CP1. Introdução à Aprendizagem Automática: A história, fundamentos e conceitos base
CP2. Análise Exploratória de Dados (EDA): Data Wrangling e Data Visualization
CP3. Classificação e Regressão; Variáveis contínuas e categóricas / discretas; métricas de avaliação de performance
CP4. Aprendizagem supervisionada: SVM, Árvores de Decisão, Regressões Linear e Logística, Naive-Bayes e k-NN.
CP5. Bagging e Boosting em algoritmos supervisionados
CP6. Otimização de hiperparâmetros

Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação ao longo do semestre por projeto, pelo que esta UC não contempla exame final. A avaliação é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:

- BA1: 1ª tutoria + 1º mini-teste [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%]
- BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%]
- BA3: 3ª tutoria + 3º mini-teste [30% para a 3ª tutoria + 10% para o 3º mini-teste = 40%]

As tutorias consistem em projetos a serem desenvolvidos em grupo, que contemplam também discussões orais individuais, que permitem avaliar o desempenho dos alunos nesses mesmos projetos.

Os mini-testes, realizados individualmente, permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados em tutoria.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação.

Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS.

Esta UC poderá contemplar a participação de organizações externas ou empresas, que poderão propor projetos devidamente enquadrados no currículo e alinhados com os objetivos de aprendizagem da UC.

A 1.ª Época e 2.ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas aulas não é obrigatória.

Obrigatória

McMahon, A. (2023). Machine learning engineering with python - second edition: Manage the lifecycle of machine learning models using MLOps with practical examples.
McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3.a ed.). O’Reilly Media.
Burkov, A. (2019). The hundred-page machine learning book. Andriy Burkov.
Mueller, J. P. (2019). Python for Data Science for Dummies, 2nd Edition (2.a ed.). John Wiley & Sons.
VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.

Opcional

Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc.
Avila, J. (2017). Scikit-Learn Cookbook - Second Edition. Birmingham: Packt Publishing.
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss Intelligence and Analytics: Systems for Decision Support. Prentice Hall.
Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O'Reilly.

CP 1. Introdução às bases de dados e aos sistemas de informação.

CP 2. Modelo Relacional e normalização de dados.

CP 3. Linguagem SQL: definição de dados; manipulação de dados; programação de rotinas e triggers.

CP 4. Modelação de dados com a linguagem UML.

CP 5. Desenho de bases de dados por conversão de UML para Modelo Relacional;

CP 6. Transações e concorrência.

CP 7. Introdução à administração de bases de dados.

Avaliação ao longo do semestre:

· 4 testes individuais, cada um valendo 20% da classificação final do aluno. Duração de cada teste: 1 hora. O último teste é em simultâneo com o exame de 1ª época.

· 20 fichas de trabalho individuais realizadas na sala de aula, valendo no seu conjunto 20% da classificação. São realizadas 2 fichas por aula, uma no início e outra no fim, excetuando-se a primeira e a última aula.
Não há nota mínima. A nota do aluno é a média ponderada de todas as avaliações.

Avaliação por exame:

· Prova individual escrita, com a duração de 3 horas, a valer 100% da nota.

Todas as provas são individuais e a realizar sem ajuda externa, particularmente, sem inteligência artificial. Em caso de suspeita de não cumprimento desta regra, o aluno é chamado para a realização de prova oral. Neste caso, se evidenciar ter recorrido a ajuda externa, a prova é anulada e a ocorrência comunicada ao Conselho Pedagógico.

Obrigatória

Documentação da cadeira.
Ramos, P. “Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos”, Editora Sílabo, 2ª Edição, 2007.
Damas, L. “SQL - Structured Query Language”, FCA Editora de Informática, 14ª Edição, 2017.

Opcional

Blaha, M.: "UML Database Modeling Workbook", Technics Publications, LLC, 2014.
Churcher, C., “Beginning Database Design: From Novice to Professional”, 2ª edição, Apress. 2012.
Ramakrishnan, R., Gehrke, J. “Database Management Systems”, 3ª edição, McGraw-Hill, 2003.

I. Introdução ao Empreendedorismo;
II. Técnicas de geração e discussão de ideias;
III. Criação de Propostas de Valor;
IV. Comunicação de ideias de negócio;
V. Desenho de Modelos de Negócio;
VI. Elaboração de Planos de Negócio;
VII. Teste e avaliação de protótipos de produtos, processos e serviços;
VIII. Análise de escalabilidade;
IX. Internacionalização e comercialização;
X. Fontes de financiamento

Avaliação periódica:- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação: 30%; relatório final: 40%; As apresentações, demonstrações e defesa são em grupo.

Obrigatória

A. Osterwalder, Y. Pigneur / John Wiley & Sons, Value Proposition Design: How to Create Products and Services Customers Want, 2014, ·, ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers., 2010, ·, ·
P. Burns / Palgrave Macmillan, Entrepreneurship and Small Business, 2016, ·, ·
S. Mariotti, C. Glackin / Global Edition. Pearson; Dorf. R., Byers, T. Nelson, A. (2014). Technology Ventures: From Idea to Enterprise. McGraw-Hill Education, Entrepreneurship: Starting and Operating A Small Business, 2015, ·, ·

Opcional

CP1. Introdução à Cibersegurança: principais componentes; pilares da cibersegurança; frameworks de cibersegurança.
CP2. Planeamento da Segurança de Informação e enquadramento Legal e Ético
CP3. Princípios de Governação da Segurança de Informação e Gestão do Risco
CP4. Introdução à Tecnologia da Segurança de Informação: controlos de acesso, firewalls, vpns, idps, criptografia e outras técnicas.
CP5. Segurança Física: mecanismos de controlo de acesso físico, planeamento da segurança física, entre outros.
CP6. Implementação da Segurança de Informação: gestão de projetos de segurança de informação; aspetos técnicos e não-técnicos da implementação da segurança de informação.
CP7. Segurança do Pessoal: considerações de segurança do pessoal; práticas da segurança do pessoal.
CP8. Manutenção da Segurança de Informação.

Avaliação ao longo do semestre:
- Realização de dois projetos em grupo (50%) ao longo do semestre
- Realização de dois de testes individuais ao longo do semestre (50%) [nota mínima de 8 valores para cada um dos testes]
Avaliação por exame:
Para os estudantes que optem por este processo ou para os reprovarem no processo de avaliação ao longo do semestre, com 3 épocas nos termos do RGACC.

Obrigatória

Whitman, M., Mattord, H. (2021). Principles of Information Security. Course Technology.
Whitman, M., & Mattord, H. (2016). Management of information security. Nelson Education.
Andress, J. (2014). The Basics of Information Security: Understanding the Fundamentals of InfoSec in Theory and Practice. Syngress.
Kim, D., Solomon, M. (2016). Fundamentals of Information Systems Security. Jones & Bartlett Learning.

Opcional

Conjunto de artigos, páginas web e textos que complementam a informação bibliográfica da unidade curricular, e que serão fornecidos pela equipa docente.

C1 Classes e Objetos
C2 Herança e polimorfismo
C3 Classes abstratas
C4 Interfaces e comparadores
C5 Coleções: listas, conjuntos, mapas
C6 Classes anónimas e lambdas
C7 Leitura e escrita de ficheiros
C8 Exceções e tratamento de erros
C9 Genericidade e padrões de desenho
C10 Testes JUnit e Documentação

UC com Avaliação Periódica, sem Exame Final:
• 8 Trabalhos práticos individuais (10%), nota min de 9,5 valores;
• Projeto em grupo, com discussão oral (45%), nota min de 9,5 valores;
• 2 Mini-testes (45%), nota min de 9,5 valores.
Se reprova na 1ª época (< 10 val), acede à repetição do 1º e/ou 2º mini-testes (pode também repetir se tiver menos que a nota mínima nalgum deles ou nos dois) - 55% da nota, sendo obrigatória a aprovação no Projeto ou a realização de um projeto individual - 45%.

Obrigatória

F. Mário Martins, "Java 8 POO + Construções Funcionais", FCA - Editora de Informática, 2017. ISBN: 978-972-722-838-6
Y. Daniel Liang, "Introduction to Java Programming: Comprehensive Version" 10th Ed. Prentice-Hall / Pearson, 2015.
Recursos Java http://java.sun.com

Opcional

Ken Arnold, James Gosling e David Holmes, "The JavaTM Programming Language", 3ª edição, Addison-Wesley, 2000.
ISBN: 0-201-70433-1
Bruce Eckel, "Thinking in Java", 3ª edição, Prentice Hall, 2002. ISBN: 0-13-100287-2
Gamma, Helm, Johnson & Vlissides (1994). Design Patterns. Addison-Wesley. ISBN 0-201-63361-2.

CP1: Introdução a agentes autónomos – propriedades, modelos e aplicações.
CP2: Arquiteturas de agentes – reativas, deliberativas, híbridas e orientadas ao conhecimento.
CP3: Sistemas multiagente – comunicação, coordenação, cooperação e negociação.
CP4: Fundamentos de aprendizagem por reforço – modelos, políticas, funções de valor e algoritmos clássicos (Q-learning, SARSA).
CP5: Aprendizagem multiagente e ambientes de simulação – ambientes competitivos e cooperativos.

