Objetivos de aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes)
OA1. Conhecer e compreender o que é a Inteligência Artificial e como se pode aplicar de forma ética e responsável
OA2. Conhecer, compreender e aplicar técnicas de pré-processamento de dados
OA3. Saber selecionar e integrar algoritmos de Inteligência Artificial na resolução de problemas
OA4. Conhecer, compreender, aplicar e avaliar diferentes técnicas de aprendizagem automática: supervisionada, não-supervisionada e por reforço
Conteúdos programáticos
CP1. Fundamentos da Inteligência Artificial
CP1.1. Conceitos, terminologia e áreas de Aplicação
CP1.2. Agentes inteligentes
CP1.3. Ciência de Dados e Inteligência Artificial
CP1.4. Impactos sociais e considerações Éticas
CP2. Aprendizagem automática
CP2.1. Tipos de aprendizagem automática (supervisionada, não supervisionada ou por reforço)
CP2.2. Desenvolvimento de soluções de aprendizagem máquina
CP2.2.1. Formulação do problema
CP2.2.2. Recolha, avaliação e gestão de dados
CP2.2.3. Seleção do modelo, estratégias de treino e melhoria
CP2.2.4. Exatidão e erro
CP2.2.5. Confiança, interpretação, and explicação dos resultados
CP2.2.6. Operação, monitoramento e manutenção
CP3. Técnicas de aprendizagem
CP3.1. Classificação
CP3.2. Regressão
CP3.3. Redes de Bayes
CP3.4. Arvores de decisão
CP3.5. Classificador dos K-Vizinhos mais próximos (kNN)
CP3.6. Máquinas de vetores de suporte (SVM)
CP3.7. Ensembles
CP3.8. Redes neuronais
CP3.9. Aprendizagem por reforço
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular
A demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), cujo relacionamento se explicita a seguir:
CP1 - OA1
CP2 - OA2 & OA3
CP3 - OA2 & OA4
Metodologias de ensino e de aprendizagem específicas da unidade curricular articuladas com o modelo pedagógico
M1 - método expositivo (para a exposição dos conceitos e temáticas fundamentais)
M2 - método participativo (com análise e resolução de exercícios de aplicação)
M3 - método ativo (desenvolvimento de competências e de trabalho de grupo)
M4 - método experimental (com recurso a laboratórios de informática)
As aulas a distância (síncronas) serão de apresentação de conceitos e apresentação de exemplos, casos reais e exercícios resolvidos.
Será ainda usado o apoio tutorial para o trabalho autónomo. Nas aulas a distância síncronas recorrer-se-á às seguintes metodologias:
M1 - método expositivo (para a exposição dos conceitos e temáticas fundamentais)
M5 - método demonstrativo (demonstração através de vídeos e exemplos)
M6 - Autoestudo (apoio tutorial ao trabalho autónomo do aluno
A avaliação contínua inclui a realização de:
A 1 - Teste individual (30%)
A2 - Trabalho de grupo com apresentação (70%)
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da unidade curricular
A exposição dos conceitos e teorias fundamentais (M1) assim como a demonstração recorrendo a vídeos, exemplos (MS) e a resolução de exercícios (M2) e estudos de casos em laboratório informático (M4), dotam os estudantes dos conhecimentos necessários para compreenderem as técnicas de aprendizagem máquina e os fundamentos da Inteligência Artificial (OA1 & OA2 & OA3).
Os exemplos, exercícios e casos práticos usados nos métodos participativo (M2), demonstrativo (MS) e experimental (M4) facilitam as aprendizagens dos estudantes para que estes sejam capazes de utilizar as técnicas e ferramentas adequadas (OA2 & OA3).
Ao desenvolverem e apresentarem o trabalho prático (M3) os estudantes aplicam os conhecimentos resultantes do trabalho em aula e autónomo (M6), permitem aos estudantes refletir sobre os impactos éticos e societais dos projetos de Inteligência Artificial (OA 1) e avaliar as diferentes técnicas de aprendizagem (OA4).
Os diferentes objetivos de aprendizagem serão avaliados através de um trabalho prático a desenvolver e a ser apresentado em sala de aula (A2) bem como através de um teste individual (A 1 ). Ambos os elementos de avaliação contribuem para o sucesso de todos os objetivos de aprendizagem, embora o trabalho (A2) tenha maior importância na obtenção do objetivo de aprendizagem das técnicas e algoritmos de aprendizagem máquina (OA4).
Em síntese:
M1 - OA1
M2 - OA1 & OA2 & OA3
M3 - OA1 & OA4
M4 - OA 1 & OA2 & OA3
MS - OA1 & OA2 & OA3
M6 - OA1 & OA4
Bibliografia de consulta (existência obrigatória)
Russell, S. & Norvig, P. (2021). Artificial lntelligence: A Modem Approach, eBook, Global Edition. Pearson Education.
Zaki, M. J. & Meira, W., Jr. (2020). Data Mining and Machine Leaming: Fundamental Concepts and Algorithms. Cambridge University Press.
