João Rala Cordeiro

No final desta UC, cada estudante deverá ser capaz de:
OA1: Compreender os princípios fundamentais da aprendizagem profunda e reconhecer as diferenças face à aprendizagem automática tradicional, relacionando-os com problemas reais.
OA2: Identificar e explicar as principais camadas, técnicas e arquiteturas de redes profundas, compreendendo a sua adequação a diferentes tipos de dados e desafios.
OA3: Aplicar, de forma orientada, frameworks como Keras e PyTorch para implementar modelos de aprendizagem profunda, desde a preparação dos dados até ao treino e inferência.
OA4: Ajustar e avaliar o desempenho dos modelos, interpretando métricas, analisando resultados e propondo melhorias.
OA5: Resolver problemas reais, colaborando com outros estudantes em estudos de caso e projetos, desenvolvendo competências analíticas, comunicacionais e de trabalho em equipa.

CP1: Introdução à aprendizagem profunda: conceitos chave, histórico, distinção face à aprendizagem automática tradicional.
CP2: Camadas convolucionais, densas, recorrentes, normalização, dropout, funções de ativação e técnicas de regularização.
CP3: Seleção e aplicação de técnicas adequadas aos diferentes tipos de dados tais como imagens 2D/3D, sequências temporais univariadas e multivariadas.
CP4: Introdução prática às frameworks TensorFlow, Keras e PyTorch, desenvolvimento de modelos simples e análise dos resultados.
CP5: Arquiteturas pré-existentes (e.g., ResNet, VGG, U-Net) e o seu reuso, transferência de aprendizagem e fine-tuning de modelos pré-treinados.
CP6: Métricas de desempenho, interpretação de resultados, identificação de estrangulamentos, propostas de otimização e ajuste fino.
CP7: Exploração de casos de estudo reais, desde a definição do desafio, modelação de dados, implementação e treino do modelo, até à análise crítica e apresentação dos resultados.

Esta UC, pelo seu carácter prático, segue o modelo de Avaliação ao Longo do Semestre (previsto em RGACC), sem exame final, e possui a seguinte composição:

- 2 Quizzes (20%):
Ao longo do semestre serão disponibilizados vários quizzes online de curta duração, para serem realizados individualmente.
Realizados individualmente, visam aferir a compreensão dos conteúdos teóricos e práticos à medida que são introduzidos, permitindo um feedback rápido e contínuo.
Não será exigida nota mínima nos quizzes, mas a sua realização contribui para a consolidação das aprendizagens.

- Mini-Projeto (30%):
Neste mini-projeto realizado em grupos, o estudante desenvolve uma aplicação simples de aprendizagem profunda, desde a preparação dos dados até à primeira versão funcional do modelo.
São avaliadas a capacidade de implementação, a clareza do código e a correta utilização das ferramentas abordadas.

- Projeto Final (50%):
O Projeto Final, realizado em grupo, é mais complexo e requer a integração de camadas, arquiteturas e técnicas avançadas.
Valoriza-se a otimização do modelo, a análise crítica de resultados e a capacidade de propor melhorias.
Este projeto permite consolidar todas as competências adquiridas.

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada dos quizzes (20%), do Mini-Projeto (30%) e do Projeto Final (50%).

Cada componente de avaliação (quizzes, mini-projeto e projeto final) possuí uma nota mínima de 8,5 valores.

É exigida uma nota mínima de 10 valores na classificação final.

Se o estudante não obtiver aprovação à UC, será considerado como Reprovado.

Um estudante é considerado como Reprovado caso não atinja aprovação com a Avaliação ao Longo do Semestre (quizzes + projeto) desta UC.

A melhoria de nota poderá ser obtida no ano letivo seguinte, repetindo as componentes de avaliação, em conformidade com o regulamento em vigor.

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

A presença nas sessões síncronas não é obrigatória.

Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Luís Manuel Nobre de Brito Elvas

No final da UC, cada estudante deverá ser capaz de:
OA1: Representar imagens em diferentes espaços de cor e no domínio da frequência.
OA2: Aplicar operações típicas de processamento de imagem.
OA3: Extrair características de baixo nível de imagens.
OA4: Implementar sistemas de aprendizagem automática para classificação de imagens usando algoritmos clássicos.
OA5: Identificar e Explicar a arquitetura de redes neuronais convolucionais (CNN) e compreender o seu funcionamento.
OA6: Resolver problemas de classificação de imagens de complexidade média usando CNNs.
OA7: Aplicar metodologias de transferência de conhecimento e ajuste de CNNs pré-treinadas.
OA8: Utilizar algoritmos de aprendizagem profunda para identificar objetos em imagens.
OA9: Identificar e Descrever algoritmos de aprendizagem profunda para geração automática de conteúdos multimédia.
OA10: Manipular imagens com OpenCV e desenvolver aplicações com TensorFlow.
OA11: Demonstrar exemplos de aplicações de visão por computador.

CP1: Representação de imagens.
CP2: Operações de imagem.
CP3: Extração de características de imagens.
CP4: Introdução à aprendizagem automática.
CP5: Redes neuronais artificiais.
CP6: Arquitetura e funcionamento de redes neuronais convolucionais (CNNs).
CP7: Aprendizagem por transferência.
CP8: Arquiteturas de CNNs para deteção e identificação de objetos.
CP9: Arquiteturas de redes para geração automática de conteúdos multimédia.
CP10: Desenvolvimento de aplicações práticas de visão por computador e aprendizagem automática.

A avaliação será feita ao longo do semestre, sendo feita através de dois trabalhos de grupo valendo cada um 40% da nota final e um quizz realizado individualmente, com a ponderação de 20%.
Cada uma das componentes de avaliação tem nota mínima de 8 valores e a aprovação na UC requer uma nota final mínima de 10 valores.
Os trabalhos estão sujeitos a uma discussão oral. A discussão oral poderá impor um limite à nota dos trabalhos caso o desempenho demonstrado pelo(a) estudante esteja abaixo da qualidade dos trabalhos entregues, podendo inclusivamente reprovar caso o desempenho demonstrado não seja considerado suficiente.
Dado o caráter prático da UC não há lugar a avaliação por exame.
Melhoria de nota só pode ser feita repetindo o processo de avaliação no ano seguinte.

João Rala Cordeiro

No final da UC, cada estudante deverá ser capaz de:
OA1: Compreender o funcionamento e as capacidades das Redes Adversárias Generativas (GANs), incluindo as suas arquiteturas e principais desafios.
OA2: Conceber e implementar soluções com GANs, abrangendo a definição de arquiteturas, o treino e a análise de aplicações práticas.
OA3: Entender os conceitos fundamentais da Aprendizagem por Reforço Profundo e aplicar algoritmos (p. ex. DQN, PPO, AlphaZero) em ambientes simulados.
OA4: Modelar e analisar séries temporais com redes neuronais avançadas, como LSTMs, GRUs e transformadores, adequando-as às particularidades de dados sequenciais.
OA5: Explorar e implementar algoritmos genéticos/evolucionários profundos em contextos de otimização, avaliando a sua aplicabilidade prática.
OA6: Desenvolver projetos práticos que integrem múltiplas técnicas avançadas, adaptando-as a cenários reais ou simulados, incentivando o trabalho colaborativo e a capacidade de investigação.

CP1: Conceitos e fundamentos de GANs, arquiteturas base (DCGAN, WGAN), processo de treino (gerador vs. discriminador), desafios e aplicações práticas (geração de imagens, dados sintéticos).
CP2: Revisão de conceitos de aprendizagem por reforço, algoritmos fundamentais (DQN, PPO, AlphaZero), ambientes simulados, exploração vs. exploitação.
CP3: Análise de séries temporais com redes neuronais: LSTMs, GRUs e transformadores para dados sequenciais, particularidades de modelação temporal (sazonalidade, tendência), avaliação de previsões e estratégias de melhoria.
CP4: Princípios de algoritmos evolutivos profundos, operadores genéticos, estratégias de adaptação, casos de uso em otimização de hiperparâmetros.
CP5: Interpretação de modelos avançados, técnicas de explicabilidade e equidade para promover a transparência e a robustez em modelos profundos.
CP6: Desenvolvimento de projetos práticos em áreas como saúde, banca, finanças ou IoT, integrando múltiplas técnicas avançadas.