A avaliação ao longo do semestre inclui:

- Projeto prático de desenvolvimento de sistema multiagente com aprendizagem realizado em grupo (máximo de 3 alunos), incluindo um relatório (30%) e uma defesa oral com nota individual (20%). Nota mínima de 8 valores.
- Teste individual (30%) para aferição de conhecimentos teóricos.
- Participação em aula e trabalhos semanais (20%).

O uso de ferramentas de Inteligência Artificial (IA), incluindo IA generativa como o ChatGPT, é permitido para apoio técnico e deve obrigatoriamente ser referenciado de forma explícita..

O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria. Realiza exame final, na época 1, 2 ou especial, quem não tenha concluído com sucesso a avaliação ao longo do semestre, com uma nota média superior ou igual a 9,5 (em 20).

Obrigatória

Russell & Norvig, Artificial Intelligence: A Modern Approach (2022) (capitulos escolhidos)
Sutton & Barto, Reinforcement Learning: An Introduction (2020) (Capitulos escolhidos)

Opcional

Disponibilizada no início do semestre com base nos interesses dos estudantes e atualizações recentes.

CP1. Introdução à aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas.
CP2. Redução de dimensionalidade e visualização de dados: Análise de Componentes Principais (PCA), t-SNE e UMAP para redução de dimensionalidade e interpretação visual.
CP3. Clustering e técnicas de aglomeração: exploração de algoritmos como K-Means, DBSCAN, e clustering hierárquico.
CP4. Análise e deteção de outliers através de técnicas não supervisionadas: KNN, LOF, iForest.
CP5. SOMs: aplicação de mapas auto-organizáveis para visualização e análise de padrões complexos em grandes volumes de dados.
CP6. Regras de associação e algoritmo de Apriori.
CP7. Sistemas de Recomendação: princípios gerais, filtragem colaborativa (user-based e item-based), filtragem baseada em conteúdo e abordagens híbridas.
CP8. Avaliação e otimização de sistemas de recomendação: métricas (precisão, recall, cobertura, NDCG, lift) e implementação prática em estudos de caso.

Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação ao longo do semestre por projeto, pelo que esta UC não contempla exame final.
A avaliação é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:

- BA1: 1ª tutoria + 1º mini-teste [25% para a 1ª tutoria + 10% para o 1º mini-teste = 35%]
- BA2: 2ª tutoria + 2º mini-teste [25% para a 2ª tutoria + 10% para o 2º mini-teste = 35%]
- BA3: 1 projeto final [30%]


As tutorias consistem em projetos a serem desenvolvidos em grupo, que contemplam também discussões orais individuais, que permitem avaliar o desempenho dos alunos nesses mesmos projetos.

Os mini-testes, realizados individualmente em sala de aula, permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados em tutoria.

O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre.

Em qualquer BA, poderá ser necessária uma discussão oral individual para confirmação de autoria e/ou aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre.

Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Esta UC poderá contemplar a participação de organizações externas ou empresas, que poderão propor projetos devidamente enquadrados no currículo e alinhados com os objetivos de aprendizagem da UC.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas aulas não é obrigatória.

Obrigatória

1. Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature.
2. Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer.
3. Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC.
4. McAuley, J. (2022). Personalized machine learning. Cambridge University Press.

Opcional

5. Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda.
6. Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer.
7. Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC.
8. Falk, K. (2019). Practical recommender systems. Manning Publications.
9. Ricci, F., Rokach, L., & Shapira, B. (Eds.). (2022). Recommender systems handbook (3.a ed.). Springer.

I. Desenvolvimento da imagem do produto/serviço
II. Funcionalidades do produto/serviço
III. Plano de desenvolvimento
IV. Desenvolvimento do produto/serviço (web/mobile ou outro)
V. Revisão do plano de negócio
VI. Manutenção e gestão de produto/serviço
VII. Planos de certificação
VIII. Propriedade intelectual, patentes e documentação de suporte
IX. Principais aspetos para a criação de startup - jurídicos, contabilidade, registo, contratos, capital social, obrigações, impostos

Avaliação periódica:
- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação: 30%; relatório final: 40%; As apresentações, Demonstrações e Defesa são em grupo.

Obrigatória

·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Value Proposition Design: How to Create Products and Services Customers Want, 2014, ·, ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers, 2010, ·, ·
P. Burns / Palgrave Macmillan, Entrepreneurship and Small Business, 2016, ·, ·
R. Dorf, T. Byers, A. Nelson / McGraw-Hill Education, Technology Ventures: From Idea to Enterprise., 2014, ·, ·
S. Mariotti, C. Glackin / Global Edition. Pearson, Entrepreneurship: Starting and Operating A Small Business, 2015, ·, ·

Opcional

CP1. Fundamentos de Grafos e Redes
1.1. Introdução à Teoria de Grafos
1.2. Matemática de Grafos
1.3. Algoritmos de pesquisa
CP2. Estrutura e Dinâmica de Redes Complexas
2.1. Métricas e Medidas de centralidade
2.2. Modelos de redes
2.3. Tópicos avançados
CP3. Aplicações e Visualização de Redes
3.1. Adaptação de dados a modelos de rede
3.2. Aplicações em diversas áreas
3.3. Visualização de redes com ferramentas computacionais
CP4. Introdução às Redes Neuronais
4.1. Modelo perceptrão e fundamentos básicos
4.2. Arquitetura de redes neuronais
4.3. Treino e optimização

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 trabalho de projeto realizado em grupo (15%) + 1 teste intermédio (40%) + 1 teste final (40% - data da 1ª época) + atividades de trabalho autónomo (5%); é exigida nota mínima de 8 valores (escala 1-20) no teste intermédio e no teste final.
- Avaliação por Exame (100%), em qualquer uma das épocas de avaliação.
- Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.

Obrigatória

Maarten van Steen, Graph Theory and Complex Networks, 2010, 9081540610,
Mark Newman, Networks, 2018, 978-0198805090,
Sergey N. Dorogovtsev, José F. F. Mendes, The Nature of Complex Networks, 2022
Van Der Hofstad, Remco. Random graphs and complex networks. Vol. 54. Cambridge university press, 2024.
Zhiyuan Liu and Jie Zhou, Introduction to Graph Neural Networks, Morgan & Claypool Publishers. 2020

Opcional

Menczer F., Fortunato S., Davis C.A., A first course in network science (Cambridge University Press), 2020, 978-1108471138,
Sayama H., Introduction to the Modeling and Analysis of Complex Systems. Open SUNY Textbooks. Milne Library., 2015
Erwin Kreyszig, Advanced Engineering Mathematics, 2011, 978-0470458365

CP1: Standard W3C e programação para a Web
CP2: Arquiteturas Cliente-Servidor
CP3: Model View Controler (MVC)
CP4: Fundamentos de Nuvem e Business Drivers;
CP5: Tecnologia Pré-Nuvem, Virtualização, Hipervisores, Xen, Clusters Virtuais;
CP6: XaaS, Nuvens Públicas, Privadas, e Híbridas, Exemplos;
CP7: Princípios básicos de desenvolvimento de aplicações na Nuvem

Esta UC é feita através de dois projetos que valem 50% cada:
(1) Desenvolvimento de uma aplicação Web
(2) Desenvolvimento de um projeto em cloud
No caso da 1ª época, o projeto é realizado em grupo com discussão individual (que conta 50% da nota em cada projeto). No caso das 2ª época e época especial, o projeto é individual.

Obrigatória

Buyya, R., Broberg, J, Goscinski, A., "Cloud Computing Principles and Paradigms", Wiley & Sons, 2011
Hwang, K., Fox, G., and Dongarra, J., "Distributed and Cloud Computing (From Parallel Processing to the Internet of Things)", Elsevier, 2011
Vincent W. S. (2018). Build websites with Python and Django. Ed: Independently published. ISBN-10: 1983172669. ISBN-13: 978-1983172663.

Opcional

--

CP1: Preparação para a apresentação.
CP2: Técnicas da Comunicação não verbal.
CP3: Comunicação voz e corpo, o envolvimento da audiência. CP4: Prática de apresentação e feedback. Os objetivos de aprendizagem serão alcançados através de atividades práticas e reflexivas, apoiadas no método de ensino ativo e participativo que privilegia a aprendizagem experiencial. As aulas serão compostas por atividades, tais como: Vivências teatrais e discussões em grupo; Atidades práticas; Apresentações e exposição de trabalhos autónomos; Reflexão individual.

