• Ensino
• Links úteis/ Documentos
• Candidaturas
• Legislação
• Notícias

(o1) Entender o conceito de "Inteligência Artificial" (IA)/"artificial intelligence"/"machine intelligence", suas origens e correntes, assim como ter sensibilidade para a importância de abordagens responsáveis e éticas;

(o2) Ter conhecimento de algumas das linguagens e ferramentas melhor estabelecidas para o desenvolvimento de soluções;

(o3) Saber aplicar as linguagens e ferramentas estudadas, ao desenvolvimento de soluções concretas para problemas específicos, nomeadamente nas áreas de procura, conhecimento e aprendizagem;

(o4) Ter a capacidade de abstrair soluções e modelos pré-disponíveis e estudados, mas também a capacidade de entender os seus resultados e teoria subjacente.

1. Introdução à Inteligência Artificial

• Conceitos fundamentais, história e evolução da IA
• Paradigmas e aplicações contemporâneas
• IA Responsável e questões éticas

2. Resolução de Problemas e Pesquisa

• Formulação de problemas e espaços de estados
• Algoritmos de pesquisa não-informada (BFS, DFS, UCS)
• Algoritmos de pesquisa informada (A*, heurísticas)
• Pesquisa adversarial (Minimax, Alpha-Beta)

3. Representação do Conhecimento e Raciocínio

• Lógica proposicional e de predicados
• Sistemas baseados em conhecimento
• Inferência e reasoning

4. Aprendizagem Automática (Machine Learning)

• Fundamentos e tipos de aprendizagem (supervisionada, não-supervisionada, por reforço)
• Algoritmos clássicos (regressão, árvores de decisão, KNN, clustering)
• Avaliação e validação de modelos

5. Redes Neuronais e Deep Learning

• Perceptrões e redes neuronais artificiais
• Backpropagation e otimização

6. Aplicações Práticas

• Processamento de Linguagem Natural
• Visão Computacional
• Casos de estudo e projeto integrador

Os conteúdos programáticos estão alinhados com os objetivos de aprendizagem da seguinte forma:

Objetivo (o1) - Conceito, origens e ética da IA: O Tema 1 (Introdução à IA) aborda diretamente a história, evolução, paradigmas e dimensões éticas da IA, proporcionando uma compreensão holística do campo e sensibilização para práticas responsáveis.

Objetivo (o2) - Linguagens e ferramentas: Todos os temas incluem componentes práticas onde são introduzidas e utilizadas linguagens (Python) e bibliotecas estabelecidas (scikit-learn, TensorFlow, PyTorch), preparando os alunos para o desenvolvimento profissional.

Objetivo (o3) - Aplicação prática: Os Temas 2-6 cobrem técnicas específicas de procura, conhecimento e aprendizagem, com exercícios práticos que permitem aos alunos desenvolver soluções concretas para problemas reais, consolidando a aplicação das ferramentas estudadas.

Objetivo (o4) - Abstração e compreensão teórica: Cada tema equilibra teoria e prática, garantindo que os alunos não apenas utilizam modelos pré-disponíveis, mas compreendem os algoritmos subjacentes, suas limitações e quando aplicá-los adequadamente.

A unidade curricular de Inteligência Artificial adota uma abordagem pedagógica híbrida que combina diferentes metodologias para maximizar a aprendizagem dos alunos, articulando-se com um modelo pedagógico centrado no estudante e na aprendizagem ativa.

1. Aulas Teóricas Expositivas (30% do tempo letivo) Apresentação dos conceitos fundamentais, algoritmos e teoria subjacente à IA. Utilização de exemplos práticos, demonstrações ao vivo e discussão de casos reais para contextualizar os conteúdos. Promove-se a participação ativa dos alunos através de questões e debates sobre implicações éticas e sociais da IA.

2. Aulas Práticas Laboratoriais (40% do tempo letivo) Sessões hands-on onde os alunos implementam algoritmos e técnicas estudadas, utilizando Python e bibliotecas especializadas. Os exercícios progridem gradualmente em complexidade, permitindo a consolidação incremental de competências. Os alunos trabalham individualmente ou em pares, com apoio docente personalizado.

3. Aprendizagem Baseada em Projetos (20% do tempo letivo) Desenvolvimento de um projeto integrador em equipa (2-3 alunos) que aborda um problema real utilizando múltiplas técnicas de IA. Esta metodologia promove competências de trabalho colaborativo, gestão de projetos, pensamento crítico e comunicação técnica. Os alunos apresentam propostas, relatórios de progresso e uma apresentação final.

4. Aprendizagem Autónoma e Flipped Classroom (10% do tempo letivo) Disponibilização de materiais complementares (vídeos, tutoriais, artigos) para estudo prévio, permitindo que as aulas presenciais sejam mais interativas e focadas na resolução de problemas e esclarecimento de dúvidas. Incentiva-se a exploração independente de tópicos avançados.

