também processam e analisam os dados.

1. Introdução às diferentes ferramentas de análise de dados
2. Técnicas para uma visualização perfeita
3. Tableau
4. Power BI
5. Outras alternativas

Analistas e scouts não devem apenas processar dados de diversas fontes; precisam também comunicá‑los em relatórios ou apresentações claras, concisas e úteis que auxiliem a equipa técnica na tomada de decisões. Este módulo ensina a estruturar e apresentar essas informações de maneira simples e eficaz, de acordo com o público‑alvo.

1. Introdução (tipos de comunicação, características do orador)
2. Relatórios (tipos de relatório)
3. Apresentações (tipos, objetivos e planeamento da apresentação)
4. Big Data (fontes de dados, ferramentas de apresentação)
5. Ferramentas tecnológicas de apoio (criação de apresentações/relatórios, tratamento de imagem)
6. Exercício prático – elaboração de um relatório ou apresentação no contexto do futebol

O curso ensina a utilizar dados de GPS e métricas de carga interna (por exemplo, PSE) para planear e controlar o treino no futebol. Abrange fundamentos de monitorização, ligação à fisiologia, determinação das exigências do jogo e interpretação prática dos dados, permitindo elevar o rendimento da equipa e criar vantagem competitiva.

1. Introdução

• Tecnologia GPS no desporto

2. Teoria

• Anatomia e sistemas energéticos
• Carga interna vs. carga externa
• Uso de dados no campo
• Princípios de treino

3. Aplicação do GPS no futebol

• Variáveis e determinação do desempenho do jogo
• Uso do GPS para criar uma sessão de treino
• Periodização
• Planeamento

O módulo apresenta os principais fornecedores de dados futebolísticos — Opta, Instat, Wyscout e StatsBomb —, destacando os tipos de informações (estatísticas, coordenadas, vídeo) que oferecem, e aponta recursos gratuitos/open‑source que completam a análise.

1. Opta
2. Wyscout
3. StatsBomb
4. Outras ferramentas no mercado
5. Portais estatísticos

Ao longo deste módulo, o estudante realizará e apresentará um Projeto Final de Mestrado no qual, de forma orientada, deverá aplicar os conhecimentos adquiridos nos diversos módulos do curso e provar que adquiriu as competências e habilidades necessárias para atuar em ambientes de Big Data Desportivo.

1. Introdução à realização de Projetos de Big Data Desportivos
2. Diretrizes essenciais para a organização e realização do projeto
3. Conclusão do Projeto Final de Master
4. Apresentação.