A avaliação da UC de Apresentações em Público com Técnicas Teatrais (APTT) visa aferir o desenvolvimento das competências dos estudantes em aspetos essenciais para apresentações em público. A estrutura da avaliação contempla atividades, abrangendo diferentes aspetos do processo de aprendizagem experiencial que envolvem quer as técnicas teatrais, quer as técnicas específicas da comunicação.
A Avaliação ao Longo do Semestre contempla atividades que abrangem diferentes aspetos do processo da elaboração de uma apresentação em público, incluindo atividades de trabalho em grupo e individual:
Atividades em grupo (50%) [os estudantes são desafiados a atuarem em grupos de/até 5 elementos, constituídos de forma aleatória e de acordo com cada proposta de atividade].
1-Apresentações Práticas: os estudantes serão avaliados com base nas suas apresentações em público:
Descrição: cada grupo recebe uma proposta de apresentação devendo identificar os elementos da atividade e atuar em conformidade com o objetivo.
Os resultados do trabalho realizado são apresentados em sala aos colegas (Tempo/grupo: AP – 5 a 10 min. reflexão - 5 min.).
Avaliação (oral): baseada na participação ativa, organização das ideias e a objetividade na comunicação, expressão vocal e corporal, o uso de técnicas teatrais e a performance. As apresentações poderão ser individuais ou em grupo, dependendo das atividades propostas.
Atividades individuais (50%)
1-Exercícios e Tarefas Escritas (Trabalhos Autónomos):
Descrição: além das apresentações práticas, os estudantes serão solicitados a realizar exercícios e tarefas escritas relacionadas com os conteúdos abordados em cada aula. Estas atividades incluem reflexões sobre técnicas aprendidas, criação de um vision board, análise de objetivos académicos, autoavaliação do estudante ao longo do semestre, respostas a perguntas teóricas e elaboração de guiões de apresentação. Avaliação: (Componente oral e conteúdos em suporte escrito), organização, conteúdo, uso correto da estrutura e dos procedimentos dos trabalhos autónomos propostos em cada aula, capacidade de resposta às perguntas colocadas por colegas e docente. As competências de comunicação e a qualidade do trabalho escrito serão avaliadas, com foco na clareza da apresentação. Essas atividades ajudarão a aferir a compreensão conceitual dos conteúdos lecionados.
Não haverá avaliação por exame final, sendo a aprovação determinada pela média ponderada das avaliações ao longo do semestre.
Considerações Gerais: na avaliação será dado o feedback aos estudantes sobre o desempenho em cada atividade.
Para concluir a UC nesta modalidade o estudante tem de estar presente em 80% das aulas e ter mais de 7 valores em cada uma das avaliações.

Obrigatória

Prieto, G. (2014). Falar em Público - Arte e Técnica da Oratória. Escolar Editora.

Opcional

Anderson, C. (2016). TED Talks: o guia oficial do TED para falar em público. Editora Intrinseca.
Luiz, P. (2019). Manual de Exercícios Criativos e Teatrais. Showtime. Rodrigues, A. (2022). A Natureza da Atividade Comunicativa. LisbonPress.

CP1: Introdução à análise de dados – tipos, fontes e ciclo de vida dos dados.
CP2: Organização e limpeza de dados em Excel – formatos, filtros, validação. Funções básicas e avançadas no Excel – estatísticas, lógicas, procura e referência.
CP3: Noções de Estatística Descritiva: Tipos de variáveis. Tabelas de frequências e representações gráficas. Medidas de tendência central, de dispersão, de assimetria e de curtose. Análise exploratória dos dados.
CP4: Noções de modelação preditiva de dados: Regressão linear simples e multipla, regressão logistica.
CP5: Visualização de dados – gráficos, formatação condicional, dashboards simples.

A avaliação ao longo do semestre inclui:

- Projeto prático de análise de dados realizado em grupo (máximo de 3 alunos), incluindo um relatório (15%) com uma entrega intercalar obrigatória (15%) e uma defesa oral com nota individual (20%). Nota mínima de 8 valores.
- Teste individual (30%) para aferição de conhecimentos teóricos.
- Exercícios em aula e trabalhos semanais (20%).

O uso de ferramentas de IA (ex: ChatGPT) é permitido para apoio técnico e deve ser claramente referenciado com os prompts utilizados.

O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria.

Realiza exame final na época 1 quem não optar por avaliação ao longo do semestre.

Realiza exame final na época 2 quem não tenha concluído com sucesso a avaliação ao longo do semestre, ou o exame da época 1, com uma nota superior ou igual a 9,5 (em 20).

Obrigatória

Wayne L. Winston, Microsoft Excel Data Analysis and Business Modeling (Office 2021 and Microsoft 365), 7th Edition (2021)

Elizabeth Reis, Estatística Descritiva, 7ª Edição, Edições Silabo (2008)

Cole Nussbaumer Knaflic, 'Storytelling with data: a data visualization guide for business professionals', John Wiley & Sons, Inc., 2015.

Opcional

Será disponibilizada consoante os interesses dos estudantes e atualizações tecnológicas relevantes.

CP1. Ambientes integrados de desenvolvimento. Introdução à programação: Sequência lógica e instruções, Entrada e saída de dados.
CP2. Constantes, variáveis e tipos de dados. Operações lógicas, aritméticas e relacionais.
CP3. Estruturas de controlo.
CP4. Listas e matrizes (listas de listas).
CP5. Procedimentos e funções. Referências e parâmetros.
CP6. Objetos e classes de objetos.
CP7. Manipulação de ficheiros.

A UC segue o modelo de avaliação ao longo do semestre por projeto, pelo seu caráter eminentemente prático, não contemplando exame final.

O estudante é avaliado pelas seguintes componentes (A1+A2 +A3):
A1: 3 Tarefas de Aprendizagem individuais com validação dos docentes [15% - 5% cada uma]
Serão realizadas 3 tarefas de aprendizagem ao longo do semestre.
A classificação de A1 corresponde à média das notas das 3 tarefas. Nota mínima de 8 valores.

A2: ePortfolio [15%]. Serão propostos desafios ao longo do semestre, incluindo atividades que devem ser realizadas fora do contexto da sala de aula (participação em workshops, seminários ou formações). A classificação de A2 corresponde à média das notas calculada sobre o número de desafios propostos. Sem nota mínima.

A3: Projeto em Grupo (3) e discussão teórico-prática individual [70%]
A classificação de A3 corresponde a uma percentagem aplicada à nota do projeto, que decorre diretamente do desempenho demonstrado na discussão teórica-prática individual. Nota mínima de 9,5 valores.

Assiduidade:
Não é obrigatória a presença às aulas.

Obrigatória

Portela, F., & Pereira, T. (2023). Introdução à Algoritmia e Programação com Python. FCA. ISBN: 9789727229314.

Sobral, S. R. (2024). Introdução à Programação Usando Python (2.ª ed.). Edições Sílabo. ISBN: 9789895613878.

Downey, A. B. (2024). Think Python: How to Think Like a Computer Scientist (3rd ed.). O'Reilly Media. ISBN: 9781098155438.

Python Software Foundation. Python 3 Documentation. Disponível em: https://docs.python.org/3/

Opcional

Menezes, N. N. C. (2019). Introdução à Programação com Python: Algoritmos e Lógica de Programação para Iniciantes. Novatec Editora. ISBN: 9788575227183.

Matthes, E. (2023). Python Crash Course (3rd ed.). No Starch Press. ISBN: 9781718502703.

Martins, J. P. (2015). Programação em Python: Introdução à Programação com Múltiplos Paradigmas. IST Press. ISBN: 9789898481474.

Reitz, K., & Schlusser, T. (2016). The Hitchhiker's Guide to Python: Best Practices for Development. O'Reilly Media. ISBN: 9781491933176.
Disponível em: https://docs.python-guide.org/

Beazley, D., & Jones, B. K. (2013). Python Cookbook: Recipes for Mastering Python (3rd ed.). O'Reilly Media. ISBN: 9781449340377.

CP1. Introdução ao Design Thinking

CP2. Etapa 1: Empatia

CP3. Etapas 2: Definição do problema

CP4. Etapa 3 e 4: Ideação Prototipagem

CP5. Etapa 5: Teste e Feedback

CP6: Reflexão crítica

A unidade curricular adota uma metodologia ativa, baseada na aprendizagem por projeto, sendo a avaliação realizada na modalidade de avaliação ao longo do semestre, através dos seguintes instrumentos:

• Participação em aula (20%): avalia a assiduidade, o envolvimento e a contribuição dos/as estudantes nas discussões e atividades desenvolvidas em sala de aula.

• Trabalho individual (40%): os/as estudantes desenvolvem um projeto individual aplicando o processo de Design Thinking à resolução de um problema específico. A avaliação incide sobre a aplicação das diferentes etapas do Design Thinking, a qualidade das soluções propostas e a criatividade demonstrada.

• Trabalho de grupo (40%): os/as estudantes desenvolvem, em equipa, um projeto de aplicação do Design Thinking à resolução de um desafio real. A avaliação incide sobre a aplicação das etapas do processo, a qualidade das soluções desenvolvidas e a colaboração entre os membros do grupo.

Em todos os trabalhos submetidos, a utilização de ferramentas de inteligência artificial deve ser transparente, devidamente declarada e compatível com as normas de integridade académica do Iscte, mediante declaração própria anexada ao trabalho. A ausência desta declaração ou a omissão da utilização de tecnologias de IA constitui infração académica, nos termos do Regulamento Disciplinar de Discentes do Iscte.

Atendendo à natureza teórico-prática e aplicada da unidade curricular, a avaliação realiza-se exclusivamente na modalidade de avaliação ao longo do semestre, não estando prevista avaliação por exame. A avaliação final dos trabalhos escritos pode incluir uma prova oral individual, sempre que seja necessário esclarecer ou validar os resultados apresentados.

