Objetivos de aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes)
OA1. Capacidade de aplicar técnicas de Inteligência Artificial Aplicada a diferentes domínios, compreendendo os princípios subjacentes das soluções, a importância dos dados, o contexto de aplicação e as considerações éticas e de responsabilidade associadas.
OA2. Capacidade de compreender e aplicar técnicas de pré-processamento, limpeza e análise exploratória de dados.
OA3. Capacidade de compreender e aplicar algoritmos de aprendizagem automática supervisionada e não supervisionada na resolução de problemas reais.
OA4. Capacidade de compreender, aplicar e avaliar técnicas de aprendizagem profunda, incluindo redes neuronais para dados tabulares e visão computacional.
OA5. Capacidade de utilizar Modelos de Linguagem de Grande Escala (LLMs) e técnicas de engenharia de prompts em fluxos de trabalho práticos de ciência de dados.
OA6. Capacidade de implementar, disponibilizar e avaliar modelos de Inteligência Artificial como aplicações práticas.
Conteúdos programáticos
CP1. Fundamentos da IA Aplicada: conceitos, áreas de aplicação, agentes inteligentes, Ciência de Dados, impactos sociais e ética.
CP2. Aprendizagem Automática: aprendizagem supervisionada e não supervisionada; formulação do problema; recolha, qualidade e pré-processamento dos dados; treino, avaliação e validação de modelos.
CP3. Pré-processamento e Análise Exploratória: limpeza de dados, valores em falta, outliers, engenharia de atributos, visualização, IQR e validação cruzada.
CP4. Algoritmos Clássicos: regressão, árvores de decisão, Random Forests, XGBoost, clustering e PCA.
CP5. Aprendizagem Profunda: redes neuronais, Keras, visão computacional, Transfer Learning, overfitting e underfitting.
CP6. LLMs e Engenharia de Prompts: Transformers, prompts, Ollama, APIs e Pydantic.
CP7. Operacionalização: Streamlit, reprodutibilidade, versionamento e projeto aplicado.
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 -OA3
CP3 -OA2, OA3
CP4 -OA3
CP5 -OA4
CP6 -OA5
CP7 -OA6
Metodologias de ensino e de aprendizagem específicas da unidade curricular articuladas com o modelo pedagógico
M1 -Método expositivo (exposição dos conceitos e temáticas fundamentais, nomeadamente nos conteúdos CP1, CP2, CP5 e CP6)
M2 -Método participativo (análise e resolução de exercícios de aplicação, em particular nos conteúdos CP2 a CP7)
M3 -Método ativo (desenvolvimento de competências práticas e de trabalho autónomo, com especial relevância no desenvolvimento do projeto final -CP7)
M4 -Método experimental (recurso a laboratórios de informática e ambientes de programação em Python/Jupyter, transversal aos conteúdos práticos CP2 a CP7)
M5 -Método demonstrativo (demonstração através de exemplos de código, casos reais e cenários-problema introduzidos no início de cada aula, transversal a CP1 a CP6)
M6 -Autoestudo (apoio tutorial ao trabalho autónomo do aluno, com submissão semanal de notebooks e desenvolvimento progressivo do projeto final)
Avaliação
A avaliação da unidade curricular é composta por três elementos, aplicáveis em época normal e época de recurso:
AV1 - Exercícios de Aula (10%)
Submissão semanal de notebooks Jupyter realizados durante as aulas práticas (aulas 3 a 12), entregues individualmente através da plataforma Moodle. Cada notebook deve conter o código desenvolvido, as respostas escritas aos exercícios e, quando aplicável, uma nota de utilização de ferramentas de IA. Avalia a aplicação progressiva dos conteúdos CP2 a CP6, correspondendo aos OA2, OA3 e OA4.
AV2 - Projeto Final (40%)
Projeto aplicado, realizado em grupo de até três elementos, que inclui: artigo escrito em formato de conferência (problema, metodologia, resultados, limitações e ética), repositório de código reprodutível no GitHub, e demonstração ao vivo de cinco minutos com protótipo funcional. Avalia a capacidade de conceber e implementar uma solução de IA completa, correspondendo aos OA1, OA5 e OA6.
AV3 - Exame Final (50%)
Prova escrita e prática com duração de uma hora, sem consulta e sem recurso a ferramentas de IA. Inclui questões de interpretação de conceitos, análise de código, depuração e um caso de estudo aplicado. Avalia os conhecimentos teóricos e práticos de forma individual, correspondendo aos OA1, OA2, OA3 e OA4.
A classificação final é obtida pela soma ponderada dos três elementos: AV1 × 0,10 + AV2 × 0,40 + AV3 × 0,50. Para aprovação, é necessário obter classificação mínima de 10 valores (em 20) na média ponderada final.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da unidade curricular
A exposição de conceitos e teorias (M1), as demonstrações (M5) e a resolução de exercícios e estudos de caso em laboratório informático (M2, M4) dotam os estudantes dos conhecimentos necessários para compreender os fundamentos da IA Aplicada, o ciclo de vida dos dados e as técnicas de aprendizagem automática (OA1, OA2, OA3).
Os métodos participativo (M2), demonstrativo (M5) e experimental (M4) facilitam a aplicação de algoritmos supervisionados e não supervisionados, a construção de redes neuronais e a utilização de LLMs em contextos concretos (OA2, OA3, OA4, OA5).
O projeto final (M3), desenvolvido em articulação com o trabalho autónomo (M6), permite implementar e disponibilizar uma solução de IA completa (OA6), refletir sobre impactos éticos (OA1) e utilizar modelos de linguagem de grande escala em contextos aplicados (OA5).
Os objetivos de aprendizagem são avaliados através de exercícios semanais individuais (AV1), de um projeto aplicado em grupo com apresentação (AV2) e de um exame final escrito e prático (AV3), de forma complementar.
Em síntese:
M1 : OA1, OA2
M2 : OA2, OA3, OA4, OA5
M3 : OA6
M4 : OA3, OA4, OA5, OA6
M5 : OA1, OA3, OA4, OA5
M6 : OA6
AV1 : OA2, OA3, OA4
AV2 : OA1, OA5, OA6
AV3 : OA1, OA2, OA3, OA4
Bibliografia de consulta (existência obrigatória)
GERON, Aurélien- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3. edição. O'Reilly Media, 2022. ISBN 978-1098125974
MULLER, Andreas C.; GUIDO, Sarah - Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media, 2016. ISBN 978-1449369415
CHOLLET, François - Deep Learning with Python. 2. edição. Manning Publications, 2021. ISBN 978-1617296864