A avaliação segue o modelo de Avaliação ao Longo do Semestre (previsto no RGACC) a 100% por projeto/trabalhos práticos, sem exame final, promovendo o envolvimento contínuo do estudante. As componentes de avaliação são:

- Três Mini-trabalhos (20% cada)
Ao longo do semestre, cada mini-trabalho incide sobre um tópico específico:
-- Criação de uma GAN simples, com foco na definição da arquitetura e no treino do gerador e do -discriminador.
-- Modelo de Aprendizagem por Reforço Profundo, incluindo a escolha do algoritmo (DQN, PPO, etc.) e a validação do treino num ambiente simulado.
-- Modelação de Séries Temporais, utilizando LSTMs, GRUs ou transformadores, avaliando a sua capacidade de previsão em dados sequenciais.
Em cada mini-trabalho, avaliam-se a implementação prática, a capacidade de análise dos resultados, a clareza do código e a correta utilização das bibliotecas.
Os mini-trabalhos poderão ser realizados individualmente ou em grupos.
Não há nota mínima em cada mini-trabalho, mas o conjunto representa 60% da nota final.

- Projeto Final (40%)
Num trabalho de maior envergadura, os estudantes podem integrar um ou mais tópicos dos mini-trabalhos (GANs, Aprendizagem por Reforço, Séries Temporais, Algoritmia Genética/Evolucionária Profunda), ou explorar um cenário diferente que exija a combinação de técnicas avançadas. Valorizam-se a otimização do modelo, a análise crítica de resultados, a formulação de melhorias e a capacidade de justificar as escolhas técnicas realizadas. Neste projeto, é exigida a entrega de um relatório técnico e uma apresentação (online) para defesa dos métodos e conclusões, permitindo aferir as competências de comunicação e domínio do tema.
O projeto final deverá ser realizado em grupos.

A nota final resulta da soma ponderada dos três mini-trabalhos (20% cada) e do projeto final (40%).

Para aprovação, é necessário obter pelo menos 10 valores na classificação final.

Caso o estudante não atinja esta classificação, é considerado Reprovado.

A melhoria de nota pode ser obtida no ano letivo seguinte, repetindo as componentes de avaliação em conformidade com o regulamento vigente.

As avaliações podem ocorrer na 1.ª Época e na 2.ª Época, não havendo exame final complementar.

A presença nas sessões síncronas não é obrigatória, mas fortemente recomendada pela riqueza das discussões e pelo feedback imediato sobre os progressos individuais e coletivos.

Recomenda-se ainda a leitura do Regulamento de Estudantes com Estatuto Especial (REEE) e do Código de Conduta Académica (CCA).

Nuno Nunes

No final da UC, os estudantes deverão ser capazes de:
OA1: Conhecer normas, leis e considerações éticas, sociais, de privacidade e de governação relacionadas com a prática profissional em IA.
OA2: Discutir criticamente o impacto social da IA e as questões profissionais associadas à sua implementação em sistemas inteligentes, avaliando o impacto da delegação de decisões em máquinas e as implicações em equidade, parcialidade, transparência, responsabilidade e explicabilidade.
OA3: Justificar e avaliar estudos de caso e trabalhos de colegas, desenvolvendo competências de análise crítica e capacidade de argumentação.
OA4: Comunicar eficazmente com diferentes audiências, através de relatórios técnicos escritos, apresentações visuais e orais, demonstrando clareza e rigor na transmissão de ideias.
OA5: Aplicar princípios de investigação e práticas profissionais responsáveis e éticas em IA, escolhendo métodos apropriados para analisar, teorizar e justificar conclusões.

CP1: Breve história da IA: enquadramento histórico, evolução de métodos, tendências e contextos socioeconómicos.
CP2: Como funciona a IA: fundamentos técnicos, abordagens de aprendizagem automática e sistemas inteligentes.
CP3: Viés, Ética, Equidade, Privacidade, Robustez e Confiança: análise crítica das implicações sociais, profissionais e legais.
CP4: Quadros legais e regulamentares: normas, leis nacionais e internacionais, órgãos reguladores e padrões de cumprimento.
CP5: IA no presente: estudos de caso em domínios diversos (saúde, transportes, educação, segurança, media).
CP6: Abordagens para tornar modelos e decisões mais transparentes - XAI, Explainable AI.
CP7: IA do futuro: tópicos emergentes, prospectiva, cenários de impacto social e técnico, participação pública e responsabilização.

