| Código |
16791
|
| Ano |
2
|
| Semestre |
S2
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
ENGENHARIA INFORMÁTICA
|
|
Objectivos de Aprendizagem |
No final da unidade curricular, o estudante deve ser capaz de:
* Compreender conceitos associados à Ciência de Dados, nomeadamente a distinção entre dados, informação e conhecimento, diferentes formatos de armazenamento, e aplicação de técnicas de limpeza e normalização de dados;
* Analisar e interpretar dados recorrendo a métodos e ferramentas de Ciência de Dados, incluindo técnicas de recolha e integração, análise exploratória e métodos estatísticos e de visualização, com vista à extração de conhecimento;
* Conhecer e aplicar os principais paradigmas de aprendizagem em IA, nomeadamente supervisionada, não supervisionada e por reforço, compreendendo os seus fundamentos teóricos e âmbito de aplicação;
* Conhecer e explorar técnicas de inteligência artificial nas áreas de pesquisa, IA generativa e visão computacional, compreendendo os fundamentos teóricos e o potencial de aplicação de cada abordagem.
|
|
Conteúdos programáticos |
1. Fundamentos de Dados: dados e tipos, informação vs conhecimento, viés na recolha, formatos CSV/JSON/XML/Parquet.
2. Recolha e Ingestão: APIs, bases de dados, web scraping, ETL/ELT, integração, data cleaning (missing values, outliers, inconsistências, escalas).
3. Análise e Preparação: análise exploratória, estatísticas, visualização, normalização (máx., Min-Max, Z-score, IQR).
4. Análise Preditiva: introdução, métodos, métricas.
5. Algoritmos de Pesquisa: DFS, BFS, gulosa, A*, MinMax, Alpha-Beta, profundidade.
6. Aprendizagem Supervisionada: função de custo, gradiente, redes neuronais.
7. Aprendizagem Automática: generalização, protocolos, validação cruzada.
8. Aprendizagem Não Supervisionada: clustering, K-means, agglomerative.
9. Aprendizagem por Reforço: Q-Learning.
10. IA Generativa: BoW, TF-IDF, embeddings, transformers, LLMs.
11. Visão Computacional: classificação, CNNs, VLMs, foundational models.
|
|
Metodologias de Ensino e Critérios de Avaliação |
Os conteúdos desta UC são expostos em aulas teóricas (método expositivo e interativo) e a sua vertente prática é explorada em aulas práticas laboratoriais, através da realização de guias laboratoriais. Avaliam-se as componentes teóricas e práticas recorrendo a um Teste Teórico (T), composto por perguntas teóricas diretas e de desenvolvimento, bem como exercícios práticos a resolver. Assim, a classificação final (CF) é: CF = T.
O aluno é aprovado caso obtenha uma classificação superior ou igual a 9,5. Em caso de aprovação no período de ensino-aprendizagem, o aluno é dispensado de exame, embora o possa realizar. O exame substitui a classificação do Teste Teórico (T) em caso de melhoria. Em suma:
* CF < 5,5 (em 20) => Reprovado e Não Admitido a Exame;
* CF >= 9,5 (em 20) => Aprovado e Dispensado de Exame;
* Restantes casos => Reprovado e Admitido a Exame.
|
|
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
|