|
Metodologias de Ensino e Critérios de Avaliação |
Avaliação Ensino/Aprendizagem
- 45% da nota final é dada pela qualidade das apresentações feitas nas aulas teóricas.
- 45% da nota final é dada pela qualidade do trabalho prático desenvolvido.
- 10% da nota final é dada pela participação nas aulas
- As aulas da última semana (2026-05-28) são dedicada à apresentação do trabalho realizado ao longo do semestre por cada grupo.
- O estudante obtém aprovação à UC, estando dispensado de Exame, no caso de obter uma nota igual ou superior a 9.5 valores.
Avaliação por Exame
- A nota relativa aos 45% da parte teórica pode ser subida em exame.
Requisitos de admissibilidade à frequência e ao exame
- Os estudantes podem dar duas faltas não justificadas durante o semestre.
- Todos estão admitidos a exame (não há nota mínima por frequência).
- Os trabalhadores-estudante e outros que comprovadamente não possam assistir às aulas e obter avaliação contínua, obtêm a sua nota final por exame apenas.
|
|
Bibliografia principal |
-Os slides das aulas teóricas.
-Robin R. Murphy, Introduction to AI Robotics, MIT Press, 2019.
-Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, The MIT Press, 2016.
-Richard S. Sutton, Andrew G. Barto, Reinforcement Learning: An Introduction, 2nd Ed., Bradford Books, 2018.
-Nikolaus Correll, Bradley Hayes, Christoffer Heckman and Alessandro Roncone, Introduction to Autonomous Robots: Mechanisms, Sensors, Actuators, and Algorithms, The MIT Press, 2022.
-Foundations of Deep Reinforcement Learning -- Theory and Practice in Python, L.Graesser, W.Keng, Addison-Wesley, 2019
|