A avaliação, seguindo o previsto em RGACC, recorre à tipologia de avaliação ao longo do semestre, e possui a seguinte composição:

(a) [30%] Trabalho de grupo em workshops:
- Desenvolvimento de um caso de estudo prático, apresentado e discutido em ambiente online (fóruns ou sessões síncronas).
(b) [20%] Avaliar individualmente o resultado do trabalho submetido em (d)
(c) [30%] Duas atividades c/ avaliação online individuais (quizzes)
(d) [20%] Documento de síntese do estudo de caso (realizado em grupo)

Exige nota mínima de 8 valores nas quatro componentes.

Para aprovação, o estudante deve obter nota final ≥ 10 valores. Caso contrário, o estudante é reprovado.

A não aprovação ao longo do semestre permite a opção por avaliação por exame final. O exame incidirá sobre todos os conteúdos abordados (teóricos e práticos), sendo constituído por uma prova escrita e, se necessário, uma prova oral complementar para esclarecimento de dúvidas. O exame final possui uma ponderação de 100%.

A admissão ao exame é possível para quem não atingiu aprovação na tipologia de avaliação ao longo do semestre ou optou por este regime de avaliação, nos termos do RGACC.

A melhoria de nota poderá ser obtida repetindo o exame final na época seguinte, conforme regulamento.

A presença nas sessões síncronas não é obrigatória, mas recomendada, pela oportunidade de interação direta e feedback imediato.

Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Mariana Catela Jacob Rodrigues

No final da UC, o estudante deverá ser capaz de:
OA1: Entender os conceitos fundamentais de robótica inteligente e as suas principais aplicações em sistemas autónomos.
OA2: Implementar algoritmos de navegação para robôs em ambientes simulados, utilizando o Robot Operating System (ROS).
OA3: Estudar métodos de percepção e interpretação sensorial que possibilitem a criação de representações precisas do ambiente, bem como o desenvolvimento de técnicas para localização de robôs móveis e aplicação de métodos SLAM.
OA4: Treinar modelos de aprendizagem profunda em robôs para tarefas como reconhecimento de objetos e tomada de decisão, e melhorar a precisão e adaptação de robôs em tarefas de navegação em tempo real.
OA5: Investigar métodos de interação homem-robô, com foco na comunicação intuitiva e na colaboração em ambientes partilhados.
OA6: Projetar e testar um sistema robótico com integração de diferentes tipos de sensores para realizar tarefas autónomas de mapeamento e localização.

CP1: Fundamentos de Robótica Inteligente, definição, conceitos básicos e aplicações; Principais componentes de um sistema robótico inteligente e tipos de robôs autónomos; Tecnologias emergentes em robótica e inteligência artificial.
CP2: Introdução ao ROS; Navegação em ambientes simulados; Implementação prática de algoritmos de navegação utilizando simulações.
CP3: Percepção e Interpretação Sensorial em Robótica; Tipos de sensores utilizados; Métodos de aquisição e processamento de dados sensoriais; Introdução ao SLAM.
CP4: Aprendizagem supervisionada, evolutiva, por reforço e aprendizagem profunda para robótica. Aplicações para reconhecimento de objetos, navegação e tomada de decisões autónomas.
CP5: Interação Homem-Robô e Colaboração: Fundamentos, interfaces de comunicação, feedback e controle.
Métodos de comunicação intuitiva; Robôs colaborativos (cobots).
CP6: Projeto e Teste de Sistemas Robóticos Integrados

A avaliação desta UC segue o modelo de avaliação ao longo do semestre, privilegiando-se o acompanhamento regular do progresso dos estudantes, bem como o desenvolvimento de um projeto final que consolida os conhecimentos e competências adquiridos.
Possuí a seguinte composição

- 4 Desafios Semanais (40%):
Ao longo do semestre, serão propostos desafios semanais baseados em mini-projetos, a submeter na plataforma de e-learning, que visam avaliar a compreensão e a aplicação dos tópicos abordados.
Cada desafio será corrigido com feedback formativo, permitindo ao estudante melhorar continuamente a sua compreensão dos conteúdos.
A média final de todos os desafios semanais terá de ser igual ou superior a 9,5 valores. Caso contrário, o estudante será considerado reprovado nesta componente.
Os desafios semanais poderão ser realizados individualmente ou em grupos.

