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
|