Objetivos de aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes)
Espera-se do estudante aprovado:
OA1. Que saiba aplicar Inteligência Artificial a áreas selecionadas, com preocupações de entendimento dos princípios de funcionamento das soluções, relevância dos dados e enquadramento geral das soluções, incluindo uma dimensão ética
OA2. Que compreenda e saiba aplicar aplicar técnicas de pré-processamento de dados
OA3. Que compreenda e saiba aplicar algoritmos de Inteligência Artificial na resolução de problemas concretos
OA4. Que compreenda, saiba aplicar e aferir diferentes técnicas de aprendizagem automática, supervisionada e não-supervisionada
Conteúdos programáticos
CP1. Fundamentos da Inteligência Artificial Aplicada
CP1.1. Conceitos, terminologia, áreas de Aplicação
CP1.2. Agentes inteligentes, da perspetiva de ingestão, computação, ação
CP1.3. Ciência de Dados e Inteligência Artificial
CP1.4. Impactos sociais e considerações Éticas
CP2. Aprendizagem automática
CP2.1. Aprendizagem automática supervisionada e não supervisionada
CP2.2. Desenvolvimento de soluções
CP2.2.1. Formulação do problema
CP2.2.2. Ingestão/recolha e qualidade dos dados
CP2.2.3. Treino de modelos
CP2.2.4. Aferição de modelos
CP2.2.5. Explicação dos resultados
CP2.2.6. Deployment/Operacionalização das soluções
CP3. Técnicas/Algoritmos/Arquiteturas a aplicar
CP3.1. Classificação
CP3.2. Regressão
CP3.3. Arvores de decisão
CP3.4. Classificador dos K-Vizinhos mais próximos (kNN)
CP3.5. Máquinas de vetor
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:
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)
M5 - método demonstrativo (demonstração através de vídeos e exemplos)
M6 - Autoestudo (apoio tutorial ao trabalho autónomo do aluno
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)
M5 - método demonstrativo (demonstração através de vídeos e exemplos)
M6 - Autoestudo (apoio tutorial ao trabalho autónomo do aluno
Avaliação
A1 - Teste individual
A2 - Trabalho de grupo com apresentação
Nota final = 0.5*A1 + 0.5*A2
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), as demonstrações (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 (M5) 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), permitindo-lhes refletir sobre os impactos éticos e societais dos projetos de Inteligência Artificial (OA1) 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 (A1). Ambos os elementos de avaliação contribuem para os objetivos de aprendizagem.
Em síntese:
M1 - OA1
M2 - OA1, OA2, OA3
M3 - OA1, OA4
M4 - OA1, 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.
Ameisen, E. (2020). Building Machine Learning Powered Applications: Going from Idea to Product, O'Reilly Media.