A avaliação na 2.ª época e na época especial reveste a forma de uma modalidade de avaliação alternativa. Os/As estudantes que pretendam realizar a avaliação nestas épocas devem contactar previamente o/a docente responsável pela unidade curricular, a fim de obter informação sobre o respetivo procedimento de avaliação.

Para efeitos de avaliação ao longo do semestre, é obrigatória a presença e participação em, pelo menos, 80% das aulas.

Obrigatória

Brown, T. (2008). Design Thinking. Harvard Business Review, 86(6), 84–92.
Lewrick, M., Link, P., & Leifer, L. (2018). The design thinking playbook: Mindful digital transformation of teams, products, services, businesses and ecosystems. John Wiley & Sons.
Lockwood, T. (2010). Design Thinking: Integrating Innovation, Customer Experience and Brand Value. Allworth Press.
Stewart S.C (2011) “Interpreting Design Thinking”. In: https://www.sciencedirect.com/journal/design-studies/vol/32/issue/6

Opcional

Brown, T., & Katz, B. (2011). Change by design. Journal of product innovation management, 28(3), 381-383.
Brown, T., Katz, B. M. Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation. HarperBusiness, 2009.
Liedtka, J. (2018). Why Design Thinking Works. Harvard Business Review, 96(5), 72–79.
Gharajedaghi, J. (2011). Systems thinking: Managing chaos and complexity. A platform for designing business architecture. Google Book in: https://books.google.com/books?hl=en&lr=&id=b0g9AUVo2uUC&oi=fnd&pg=PP1&dq=design+thinking&ots=CEZe0uczco&sig=RrEdhJZuk3Tw8nyULGdi3I4MHlQ

CP1. Conceito de função. Funções elementares em R. Tipo de funções. Operações entre funções. Funções logarítmicas e trigonométricas inversas.
CP2. Limite de uma função num ponto. Continuidade num ponto. Retas assíntotas.
CP3. Derivada num ponto e reta tangente. Regras de derivação. Problemas de otimização.
CP4. Derivada da função composta - regra da cadeia. Derivada da função inversa.
CP5. Aproximações linear de Taylor e ordem superior.
CP6. Resolução de sistemas de equações lineares. Matrizes e operações. Inversa de uma matriz. Determinante de matrizes quadradas e propriedades. Transformações lineares.
CP7. Espaço vetorial real. Produto interno. Paralelismo e perpendicularidade.
CP8. Valores e vetores próprios e diagonalização de matrizes.

Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:

- Avaliação ao Longo do Semestre:
* 3 testes (T1, T2, T3), com nota mínima de 7.0 valores e um peso de 30% cada
* trabalho autónomo (quizzes e trabalhos em moodle), com um peso de 5%
* relatório de reflexão crítica sobre o uso de IA ao longo do semestre, com um peso de 5%
* T1 e T2 realizados ao longo do semestre
* T3 realizado na data do exame de 1.ª época
* T1 ou T2 podem ser substituídos na data do exame de 1.ª época
ou
- Avaliação por Exame (100%).

Há a possibilidade de realização de orais, se o docente assim o entender.
Notas superiores a 17 valores têm de ser defendidas em oral.

O coordenador da unidade curricular pode determinar a realização de uma discussão oral complementar relativamente a qualquer elemento/instrumento de avaliação previsto na presente FUC, sempre que tal se revele necessário para confirmar a aquisição dos conhecimentos e competências avaliados, ou esclarecer discrepâncias entre diferentes elementos de avaliação.
A discussão oral complementar não constitui um instrumento autónomo de avaliação, não tem ponderação própria na classificação final da unidade curricular e destina-se exclusivamente à validação da classificação do respetivo elemento/instrumento de avaliação. A classificação anteriormente atribuída a esse elemento/instrumento tem natureza provisória até à realização da discussão oral complementar, podendo ser confirmada ou revista em função da validação realizada e dos critérios de avaliação aplicáveis.
A convocatória para a discussão oral complementar será comunicada ao/à estudante com antecedência mínima de 24 horas, indicando a data e a hora de realização. A não comparência, sem justificação atendível, implica a impossibilidade de validação do respetivo elemento/instrumento de avaliação, aplicando-se as consequências previstas para a sua não realização ou desistência.

Obrigatória

Stewart, J. (2022). Cálculo, Vol I, Cengage Learning, (9a Ed.)
Cabral I., Perdigão, C. e Saiago, C. (2018). Álgebra Linear: Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções, Escolar Editora
Magalhães, L.T. (2004). Álgebra Linear como Introdução a Matemática Aplicada, 8ª edição, Texto Editora

Opcional

Campos Ferreira, J. (2018). Introdução à Análise Matemática, Fundação Calouste Gulbenkian
Goldstein, L. (2011). Matemática Aplicada a Economia. Administração e Contabilidade, (12a edição) Editora Bookman
Strang, G., (2007) Computational Science and Engineering, Wellesley-Cambridge Press.

CP1 - Introdução à IA e à IA Generativa:
* Exposição teórica sobre o contexto histórico, evolução e conceitos importantes sobre a Inteligência Artificial (IA) e a IA Generativa
CP2 - Prompt Engineering:
* Explicação das boas práticas para a interação com modelos de linguagem generativos
CP3 - Ferramentas de IA Generativa:
* Exploração de múltiplas ferramentas de IA Generativa, baseadas em texto, imagens e vídeos
CP4 - Formação de conteúdo argumentativo:
* Desenvolvimento de soluções criativas recorrendo a práticas de argumentação e ferramentas de IA Generativa
CP5 - Normas para escrita científica:
* Aplicação de normas de citação e referenciação (normas APA) na elaboração de escrita académica

A Avaliação ao Longo do Semestre contempla as seguintes atividades:
1. Atividades individuais (50%): incluirão elementos de avaliação relacionados com prompt engineering, o uso responsável da IA Generativa, e também a defesa oral na apresentação do grupo.
2. Atividades em grupo (50%) [os estudantes são organizados em grupos de/até 5 elementos, constituídos de forma aleatória]: incluirão elaboração, revisões, edições e validações de conteúdos produzidos por IA e a utilização adequada, estratégica e responsável das ferramentas e técnicas de IA Generativa, no decorrer da elaboração do trabalho de grupo durante as aulas, que culminará numa apresentação e sessão de avaliação por pares na última aula.

Considerações Gerais:
Atendendo à natureza teórico-prática e aplicada da UC, a avaliação realiza-se na modalidade de avaliação ao longo do semestre, não estando prevista avaliação por exame. A avaliação em 2.ª época e época especial terá uma modalidade de avaliação alternativa, pelo que quaisquer estudantes que pretendam realizar a avaliação nestas épocas deverão previamente entrar em contacto com o/a docente para ficarem a par do procedimento de avaliação.

Para efeitos de avaliação ao longo do semestre, é obrigatória a presença e participação em, pelo menos, 80% das aulas e ter mais de 7 valores em cada uma das avaliações. A aprovação exige uma classificação final mínima de 10 valores e o cumprimento do requisito de assiduidade e participação acima referido.
O grupo terá de garantir a existência de pelo menos um computador por cada grupo para permitir a realização das atividades em sala de aula.

O coordenador da unidade curricular pode determinar a realização de uma discussão oral complementar relativamente a qualquer elemento/instrumento de avaliação previsto na presente Ficha de Unidade Curricular, sempre que tal se revele necessário para confirmar a aquisição dos conhecimentos e competências avaliados, ou esclarecer discrepâncias entre diferentes elementos de avaliação.

A discussão oral complementar não constitui um instrumento autónomo de avaliação, não tem ponderação própria na classificação final da unidade curricular e destina-se exclusivamente à validação da classificação do respetivo elemento/instrumento de avaliação. A classificação anteriormente atribuída a esse elemento/instrumento tem natureza provisória até à realização da discussão oral complementar, podendo ser confirmada ou revista em função da validação realizada e dos critérios de avaliação aplicáveis.

Obrigatória

Ribeiro, A. & Rosa, A. (2024). Descobrindo o potencial do CHATGPT em sala de aula: guia para professores e alunos. Atlantic Books.
Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in education and teaching international, 61(2), 228-239.
d’Alte, P., & d’Alte, L. (2023). Para uma avaliação do ChatGPT como ferramenta auxiliar de escrita de textos acadêmicos. Revista Bibliomar, São Luís, 22(1), 122-138. DOI: 10.18764/2526-6160v22n1.2023.6.
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., ... & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and individual differences, 103, 102274.

Opcional

Cowen, T., & Tabarrok, A. T. (2023). How to learn and teach economics with large language models, including GPT. GMU Working Paper in Economics No. 23-18. DOI: 10.2139/ssrn.4391863
Lund, B. D., Wang, T., Mannuru, N. R., Nie, B., Shimray, S., & Wang, Z. (2023). ChatGPT and a new academic reality: Artificial Intelligence‐written research papers and the ethics of the large language models in scholarly publishing.