- Projeto Final (60%):
O projeto final, realizado em grupos, consiste no desenvolvimento de um sistema robótico integrado.
Os estudantes deverão conceber e implementar uma solução coerente, preparar um relatório técnico que descreva a abordagem, as metodologias utilizadas, os resultados obtidos e as dificuldades encontradas, e realizar uma apresentação oral (online) do trabalho, justificando as opções adotadas e discutindo melhorias potenciais.
O projeto final tem uma nota mínima de 9,5 valores.

Em conformidade com o RGACC, o estudante pode optar pela avaliação por exame (na 1ª época, 2ª época ou época especial).
Nesta modalidade, o projeto final passa a valer 100% da nota, substituindo os desafios semanais.
O projeto deverá seguir as mesmas diretrizes, incluindo relatório técnico e apresentação oral, aplicando-se igualmente a nota mínima de 9,5 valores para aprovação.

Para aprovação na UC, o estudante deverá obter uma nota final mínima de 10 valores, considerando a ponderação dos desafios semanais (40%) e do projeto final (60%).
Caso não obtenha aprovação, será considerado reprovado.

A presença nas sessões síncronas não é obrigatória.

Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

António Raimundo

No final desta UC, cada estudante deverá ser capaz de:
OA1: Explicar a arquitetura e os princípios fundamentais da computação paralela em GPU
OA2: Diferenciar as várias abordagens de programação paralela e selecionar as técnicas mais adequadas para otimizar o desempenho das aplicações computacionais em GPU.
OA3: Implementar kernels CUDA personalizados, utilizando a framework Numba
OA4: Demonstrar capacidade de análise de desempenho, detetando e corrigindo estrangulamentos computacionais e problemas de ocupação, comunicação e latência de memória.
OA5: Aplicar o cuDNN para acelerar operações de aprendizagem profunda, integrando as rotinas otimizadas da biblioteca em fluxos de trabalho de treino e inferência de redes neuronais convolucionais.
OA6: Desenvolver soluções completas que combinam computação gráfica, processamento paralelo e algoritmos de aprendizagem profunda, consolidando competências técnicas e de raciocínio crítico na abordagem de problemas complexos.

CP1: Introdução à computação paralela e à arquitetura CUDA, conceitos de paralelização de tarefas, estrutura de blocos e threads, hierarquia de memória em GPU
CP2: Desenvolvimento de kernels em CUDA, modelação de grids, otimização do acesso à memória global, partilhada e constante, técnicas de coalescência de memória.
CP3: Compilação para GPU utilizando o Numba, paralelização de ambientes com recurso à GPU.
CP4: Perfis de execução, identificação de estrangulamentos computacionais, ajuste de parâmetros de grid e bloco, estratégias de redução do uso de memória global.
CP5: Introdução ao cuDNN: Principais rotinas e funcionalidades, integração com estruturas de dados e frameworks de aprendizagem profunda
CP6: Casos de estudo e aplicações práticas, simulação e treino de redes neuronais convolucionais

Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de de Avaliação ao Longo do Semestre (prevista em RGACC), não contemplando exame final.
A avaliação desta UC tem a seguinte composição:

- 2 Quizzes (20%):
Ao longo do semestre serão disponibilizados dois quizzes de curta duração, realizados individualmente na plataforma de e-learning.

- Projeto Final (80%):
O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre, onde poderá haver participação de organizações externas / empresas no desafio proposto.
Este projeto será desenvolvido ao longo do semestre e será acompanhado por tutorias individuais ou em grupo, de modo a garantir o seguimento contínuo e o feedback formativo.

