| Código |
16668
|
| Ano |
1
|
| Semestre |
S2
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Objectivos de Aprendizagem |
No final da Unidade Curricular o estudante deve ser capaz de:
• Compreender o desenvolvimento da área de Inteligência Artificial e os principais marcos que permitiram aumentar a sua relevância e impacto na sociedade atual;
• Conhecer os princípios por detrás dos domínios de aprendizagem automática, pesquisa inteligente e representação do conhecimento e raciocínio;
• Conhecer as diferentes fases de um projeto de Ciência de Dados e as técnicas mais usadas em cada uma destas fases;
• Elaborar relatórios contendo a informação mais importante de um conjunto de dados através da combinação de técnicas de Ciência de Dados com métodos de Inteligência Artificial.
|
|
Conteúdos programáticos |
Algoritmos de Pesquisa Inteligente:
• Problemas de busca de caminhos;
• Jogos;
• Problemas de satisfação de restrições.
Métodos de Representação de Conhecimento e Raciocínio:
• Lógica de primeira ordem;
• Raciocínio automático.
Métodos de Aprendizagem Automática:
• Métodos de aprendizagem supervisionada e não supervisionada;
• Aprendizagem por reforço;
• Métodos discriminativos e generativos.
Técnicas de Recolha e Ingestão de Dados:
• Recolha de dados a partir de APIs, Páginas Web, Base de Dados;
• Formatos de Arquivo (XML, JSON, CSV, Parquet).
Técnicas de pré-processamento de dados
• Técnicas de limpeza de dados;
• Técnicas de transformação de dados;
• Técnicas de redução de dados.
Representações visuais de dados
• Representações de dados univariadados e multivariados;
• Gráficos condicionais, temporais e com valores multi-agregados;
Técnicas de análise preditiva
• Métodos de classificação;
• Métodos de regressão
|
|
Metodologias de Ensino e Critérios de Avaliação |
Metodologias de ensino:
• Aulas teóricas;
• Aulas prático-laboratoriais;
• Projetos em Grupo;
• Tutoria para esclarecimento de dúvidas e acompanhar o aluno no desenvolvimento do seu projeto.
Métodos e Critérios de Avaliação:
As componentes teóricas e práticas são avaliadas recorrendo a dois elementos principais:
- uma prova escrita (T) de avaliação de conhecimentos, com um peso de 60% na nota final;
- um trabalho prático (TP1) de grupo com relatório de execução e apresentação, com peso de 15% na nota final.
- um trabalho prático (TP2) de grupo com relatório de execução e apresentação, com peso de 25% na nota final.
Classificação Ensino-Aprendizagem (CEA)= 0.6T + 0.15TP1 + 0.25TP2
Admissão ao exame final: CEA >= 6 valores (regulamento da UBI).
|
|
Bibliografia principal |
[1] D.P. Kroese, Z.I. Botev, T. Taimre, R. Vaisman. "Data Science and Machine Learning: Mathematical and Statistical Methods." Chapman & Hall/CRC, 2019.
[2] Hui Lin, Ming Li, Practitioner’s Guide to Data Science, 2023.
[3] Joel Grus. Data Science from Scratch, 2nd Edition. O'Reilly Media, Inc., 2019.
[4] Andriy Burkov. The Hundred-Page Machine Learning Book, 2019.
[5] S. Russell and P. Norvig; Artificial Intelligence: A Modern Approach, Pearson, 2021.
[6] Richard E. Korf. Artificial intelligence search algorithms. Algorithms and theory of computation handbook: special topics and techniques (2nd ed.). Chapman & Hall/CRC, 2010.
|
| Língua |
Português
|