CP1. Mudanças do trabalho e do emprego: da sociedade industrial à sociedade de informação e conhecimento
CP2. O desafio de estudar o trabalho, as organizações e a tecnologia
CP3. Direitos e deveres no mundo do trabalho
CP4. Teorias sociais da tecnologia: impactos, conflitos e avaliações
CP5. Desenvolvimento, inovação e desigualdades sociais
CP6. O futuro do trabalho: cenários prospetivos e dimensões de análise
CP7. Responsabilidade e ética no trabalho e nas organizações da atualidade
CP8. Precariedade na era digital: conceito, formas e práticas de precariedade
CP9. Sindicatos e empresas: participação, representação e negociação coletivas
CP10. Transformação digital em Portugal: o caminho percorrido e as políticas públicas

Avaliação ao longo do semestre:
– Assiduidade e participação nas aulas, que representam 10% da nota final. É exigida uma assiduidade mínima de ⅔ das aulas;
– Realização de uma aula invertida, que representa 20% da nota final;
– Realização de um trabalho de grupo, que representa no total 35% da nota final (15% o trabalho escrito e 20% a discussão do trabalho);
– Realização de uma prova escrita individual, que representa 35% da nota final.
Cada elemento de avaliação tem a nota mínima de 8 valores. A média final dos vários elementos terá de ser igual ou superior a 9,5 valores.

Avaliação por exame: prova escrita individual, representando 100% da nota final, com nota mínima de 9,5 valores.

Obrigatória

Agrawal, A., Gans, J, & Goldfarb, A. (2018). Prediction machines. Harvard Business Review Press.
Autor, D. (2022). The labour market impacts of technological change. Working Paper 30074, NBER Working Paper Series.
Benanav, A. (2020). Automation and the future of work. Verso.
Braun, J., Archer, M., Reichberg, G., & Sorondo, M. (2021). Robotics, AI and humanity. Springer.
Crawford, C. (2021). The atlas of AI. Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
Edgell, S., & Granter, E. (2020). The sociology of work: Continuity and change in paid and unpaid work. Sage Publications.
Grunwald, A. (2018). Technology assessment in practice and theory. Routledge.
Organização Internacional do Trabalho (2020). As plataformas digitais e o futuro do trabalho. International Labour Office.
Wilkinson, A., & Barry, M. (Eds.) (2021). The future of work and employment. Edward Elgar.
Zuboff, S. (2019). The age of surveillance capitalism. Public Affairs.

Opcional

Casilli, A. (2021). Waiting for robots: The ever-elusive myth of automation and the global exploitation of digital labor. Sociologias 57, 112-133.
Cerejeira, J., & Lopes, H. (2023). Economia do trabalho: Mercados e instituições. Edições Almedina.
Estanque, E., Costa, H. A., Fonseca, D., & Santos, A. (2018). Digitalização e precariedade laboral: Novos desafios para o sindicalismo e os movimentos sociais no contexto português. Século XXI, 8(2), 589-621.
Eurofound - European Foundation for the Improvement of Living and Working Conditions (2020). Game-changing technologies: Transforming production and employment in Europe. Publications Office of the European Union.
Hoff, S. S., Langheinrich, M., Hoff, J., Wendehorst, C., Pfeffer, J., Fuchs, T., & Grunwald, A. (2026), The power of 10: New rules for the digital world. Communications of the Association for Computing Machinery, 69(7), 46-59.
International Labour Organisation (2019). Work for a brighter future – Global Commission on the Future of Work. International Labour Office.
Lee, H., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Association for Computing Machinery, Article 1121, 1-22.
Organisation for Economic Co-operation and Development (2019). How’s life in the digital age? OECD Publishing.
Standing, G. (2014), The precariat – The new dangerous class. Bloomsbury.
Wajcman, J., & Dodd, N. (2017). The sociology of speed: Digital, organizational, and social temporalities. Oxford University Press.
World Economic Forum (2025). Future of jobs report 2025. World Economic Forum.

CP1. A estrutura de dados Union-Find
CP2. Análise de algoritmos
CP3: Estruturas de dados: pilhas, filas, listas, sacos
CP4: Ordenação elementar: selectionsort, insertionsort, shellsort
CP5: Ordenação avançada: mergesort, quicksort, heapsort
CP6. Complexidade dos problemas de ordenação
CP7: Filas com prioridade
CP8. Tabelas de símbolos elementares
CP9. Árvores de pesquisa binária
CP10. Árvores de pesquisa equilibradas
CP11. Tabelas de dispersão

Época 1: Avaliação periódica (ao longo do semestre) ou Avaliação por Exame
Avaliação periódica, sendo exigida a presença em pelo menos 3/4 das aulas:
- 4 mini-testes (90%), cada um a valer 22.5% e com nota mínima de 7,5.
- Tarefas Semanais (10%).

A média final ponderada dos 4 mini-testes terá de ser igual ou superior a 9,5.

Avaliação por Exame:
- (100%) Exame Final com componente teórica e prática
Os estudantes têm acesso à avaliação por Exame na Época 1 se a escolherem no início do semestre ou se reprovarem na avaliação periódica.

Época 2: Exame Final
- (100%) Exame Final com componente teórica e prática

Época Especial: Exame Final
- (100%) Exame Final com componente teórica e prática

Obrigatória

Cormen, T. H., Leiserson, C. E., Rivest, R. L., Stein, C. (2022). Introduction to Algorithms, Fourth Edition. Estados Unidos: MIT Press.
Portela, F., Pereira, T. (2023). Introdução à Algoritmia e Programção com Python. Portugal: FCA
Sedgewick, R., Wayne, K. (2014). Algorithms, Part II. Reino Unido: Pearson Education.

Opcional

CP1 Sucessões. Monotonia. Majorantes e minorantes. Progressão geométrica.
CP2 Sucessões enquadradas. Convergência.
CP3 Séries numéricas, somas parciais e soma.
CP4 Critérios de convergência de séries de termos não-negativos.
CP5 Convergências simples e absoluta de séries alternadas. Critério de Leibniz.
CP6 Séries de potências e domínio de convergência.
CP7 Primitivas. Integral definido à Riemann. Teorema fundamental do cálculo e primitivas.
CP8 Integração por partes e mudança de variável. Decomposição em frações simples.
CP9 Aplicações do integral (área, comprimento, valor médio).
CP10 Integrais impróprios e convergência.
CP11 EDO de 1ª ordem linear.
CP12 Funções reais multivariável. Curvas de nível. Limites e continuidade.
CP13 Derivadas parciais num ponto e vetor gradiente. Aproximação linear, plano tangente e diferenciabilidade.
CP14 Derivada direcional. Regra da cadeia. Polinómios e série de Taylor.
CP15 Formas quadráticas em problemas de otimização.

Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:

- Avaliação ao Longo do Semestre:
* 3 testes (T1, T2, T3), com nota mínima de 7.0 valores
* nota final: (T1+T2+T3)/3
* T1 e T2 realizados ao longo do semestre
* T3 realizado na data do exame de 1.ª época
* T1 ou T2 podem ser substituídos na data do exame de 1.ª época
ou
- Avaliação por Exame (100%).

Há a possibilidade de realização de orais, se o docente assim o entender.
Notas superiores a 17 valores têm de ser defendidas em oral.

Obrigatória

[1] Stewart, J. (2022). Cálculo, Vol I, Cengage Learning, (9ª Ed.)
[2] Campos Ferreira, J. (2024). Introdução à Análise Matemática, Fundação Calouste Gulbenkian (12ª Ed.)
[3] Lipsman, R.L., Rosenberg, J.M. (2018) Multivariable Calculus with MATLAB, Springer
[4] Hanselman, D., Littlefield, B. and MathWorks Inc. (1997) The Student Edition of MATLAB, 5th Version, Prentice-Hall

Opcional

CP1. Conceitos básicos de estatística descritiva, estatística inferencial, probabilidades e distribuição normal
CP2. Estimação
CP2.1. Intervalos de confiança para a média e para a proporção
CP2.2. Determinação da dimensão da amostra
CP3. Testes de Hipóteses: testes paramétricos e testes não paramétricos
CP3.1. Teste t para uma amostra
CP3.2. Teste t /Mann-Whitney para duas amostras independentes
CP3.3 Anova a um factor/Kruskal-Wallis
CP3.4. Teste de independência do qui-quadrado
CP4: Correlação e Reta de Regressão

Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 miniteste realizado em aula (20%) + Prova escrita final realizada na data da 1ª época (60%) + projeto realizado em grupo (20%),
Todos os elementos de avaliação são obrigatórios e têm nota mínima de 8 valores.
ou
- Avaliação por Exame (100%).

Notas:
1) Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.
2) Para esta Unidade Curricular, os estudantes devem consultar o Código de Conduta Académica do Iscte, disponível nas plataformas institucionais, para garantir o cumprimento das normas éticas e comportamentais estabelecidas.

Obrigatória

Afonso, A. & Nunes, C. (2019). Probabilidades e Estatística. Aplicações e Soluções em SPSS. Versão revista e aumentada. Universidade de Évora.
Laureano, Raul (2020) - Testes de Hipóteses e Regressão, Lisboa, Edições Sílabo.
Marôco, J. (2018) - Análise Estatística com o SPSS Statistics (7ªed.), Pêro Pinheiro, ReportNumber.
Mehmet, M. and Jakobsen, Tor G. (2022). Applied Statistics Using Stata: A Guide for the Social Sciences (2nd ed.). SAGE Publications.