A avaliação do Projeto Final (80%) será faseada da seguinte forma:
-- 1ª Tutoria (20%): Nesta fase, o estudante apresenta o planeamento inicial do projeto, incluindo a definição do problema e os objetivos a atingir com o projeto.
-- 2ª Tutoria (20%): Nesta segunda fase, o foco centra-se no progresso técnico do projeto. O estudante deverá demonstrar o código parcial já desenvolvido, apresentar testes parciais de desempenho e discutir as primeiras estratégias de otimização. Espera-se uma melhoria contínua do trabalho, beneficiando do feedback do docente.
-- Tutoria Final (40%): Na última fase, o estudante apresenta a versão final do projeto, incluindo todo o código funcional, a análise detalhada de desempenho, a discussão sobre resultados obtidos, as dificuldades enfrentadas e as soluções adotadas. É também avaliada a capacidade de análise crítica, a clareza da comunicação e a relevância dos resultados.

O conjunto das três tutorias (1ª, 2ª e Final) totaliza 80% da avaliação, e cada tutoria possui uma nota mínima de 8,5 valores.

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada dos quizzes (20%) e do projeto final (80%).

Os quizzes, realizados individualmente, visam aferir a compreensão dos conteúdos teóricos e práticos à medida que são introduzidos, permitindo um feedback rápido e contínuo. Não será exigida nota mínima nos quizzes, mas a sua realização contribui para a consolidação das aprendizagens e tem um peso de 20% na nota final.

Um estudante é considerado como Reprovado caso não atinja aprovação com a Avaliação ao Longo do Semestre desta UC.

A melhoria de nota poderá ser obtida no ano letivo seguinte, repetindo as componentes de avaliação, em conformidade com o regulamento em vigor.

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

A presença nas sessões síncronas não é obrigatória.

Para além do RGACC, recomenda-se a leitura de outros documentos de referência para o processo de avaliação, tais como o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Ana Catarina dos Santos Martins

No final da UC, cada estudante deverá ser capaz de:
OA1. Compreender os fundamentos teóricos dos modelos de linguagem generativos (LLMs) e da arquitetura Transformer.
OA2. Explorar técnicas de treino e ajuste para a personalização de LLMs.
OA3. Implementar, treinar, testar e validar LLMs utilizando bibliotecas como Hugging Face e PyTorch.
OA4. Aplicar LLMs a tarefas práticas do Processamento Computacional da Língua (PCL) como o reconhecimento de entidades nomeadas, a análise de sentimento, a geração de texto, a sumarização e a tradução.
OA5. Avaliar o desempenho dos modelos em tarefas de PCL utilizando métricas e benchmarks adequados.
OA6. Melhorar o desempenho dos LLMs através da utilização de técnicas de Geração Aumentada por Recuperação de Informação (RAG, Retrieval-Augmented Generation).
OA7. Aplicar modelos de linguagem multimodais e compreender os seus usos principais, como analisar o conteúdo de imagens, identificar objetos específicos e criar legendas automáticas.

CP1. Conceitos fundamentais dos LLMs e da arquitetura Transformer, incluindo mecanismos de atenção e codificação posicional.
CP2. Aplicação prática de LLMs usando ferramentas como Hugging Face e PyTorch para a criação e otimização de modelos.
CP3. Métodos de treino e ajuste de modelos para personalização para diferentes contextos.
CP4. Implementação de soluções para tarefas como reconhecimento de entidades nomeadas, análise de sentimento, geração de texto, sumarização e tradução.
CP5. Métricas apropriadas para avaliar o desempenho dos modelos em tarefas de PCL.
CP6. Modelos de Geração Aumentada por Recuperação de Informação (RAG, Retrieval-Augmented Generation) para melhorar o desempenho dos LLMs.
CP7. Modelos de linguagem multimodais e exploração de tarefas como classificação de imagens, deteção de objetos e descrição de conteúdos.

Nesta UC apenas é possível obter aprovação por avaliação ao longo do semestre, não sendo contemplada a modalidade de avaliação por exame. A avaliação consiste em 2 componentes:

1. Trabalhos de grupo realizados ao longo do semestre:
- Apresentação de um artigo científico (5%).
- Ajuste de um LLM para um domínio específico (10%).
- Desenvolvimento de um estudo de caso com correta avaliação do modelo (40%).
- Criação de um modelo para aprimorar o LLM desenvolvido no trabalho 2 (25%).
2. Teste de avaliação (20%).