A avaliação da unidade curricular de Inteligência Artificial é contínua e diversificada, refletindo os diferentes objetivos de aprendizagem e promovendo o desenvolvimento progressivo de conhecimentos e competências.

Componentes de Avaliação:

1. Frequências (2 × 4 valores = 8 valores) Realização de duas provas escritas individuais que avaliam a compreensão dos conceitos teóricos, algoritmos e capacidade de aplicação dos conhecimentos adquiridos.

• Frequência 1 (4 valores): Abrange os Temas 1-3 (Introdução à IA, Pesquisa e Representação do Conhecimento)
• Frequência 2 (4 valores): Abrange os Temas 4-5 (Aprendizagem Automática e Redes Neuronais)

As frequências incluem questões de escolha múltipla, questões de desenvolvimento e resolução de problemas, avaliando os objetivos (o1) e (o4).

2. Trabalho Prático Individual (4 valores) Desenvolvimento de exercícios práticos de programação que demonstram a capacidade de implementar algoritmos de IA e utilizar ferramentas adequadas. Os alunos submetem código funcional e um breve relatório técnico explicando a solução desenvolvida.

Avalia principalmente os objetivos (o2) e (o3), verificando o domínio de linguagens de programação e a aplicação prática de técnicas de IA em problemas específicos.

3. Projeto Final em Equipa (8 valores) Desenvolvimento de um projeto integrador (equipas de 2-3 alunos) que aborda um problema real do mundo usando múltiplas técnicas de IA estudadas na UC.

Critérios de avaliação do projeto:

• Qualidade técnica da solução (3 valores): Implementação correta, eficiência e uso apropriado de técnicas
• Análise e fundamentação teórica (2 valores): Compreensão dos algoritmos utilizados e justificação das escolhas
• Inovação e criatividade (1 valor): Originalidade na abordagem do problema
• Documentação e apresentação (1,5 valores): Relatório técnico claro e apresentação oral eficaz
• Considerações éticas e responsáveis (0,5 valores): Reflexão sobre implicações éticas da soluçã

As metodologias de ensino e avaliação adotadas na unidade curricular de Inteligência Artificial estão estrategicamente alinhadas com os objetivos de aprendizagem, garantindo uma abordagem integrada e coerente.

Coerência com o Objetivo (o1) - Conceito, origens e ética da IA:

Metodologias de ensino: As aulas teóricas expositivas introduzem sistematicamente a história, evolução e paradigmas da IA, complementadas por discussões sobre implicações éticas e responsáveis. A aprendizagem autónoma através de materiais complementares aprofunda a compreensão crítica do campo.

Avaliação: As frequências incluem questões teóricas que avaliam a compreensão conceptual da IA. O projeto final exige reflexão sobre considerações éticas (0,5 valores), garantindo que os alunos demonstram sensibilidade para abordagens responsáveis.

Coerência com o Objetivo (o2) - Linguagens e ferramentas:

Metodologias de ensino: As aulas práticas laboratoriais (40% do tempo letivo) proporcionam experiência hands-on com Python e bibliotecas especializadas (scikit-learn, TensorFlow, PyTorch). A progressão gradual de exercícios assegura familiarização crescente com as ferramentas.

Avaliação: O trabalho prático individual (4 valores) verifica diretamente o domínio de linguagens e ferramentas através de implementações concretas. O projeto (3 valores para qualidade técnica) confirma a capacidade de utilizar ferramentas adequadas em contextos complexos.

Coerência com o Objetivo (o3) - Aplicação prática a problemas específicos:

Metodologias de ensino: A aprendizagem baseada em projetos e as sessões laboratoriais focam na resolução de problemas reais nas áreas de procura, conhecimento e aprendizagem. Os exercícios práticos simulam desafios reais que os alunos encontrarão profissionalmente.

Avaliação: O trabalho prático (4 valores) avalia a capacidade de desenvolver soluções para problemas específicos. O projeto final (8 valores) é a avaliação mais significativa deste objetivo, exigindo aplicação integrada de múltiplas técnicas a um problema real do mundo, demonstrando competência na área.

Coerência com o Objetivo (o4) - Abstração e compreensão teórica:

Metodologias de ensino: O equilíbrio entre teoria (aulas expositivas) e prática (laboratórios) garante que os alunos não apenas usam ferramentas, mas compreendem os fundamentos. A metodologia flipped classroom promove estudo prévio que facilita discussões mais profundas sobre teoria subjacente.

Avaliação: As frequências (8 valores totais) incluem questões que exigem demonstração de compreensão teórica dos algoritmos, suas limitações e aplicabilidade. O projeto avalia análise e fundamentação teórica (2 valores), verificando se os alunos justificam adequadamente as escolhas técnicas baseando-se em conhecimento teórico sólido