Opcional

Haslwanter, T. (2016). An Introduction to Statistics with Python: With Applications in the Life Sciences. Springer. ISBN: 978-3-319-28316-6.

CP1: Noções fundamentais de IA com destaque para a abordagem baseada em procura.
CP2: Algoritmos de procura: profundidade primeiro e largura primeiro, A*, greedy BFS, Dijkstra.
CP3: Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em Cconhecimento.
CP4: Lógica de predicados de primeira ordem: representação e dedução.
CP5: Conhecimento declarativo representado em Programação em Lógica.
CP6: Lógica Difusa (fuzzy logic).

A avaliação ao longo do semestre (ALS) é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:

- BA1: 2 mini-testes práticos [20% cada mini-teste prático * 2 = 40%]
- BA2: 2 mini-testes teóricos [15% cada mini-teste teórico * 2 = 30%]
- BA3: 1 projeto final [30%]

Avaliação por exame:
- 1.ª Época [100%]
- 2.ª Época [100%]

Os mini-testes práticos, realizados individualmente em sala de aula, focam-se na resolução de problemas, envolvendo a implementação, análise e validação de algoritmos.

Os mini-testes teóricos, realizados também individualmente em sala de aula, visam aferir o conhecimento teórico subjacente aos conteúdos programáticos.

O projeto consiste num entregável desenvolvido em grupo, contemplando discussões orais individuais, que permite avaliar a consolidação dos conteúdos e a capacidade de resolução de problemas.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Para obter aprovação na UC, o estudante deve obter uma classificação final mínima de 10 valores, calculada com base na soma ponderada de todos os elementos de avaliação, quer no modelo de ALS, quer no modelo de Avaliação por Exame.

Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS ou em Avaliação por Exame.

Em caso de reprovação na ALS (<10 valores), ou caso o estudante opte pelo modelo de Avaliação por Exame, o exame corresponde a 100% da nota.

A avaliação por exame consiste num exame escrito que abrange todos os conhecimentos previstos nos conteúdos programáticos da UC.

A presença nas aulas não é obrigatória.

Obrigatória

Bishara, M. H. A., & Bishara, M. H. A. (2019). Search algorithms types: Breadth and depth first search algorithm
Brachman, R., & Levesque, H. (2004). Knowledge representation and reasoning. Morgan Kaufmann
Clocksin, W. F., & Mellish, C. S. (2003). Programming in Prolog. Springer Berlin Heidelberg.
Russell, S. & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Prentice Hall.
S., V. C. S., & S., A. H. (2014). Artificial intelligence and machine learning (1.a ed.). PHI Learning.

Opcional

CP1. Fundamentos da Gestão de Projetos: conceitos, características, operações vs. projetos
CP2. Ciclos de Vida e Metodologias (Waterfall, Agile, Híbrida)
CP3. Dimensões de Planeamento e Controlo: âmbito, tempo, custo, recursos, risco, qualidade, comunicação
CP4. Metodologia PM²: estrutura, artefactos, stakeholders
CP5. Projeto Aplicado: planeamento, execução, monitorização, encerramento, avaliação de benefícios

A avaliação desta unidade curricular é realizada ao longo do semestre, com base em instrumentos diversificados, tanto individuais como de grupo. É exigida uma assiduidade mínima não inferior a 2/3 das aulas.
1. Dossier de Gestão do Projeto (50%) – Avaliação em grupo
Documento estruturado que reflete todas as fases do ciclo de vida do projeto, com base na metodologia PM². Inclui:
A. Iniciação do Projeto
B. Planeamento
C. Execução e Controlo
D. Encerramento
2. Apresentação do Projeto Final (20%) – Avaliação de grupo
3. Discussão Individual (20%) – Avaliação individual
4. Reflexão Individual Escrita (10%) – Avaliação individual
Critérios mínimos obrigatórios:
• Nota mínima de 9,5 valores em todos os elementos de avaliação.
• Entrega de todos os elementos do projeto para validação da componente de grupo.
UC não prevê avaliação por exame.

Obrigatória

European Commission. (2024). PM² Guide - Open Edition 3.5 (ISBN: 978-92-76-60378-4). Publications Office of the European Union. https://op.europa.eu/pt/publication-detail/-/publication/97cc2f12-c648-11ee-95d9-01aa75ed71a1
Kerzner, H. (2022). Project management: A systems approach to planning, scheduling, and controlling (13th ed.). John Wiley & Sons.
Project Management Institute. (2021). A guide to the project management body of knowledge (PMBOK® guide) (7th ed.). Project Management Institute.
Rigby, D. K., Elk, S., & Berez, S. (2020). Doing agile right: Transformation without chaos. Harvard Business Review Press.
Schwaber, K. (2004). Agile project management with Scrum. Microsoft Press.

Opcional

European Commission. (n.d.). PM² Project Management Methodology – Resources. European Commission. https://pm2.europa.eu/pm2-resources_en
European Commission. (n.d.). PM² Essentials: Project Management Methodology. EU Academy. https://academy.europa.eu/courses/pm-c1-pm-essentials-project-management-methodology
European Commission. (n.d.). PM² Agile Essentials. EU Academy. https://academy.europa.eu/courses/pm-a1-pm-agile-essentials
International Organization for Standardization. (2020). ISO 21502:2020—Project, programme and portfolio management: Guidance on project management. ISO.

CP1. O conceito de Big Data, os problemas aplicáveis e o respetivo ecossistema.
CP2. Introdução às bases de dados não relacionais e ao MongoDB.
CP3. Arquitetura de computação para Big Data: (1) redundante e tolerante a falhas e (2) distribuída para suportar grandes volumes de dados. Exemplo da plataforma Hadoop e do seu sistema de ficheiros distribuído.
CP4. O modelo de programação MapReduce.
CP5. O desenho de bases de dados no MongoDB.
CP6. A manipulação de estruturas JSON e de dados em tempo real.
CP7. O processo de ETL (Extract, Transform and Load) aplicado a datasets com dados reais desnormalizados e desenvolvimento de aplicações de processamento de Big Data em ambientes Spark e MongoDB.

Dada a natureza prática e de aplicação desta UC, segue-se o modelo de avaliação ao longo do semestre (ALS) por projeto, não contemplando exame final. A avaliação é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:

- BA1: 8 tarefas semanais [2,5% * 8 = 20% no total]
- BA2: 2 mini-testes [15% cada * 2 = 30% no total]
- BA3: Projeto de laboratório [50%]

Cada bloco de avaliação (BA1, BA2 e BA3) exige uma nota mínima de 8,5 valores.

As tarefas semanais permitem aos alunos responderem a pequenos desafios semanais práticos relacionados com o conhecimento adquirido. Os mini-testes visam aferir o conhecimento teórico subjacente aos conteúdos programáticos. O projeto de laboratório poderá ser realizado individualmente ou em grupo, onde consiste na elaboração de um projeto prático que posteriormente será alvo de discussão oral individual.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação.

Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS.

A 1.ª Época e 2.ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas aulas não é obrigatória.

Obrigatória

1. Nudurupati, S. (2021). Essential PySpark for Scalable Data Analytics: A beginner’s guide to harnessing the power and ease of PySpark 3. Packt Publishing.
2. Sardar, T. H. (2023). Big data computing: Advances in technologies, methodologies, and applications. CRC Press.
3. Tandon, A., Ryza, S., Laserson, U., Owen, S., & Wills, J. (2022). Advanced analytics with PySpark: Patterns for learning from data at scale using Python and Spark. O’Reilly Media.

Opcional

CP1. Metodologias de desenvolvimento e planeamento de projetos em Inteligência Artificial.
CP2. Apresentação de casos de estudo e de temas de projeto em tecnologias digitais de IA (produto, serviço ou processo).
CP3. Seleção do tema de projeto e respetivo enquadramento na organização parceira.
CP4. Espaço do problema: criação de empatia com utilizadores e organização; definição do problema e das questões associadas, tendo em conta requisitos de negócio, necessidades dos clientes/utilizadores e desafios tecnológicos.
CP5. Aplicação de uma metodologia de revisão sistemática da literatura e análise crítica dos resultados.
CP6. Identificação dos recursos digitais (incluindo recolha de dados), computacionais e outros necessários ao desenvolvimento do projeto.
CP7. Implementação preliminar das soluções nos casos de estudo/projetos propostos; elaboração de relatórios e documentação final; comunicação de resultados.

Esta UC segue a tipologia de avaliação ao longo do semestre por projeto a, não contemplando exame final, dada a adoção ao método de ensino aplicado a situações reais.

O processo assenta num relatório evolutivo único dividido em dois entregáveis:
- RP1: Relatório Preliminar Intermédio [40%]
- RP2: Relatório Preliminar Final [60%]

O Relatório Preliminar Intermédio (RP1) integra a proposta de projeto, o enquadramento, a definição detalhada do problema, dos requisitos e dos objetivos, bem como a revisão da literatura e o planeamento. Inclui apresentação e discussão oral individual.

O Relatório Preliminar Final (RP2) contém a descrição da implementação preliminar, os resultados iniciais/validação, a análise crítica e o plano de trabalho subsequente. Inclui apresentação e discussão oral individual.