A média dos trabalhos de grupo e do teste de avaliação exige uma nota mínima de 9,5 valores.
Melhoria de nota só pode ser feita repetindo o processo de avaliação no ano seguinte.
A presença nas sessões síncronas não é obrigatória.

António Raimundo

No final da UC, cada estudante deverá ser capaz de:
OA1: Explicar os princípios fundamentais de MLOps, contextualizando-os no ciclo de vida de desenvolvimento e operacionalização de modelos de ML.
OA2: Utilizar frameworks e ferramentas de MLOps para acompanhar experimentos, gerir pipelines de ML e automatizar processos de treino e entrega contínua.
OA3: Conceber e implementar pipelines end-to-end, envolvendo Data Engineering Pipelines, ML Pipelines e ML Workflows, aplicando práticas de CI/CD adequadas a sistemas de ML.
OA4: Adotar o CRISP-ML(Q) como guia metodológico, garantindo a qualidade, monitorização, validação e a documentação dos modelos ao longo de todo o ciclo de desenvolvimento.
OA5: Desenhar e implementar estratégias de Model Serving, deployment e monitorização de modelos em produção.
OA6: Trabalhar de forma colaborativa, integrando princípios de MLOps e boas práticas de engenharia de software para garantir a integração eficaz entre equipas multidisciplinares.

CP1: Introdução ao conceito de MLOps, comparação com DevOps, relevância e benefícios no contexto da aprendizagem automática.
CP2: Frameworks e ferramentas de MLOps para gestão de workflows, pipelines, versionamento de dados e modelos.
CP3: Integração Contínua (CI) e Entrega Contínua (CD) para ML; Testes automatizados, auditoria e monitorização das pipelines.
CP4: Conceção de Sistemas ML end-to-end; Data Engineering, ML Model Engineering e Model Deployment
CP5: Padrões de Model Serving e estratégias de deployment: A/B testing, canary releases, rolling updates, infraestruturas elásticas e escaláveis.
CP6: Metodologia CRISP-ML(Q): Fases, tarefas, qualidade e governança de dados e modelos, documentação e melhoria contínua de modelos em produção.

Esta UC, por ter uma natureza prática e aplicada, segue um modelo de Avaliação ao Longo do Semestre (previsto no RGACC), não contemplando exame final.
A avaliação incidirá sobre a compreensão teórica, a capacidade de aplicação prática e a integração dos conceitos de MLOps em projetos reais.

A avaliação é composta por:

- 2 Quizzes (20%):
Ao longo do semestre serão disponibilizados quizzes online de curta duração, destinados a aferir a compreensão dos conceitos fundamentais de MLOps
Não é exigida nota mínima, mas os quizzes contribuem para a consolidação das aprendizagens e fornecem feedback imediato sobre o nível de entendimento dos estudantes.
Os quizzes deverão ser realizados de forma individual.

- Mini-Projeto 1 (30%):
Neste mini-projeto, os estudantes aplicarão os conhecimentos iniciais, implementando um pipeline de ML simples, incluindo recolha e preparação de dados, treino de modelos e experimentação.
O mini-projeto 1 poderá ser realizado individualmente ou em grupos.
Nota mínima exigida: 8,5 valores.

- Mini-Projeto 2 (50%):
Este segundo mini-projeto é mais abrangente e integrado, desafiando os estudantes a criar um pipeline end-to-end, implementando CI/CD, deployment do modelo e monitorização em produção.
Terão de demonstrar competências na utilização de frameworks de MLOps, aplicar o CRISP-ML(Q) e implementar estratégias de Model Serving, garantindo a escalabilidade e a qualidade contínua do sistema.
Será realizada uma apresentação oral (online) do projeto, incluindo discussão dos resultados, justificando as opções técnicas e abordando possíveis melhorias.
O mini-projeto 2 deverá ser realizado em grupos.
Nota mínima exigida: 9,5 valores.

A nota final resulta da soma ponderada dos quizzes (20%), do Mini-Projeto 1 (30%) e do Mini-Projeto 2 (50%).

Para aprovação, o estudante deverá obter uma classificação final mínima de 10 valores.

Caso não obtenha aprovação, será considerado Reprovado.

A melhoria de nota pode ser obtida no ano letivo seguinte, de acordo com o regulamento em vigor.

Em conformidade com o RGACC, o estudante pode optar por avaliação por exame, incidindo num projeto único (100%) a apresentar e defender oralmente, seguindo as mesmas diretrizes.

A presença nas sessões síncronas não é obrigatória, mas é altamente recomendada, dada a natureza aplicada da UC e a importância do feedback contínuo.

Para além do RGACC, recomenda-se a consulta do Regulamento de Estudantes com Estatuto Especial (REEE) e do Código de Conduta Académica (CCA).

Rosário Laureano

No final da UC, cada estudante deverá ser capaz de:
OA1: Explicar os princípios fundamentais dos métodos numéricos clássicos de otimização no contexto da IA.
OA2: Implementar e adaptar metaheurísticas para resolver problemas complexos em IA.
OA3: Aplicar métodos de descida do gradiente no treino de redes neuronais profundas, ajustando hiperparâmetros e analisando gráficos de convergência.
OA4: Selecionar e justificar a escolha de funções custo adequadas a diferentes tarefas de IA, avaliando o seu impacto no desempenho do modelo.
OA5: Avaliar e comparar criticamente o desempenho dos métodos de otimização utilizados, justificando as decisões tomadas e propondo melhorias.
OA6: Integrar e adaptar as estratégias de otimização escolhidas, considerando restrições práticas (tempo, recursos, escalabilidade) e critérios de robustez, para obter soluções adequadas às necessidades do problema.

CP1: Métodos numéricos clássicos, derivadas e gradientes, otimização livre e condicionada, introdução à análise de convergência.
CP2: Metaheurísticas de Arrefecimento Simulado, Pesquisa Tabu, Algoritmos Evolucionários; aplicações a problemas complexos (seleção de modelos, ajuste de hiperparâmetros, procura de ótimos globais).
CP3: Descida do gradiente (SGD, Momentum, Adagrad, Adam); implementação em redes neuronais profundas; análise de gráficos de convergência e estabilidade dos processos de treino e validação.
CP4: Funções perda / custo em Deep Learning: impacto na convergência, capacidade de generalização e robustez do modelo.
CP5: Comparação de métodos, critérios de paragem, escalabilidade, análise de resultados, propostas de melhoria e discussão de casos práticos.

Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de de Avaliação ao Longo do Semestre (prevista em RGACC), pelo que esta UC não contempla exame final.
A avaliação desta UC tem a seguinte composição:

- 2 Quizzes (10% cada, total 20%):
Quizzes online individuais, curtos, distribuídos ao longo do semestre, para aferir a compreensão teórica dos conceitos de otimização, metaheurísticas, métodos de descida do gradiente e funções custo. Não existe nota mínima nos quizzes, mas a realização contribui para consolidar conhecimentos e fornecer feedback imediato ao estudante.

- Projeto Final (80%):
O projeto final, realizado em grupos, é desenvolvido em duas fases (tutorias), refletindo a abordagem PBL (Project-Based Learning):

-- 1ª Tutoria (20%):
Entrega de um plano de trabalho, identificando o problema de otimização em IA, as técnicas a utilizar, bem como os critérios de avaliação e métricas de convergência.

-- 2ª Tutoria (60%):
Entrega e defesa online do projeto completo, incluindo código, resultados experimentais, análise crítica do desempenho, comparação de métodos e propostas de melhoria.
É exigida nota mínima de 9,5 valores no conjunto do projeto final.

A nota final resulta da soma ponderada dos quizzes (20%) e do projeto final (80%).

Para aprovação, é necessário obter pelo menos 10 valores.

Caso o estudante não obtenha aprovação, poderá repetir a UC no ano letivo seguinte, conforme o regulamento.

A melhoria de nota poderá ser obtida no ano letivo seguinte, repetindo as componentes de avaliação, em conformidade com o regulamento em vigor.

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

A presença nos momentos síncronos não é obrigatória, mas recomendada, dada a oportunidade de interação e feedback imediato.

Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).