Reuniões periódicas, presenciais e/ou online, com o mentor da entidade parceira e com o docente / coordenador da UC (ou seu nomeado) são obrigatórias sempre que solicitadas.

Cada entregável (RP1 e RP2) exige uma nota mínima de 8,5 valores. É também ponderada a presença nas reuniões periódicas na avaliação dos entregáveis.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS.

Esta UC contempla a participação de unidades de investigação, núcleos, organizações, entidades internas, externas ou empresas, que propõe projetos devidamente enquadrados no currículo e alinhados com os objetivos de aprendizagem da UC.

A 1.ª Época e 2.ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas aulas não é obrigatória.

Obrigatória

Dooley, J. F., & Kazakova, V. A. (2024). Software development, design, and coding: With patterns, debugging, unit testing, and refactoring. Apress.
Huyen, C. (2022). Designing machine learning systems: An iterative process for production-ready applications (1st ed.). O’Reilly Media.
Ford, N., Richards, M., Sadalage, P., & Dehghani, Z. (2021). Software architecture: The hard parts: Modern tradeoff analysis for distributed architectures. O’Reilly Media.
Lewrick, M., Link, P., & Leifer, L. (2020). The Design Thinking Toolbox: A guide to mastering the most popular and valuable innovation methods (1st ed.). John Wiley & Sons.
Knapp, J., Zeratsky, J., & Kowitz, B. (2016). Sprint: How to solve big problems and test new ideas in just five days. Simon & Schuster.
Osterwalder, A., Pigneur, Y., Bernarda, G., & Smith, A. (2014). Value Proposition Design: How to create products and services customers want. John Wiley & Sons.

Opcional

Ries, E. / capítulos 3 e 4, Penguin Group, The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses, 2017
Scrum Institute, The Kanban Framework 3rd Edition, 2020, www.scrum-institute.org/contents/The_Kanban_Framework_by_International_Scrum_Institute.pdf
Darrell Rigby, Sarah Elk, Steve Berez / Scrum Institute, The Scrum Framework 3rd Edition, Doing Agile Right: Transformation Without Chaos Hardcover, 2020, www.scrum-institute.org/contents/The_Scrum_Framework_by_International_Scrum_Institute.pdf
Jeff Sutherland, J.J. Sutherland, Scrum: The Art of Doing Twice the Work in Half the Time, 2014
Project Management Institute / 6th ed. Newton Square, PA: Project Management Institute, A guide to the project management body of knowledge (PMBOK guide), 2017
Gwaldis M., How to conduct a successful pilot: Fail fast, safe, and smart, 2019, https://blog.shi.com/melissa-gwaldis/

CP1: Introdução ao Business Intelligence – conceitos, arquitetura e ferramentas.
CP2: Integração e transformação de dados – Power Query, M, conexões a múltiplas fontes.
CP3: Modelação de dados – tabelas relacionais, DAX, medidas e KPIs.
CP4: Visualização de dados – criação de relatórios, dashboards, storytelling com dados.
CP5: Avaliação e boas práticas em projetos de BI – ética dos dados, governação, qualidade da informação.

A avaliação ao longo do semestre inclui:

- Projeto prático de desenvolvimento de sistema de informação analítica realizado em grupo (máximo de 3 alunos), incluindo um relatório (15%) com uma entrega intercalar obrigatória (15%) e uma defesa oral com nota individual (20%). Nota mínima de 8 valores.
- Teste individual (30%) para aferição de conhecimentos teóricos.
- Trabalhos semanais em aula e autónomos (20%).

O uso de ferramentas de IA (ex: ChatGPT) é permitido para apoio técnico e deve ser claramente referenciado com os prompts utilizados.

O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria.

Realiza exame final na época 1 quem não optar por avaliação ao longo do semestre.

Realiza exame final na época 2 quem não tenha concluído com sucesso a avaliação ao longo do semestre, ou o exame da época 1, com uma nota superior ou igual a 9,5 (em 20).

Obrigatória

Greg Deckler, Learn Microsoft Power BI: A comprehensive, beginner-friendly guide to real-world business intelligence (2025)

R. Kimball, M. Ross The Data Warehouse Toolkit - the definitive guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA, (2013)

Opcional

Será disponibilizada consoante os interesses dos estudantes e atualizações tecnológicas relevantes.

CP1: Utilidade de grandes quantidades de texto, desafios e métodos atuais.
CP2: Informação não estruturada vs. (semi-)estruturada.
CP3: Obtenção e filtragem de informação, extração de informação e Data Mining.
CP4: Preparação e limpeza de documentos, extração de propriedades e estratégias de pesagem de termos.
CP5: Modelos de espaços vetoriais e medidas de similaridade.
CP6: Introdução à aprendizagem automática estatística e medidas de avaliação.
CP7: Aprendizagem supervisionada: Naïve Bayes, KNN e K-means.
CP8: Análise de sentimento.
CP9: Recursos para Text Mining.
CP10: Introdução a Deep Learning.
CP11: LLMs e modelos Retrieval Augmented Generation (RAG).

Esta UC segue o modelo de Avaliação ao Longo do Semestre (ALS).

A ALS é constituída pelos seguintes elementos:
- 1 trabalho prático [40%]
- 3 mini-testes [20% cada * 3 = 60% no total]

O trabalho prático poderá ser realizado individualmente ou em grupo, consistindo na elaboração de um projeto que será posteriormente alvo de discussão oral individual.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Para obter aprovação na UC, o estudante deve obter uma classificação final mínima de 10 valores, calculada com base na soma ponderada de todos os elementos de avaliação, quer no modelo de ALS, quer no modelo de Avaliação por Exame.

Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS ou em Avaliação por Exame.

Em caso de reprovação na ALS (<10 valores), ou caso o estudante opte pelo modelo de Avaliação por Exame, o exame corresponde a 100% da nota.

A presença nas aulas não é obrigatória.

Obrigatória

1. Ozdemir, S. (2023). Quick Start Guide to Large Language Models: Strategies and Best Practices for Using ChatGPT and Other LLMs. Addison-Wesley Professional.
2. Tunstall, L., von Werra, L., & Wolf, T. (2022). Natural language processing with transformers, revised edition. O’Reilly Media.
3. Dan Jurafsky and James H. Martin (Sep 2021). Speech and Language Processing (3rd ed. draft). https://web.stanford.edu/~jurafsky/slp3/
4. Vajjala, S., Majumder, B., Surana, H., & Gupta, A. (2020). Practical natural language processing: A pragmatic approach to processing and analyzing language data. O’Reilly Media.
5. Lane, H., Howard, C., & Hapke, H. (2019). Natural Language Processing in Action (First Edition). Pearson Professional.

Opcional

Charu C. Aggarwal (2018). Machine Learning for Text. https://doi.org/10.1007/978-3-319-73531- 3.
Gabe Ignatow, Rada F. Mihalcea (2017). An Introduction to Text Mining: Research Design, Data Collection, and Analysis 1st Edition (2017). SAGE Publications

CP1. Estratégias com algoritmos genéticos: teoria da evolução e terminologia biológica.
CP2. Funções de avaliação e operadores genéticos (seleção, crossover, mutação). Critérios de paragem.
CP3. Heurísticas e representação de problemas; espaços de procura.
CP4. Tarefas de otimização, satisfação e semi-otimização.
CP5. Estratégias de pesquisa heurística básica: procura não informada e informada.
CP6. Estratégias de pesquisa heurística avançada: heurísticas limitadas pela memória e tempo.

Dada a natureza prática e de aplicação desta UC, segue-se o modelo de avaliação ao longo do semestre (ALS), não contemplando exame final. A avaliação é constituída por 2 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:

- BA1: 1º projeto + 1º mini-teste [20% para o 1º projeto + 15% para o 1º mini-teste = 35%]
- BA2: 2º projeto + 2º mini-teste [50% para o 2º projeto + 15% para o 2º mini-teste = 65%]

Cada bloco de avaliação (BA1 e BA2) exige uma nota mínima de 8,5 valores. Em qualquer BA, poderá ser necessária uma discussão oral individual para aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre.

Os projetos consistem em entregáveis desenvolvidos em grupo e discussões orais individuais, permitindo avaliar a consolidação dos conteúdos e a capacidade de resolução de problemas. Os mini-testes visam aferir o conhecimento teórico subjacente aos conteúdos programáticos.

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação.

Um estudante é considerado reprovado caso não obtenha aprovação na ALS.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação, como realização de discussões orais e/ou apresentação de projetos.

A presença nas aulas não é obrigatória.

Obrigatória

1. Artificial Intelligence: A Modern Approach, 4th edition: Stuart Russel and Peter Norvig 2022 Pearson / Prentice Hall.
2. E. Wirsansky, Hands-on genetic algorithms with python. Birmingham, England: Packt Publishing, 2020.
3. An Introduction to Genetic Algorithms, Mitchell M. 1999 MIT Press

Opcional

CP1: Revisão e aprofundamento das metodologias de planeamento e gestão de projetos em IA, com ênfase em cocriação e gestão ágil.
CP2: Apresentação de casos de estudo e temas de projeto em tecnologias digitais de IA, com foco na continuidade dos projetos de PAIA-I.
CP3: Seleção e refinamento do tema de projeto, considerando o enquadramento organizacional e os desafios identificados anteriormente.
CP4: Análise do espaço do problema: criação de empatia com o utilizador e a organização, definição e aprofundamento do problema, tendo em conta os requisitos de negócio e desafios tecnológicos.
CP5: Continuação da revisão da literatura e análise crítica do panorama competitivo, para fundamentar a solução proposta.
CP6: Identificação e integração dos recursos digitais, computacionais e outros necessários para o desenvolvimento do projeto.
CP7: Desenvolvimento do projeto aplicado, incluindo a implementação e aperfeiçoamento da solução com base nos feedbacks, e comunicação dos resultados.

Esta UC adota o modelo de avaliação ao longo do semestre (ALS) por projeto, sem exame final, centrado na continuação da execução do projeto iniciado na UC Projeto Aplicado em Inteligência Artificial I.

O processo assenta num relatório evolutivo único dividido em dois entregáveis:
- RD1: Relatório Definitivo Intermédio [40%] Avalia a evolução do trabalho
- RD2: Relatório Definitivo Final [60%] Apresenta a versão consolidada do projeto, integrando o trabalho dos dois semestres.

Os entregáveis consistem em documentos cumulativos desenvolvidos individualmente ou em grupo, e discussões orais individuais, em público, e juntamente com elementos representantes das empresas / instituições, permitindo avaliar o desenvolvimento e implementação do projeto proposto.

Reuniões periódicas, presenciais e/ou online, com o mentor da entidade parceira e com o docente / coordenador da UC (ou seu nomeado) são obrigatórias sempre que solicitadas.

Cada entregável (RD1 e RD2) exige uma nota mínima de 8,5 valores. É também ponderada a presença nas reuniões periódicas na avaliação dos entregáveis.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS.

Esta UC contempla a participação de unidades de investigação, núcleos, organizações, entidades internas, externas ou empresas, que propõem projetos devidamente enquadrados no currículo e alinhados com os objetivos de aprendizagem da UC.

A 1.ª Época e 2.ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas aulas não é obrigatória.

Obrigatória

1. T. Brown / HarperCollins, 2009, ISBN-13: 978-0062856623, Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, 2009
2. A. Osterwalder, Y. Pigneur, P. Papadakos, G. Bernarda, T. Papadakos, A. Smith / John Wiley & Sons., Value proposition design, 2014
3. J. Knapp, J. Zeratsky, B. Kowitz, Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days., 2016
4. M. Lewrick, P. Link, L. Leifer / Wiley, ISBN 9781119629191, The Design Thinking Toolbox, 2020
5. Ries, E. / capítulos 3 e 4, Penguin Group, The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses, 2017

Opcional

6. Scrum Institute, The Kanban Framework 3rd Edition, 2020, www.scrum-institute.org/contents/The_Kanban_Framework_by_International_Scrum_Institute.pdf
7. Darrell Rigby, Sarah Elk, Steve Berez / Scrum Institute, The Scrum Framework 3rd Edition, Doing Agile Right: Transformation Without Chaos Hardcover, 2020, www.scrum-institute.org/contents/The_Scrum_Framework_by_International_Scrum_Institute.pdf
8. Jeff Sutherland, J.J. Sutherland, Scrum: The Art of Doing Twice the Work in Half the Time, 2014
9. Project Management Institute / 6th ed. Newton Square, PA: Project Management Institute, A guide to the project management body of knowledge (PMBOK guide), 2017
10. Gwaldis M., How to conduct a successful pilot: Fail fast, safe, and smart, 2019, ·, https://blog.shi.com/melissa-gwaldis/

CP1. A transformação digital como novo paradigma civilizacional.
CP2. Os impactos das tecnologias digitais na Economia.
CP3. Os impactos das tecnologias digitais no trabalho.
CP4. Os impactos das tecnologias digitais nas desigualdades.
CP5. Os impactos das tecnologias digitais na democracia.
CP6. Os impactos das tecnologias digitais na arte.
CP7. Os impactos das tecnologias digitais nos direitos individuais.
CP8. Os impactos das tecnologias digitais nas relações humanas.
CP9. Os impactos das tecnologias digitais no futuro da humanidade.
CP10. Inteligência Artificial Responsável.
CP11. O impacto da Computação quântica nas tecnologias do futuro.
CP12. Os impactos das tecnologias digitais na geopolítica.

O processo de avaliação compreende os seguintes elementos:

A) Avaliação ao longo do semestre

A1. Debates entre grupos de estudantes sobre questões e problemas relacionados com cada um dos Conteúdos programáticos. Cada grupo participará em três debates ao longo semestre. A avaliação do desempenho de cada grupo por debate corresponde a 15% da nota final de cada estudante no grupo, correspondendo no total a 3 x 15% = 45% da nota final de cada estudante.

A2. Avaliação da participação correspondendo a 5% da nota final de cada estudante.

A3. Teste final, com parte dos conteúdos provenientes dos debates em grupo e a outra parte das exposições por parte do Docente, correspondendo a 50% da nota final de cada estudante.

É exigida uma nota mínima de 9,5 valores em cada momento de avaliação e a presença num mínimo de 3/4 das aulas.

B) Avaliação por exame final: Prova escrita individual, correspondendo a 100% da nota final.

Obrigatória

Chalmers, D. (2022). Adventures in technophilosophy In Reality+ - Virtual Worlds and the problems of Philosophy (pp. xi-xviii). W. W. Norton & Company.
Chin, J., Lin, L. (2022). Dystopia on the Doorstep In Deep Utopia – Surveillence State – Inside China’s quest to launch a new era of social control (pp. 5–11). St. Martin’s Press.
Dignum, V. (2019). The ART of AI: Accountability, Responsibility, Transparency In Responsible Artificial Intelligence - How to Develop and Use AI in a Responsible Way (pp. 52–62). Springer.
Howard, P. N. (2020). The Science and Technology of Lie Machines In Lie Machines - How to Save Democracy from Troll Armies, Deceitful Robots, Junk News Operations, and Political Operatives (pp. 1-4; 6-7; 10-18). Yale University Press.
Kearns, M., Roth, A. (2020). Introduction to the Science of Ethical Algorithm Design In The Ethical Algorithm - The Science of Socially Aware Algorithm Design (pp. 1-4; 6-8; 18-21). Oxford University Press.

Opcional

(Principal - continuação)
Kissinger, H. A., Schmidt, E., Huttenlocher, D (2021). Security and World Order In The Age of AI - And Our Human Future (pp. 157–167, 173-177). John Murray Publishers.
Parijs, P. V., Vanderborght, Y. (2017). Ethically Justifiable? Free Riding Versus Fair Shares In Basic Income - A Radical Proposal for a Free Society and a Sane Economy (pp. 99–103). Harvard University Press.
Pentland, A. (2014). From Ideas to Actions In Social Physics – How good ideas spread – The lessons from a new science (pp. 4–10). The Penguin Press.
Zuboff, S. (2021). O que é capitalismo de vigilância? In A Era do Capitalismo de Vigilância - A luta por um futuro humano na nova fronteira de poder (pp. 21–25). Intrínseca.

***
(Complementar)
Acemoglu, D.; Johnson, S. (2023). What Is Progress? In Power and progress: our thousand-year struggle over technology and prosperity (pp. 1 - 7). PublicAffairs.
Bostrom, N. (2024). The purpose problem revisited In Deep Utopia – Life and meaning in a solved world (pp. 121–124). Ideapress Publishing.
Castro, P. (2023). O Humanismo Digital do século XXI e a nova Filosofia da Inteligência Artificial In 88 Vozes sobre Inteligência Artificial - O que fica para o homem e o que fica para a máquina? (pp. 563 – 572). Oficina do Livro/ISCTE Executive Education.
Gunkel, D. J. (2012). Introduction to the Machine Question In The Machine Question - Critical Perspectives on AI, Robots, and Ethics (pp. 1-5). The MIT Press.
Innerarity, D. (2023). O sonho da máquina criativa. In Inteligência Artificial e Cultura – Do medo à descoberta (pp. 15 – 26). Colecção Ciência Aberta, Gradiva.
Jonas, H. (1985). Preface to the English version of the Imperative of Responsibility In The Imperative of Responsibility: In Search of an Ethics for the Technological Age. (pp. ix - xii). University of Chicago Press.
Nakazawa, H. (2019). Manifesto of Artificial Intelligence Art and Aesthetics In Artificial Intelligence Art and Aesthetics Exhibition - Archive Collection (p. 25). Artificial Intelligence Art and Aesthetics Research Group (AIAARG).
Patel, N. J. (2022, february 4). Reality or Fiction - Sexual Harassment in VR, The Proteus Effect and the phenomenology of Darth Vader — and other stories. Kabuni. https://medium.com/kabuni/fiction-vs-non-fiction-98aa0098f3b0
Pause Giant AI Experiments: An Open Letter. (22 March, 2023). Future of Life Institute. Obtido 26 de agosto de 2024, de https://futureoflife.org/open-letter/pause-giant-ai-experiments/