OA1. Aplicar os conceitos e princípios fundamentais da matemática computacional em contextos industriais e empresariais, assimilando como estes são aplicados para resolver problemas práticos e otimizar processos.
OA2. Analisar propostas de projeto para dissertações de mestrado apresentadas por docentes, avaliando a relevância, viabilidade e potencial contribuição científica de cada projeto proposto.
OA3. Identificar as etapas-chave e os componentes essenciais de um projeto de investigação científica, adquirindo uma compreensão clara do processo de pesquisa desde a formulação da questão inicial até às conclusões.
OA4. Aplicar metodologias para realizar uma revisão bibliográfica sistemática e crítica, aprendendo a sintetizar o estado da arte de forma a fundamentar adequadamente um projeto de pesquisa.
OA5. Aplicar os fundamentos para estruturação lógica e redação de trabalhos de investigação e dissertações de mestrado.

CP1: Importância da matemática computacional em contextos industriais e empresariais
CP2. Estudo de caso de aplicações da matemática computacional
* Exemplos reais de uso da matemática computacional na otimização de processos.
* Discussão de estudos de caso de uso da matemática computacional em contexto organizacional.
CP3. Propostas de projetos de investigação
* Apresentação pelos docentes de propostas de projetos de dissertação.
* Critérios para avaliação da relevância, viabilidade e contribuição científica de projetos de pesquisa.
CP4. Metodologia de investigação científica
* Identificação das fases de um projeto de pesquisa e abordagens metodológicas para a definição de objetivos e tarefas.
CP5. Revisão bibliográfica
* Metodologias de revisão bibliográfica sistemática.
* Síntese do estado da arte e análise crítica da literatura existente.
CP6. Seminários e apresentações de propostas de dissertação
* Apresentação de propostas de pesquisa pelos estudantes.
* Discussão das propostas.

Avaliação ao longo do semestre:
1. Participação e Discussão em Seminário (20%):
* Avaliação ao longo do semestre da contribuição do aluno nas sessões de seminário, incluindo envolvimento, feedback construtivo e competências na aplicação de conhecimento teórico em discussões, correspondendo a OA1 e OA3.
2. Trabalho de Projeto (30%):
* Os alunos desenvolverão a ideia de um projeto de investigação, onde aplicarão os métodos e princípios discutidos nas sessões de seminário. Este trabalho será avaliado quanto à sua originalidade, estrutura e indicação da aplicação prática dos conceitos matemáticos em problemas reais, refletindo OA1, OA2 e OA5.
3. Revisão Bibliográfica (30%):
* Revisão crítica e sistemática da literatura relevante para o seu projeto de investigação, demonstrando as competências adquiridas em OA4 e a capacidade de estabelecer uma base teórica para o seu trabalho, alinhada com OA3.
4. Apresentação Oral (20%):
* Apresentação da proposta de trabalho de investigação e discussão da sua estrutura e revisão bibliográfica, permitindo aos alunos demonstrar competências de comunicação e argumentação, alinhando-se com OA2 e OA5.
Cada componente de avaliação é estrategicamente desenhado para avaliar diferentes aspetos dos objetivos de aprendizagem da UC e garantir que os alunos não só absorvam o conhecimento teórico, mas também sejam capazes de aplicá-lo em um contexto de investigação prática e comunicação científica.
Não existe avaliação por exame.

OA1: Conhecer os conceitos e princípios fundamentais da teoria dos erros computacionais e a sua importância na análise de métodos numéricos.
OA2: Aplicar métodos numéricos para a resolução de equações não lineares, sistemas de equações, aproximação de funções, integração numérica e problemas de álgebra linear.
OA3: Identificar e escolher o método mais adequado em função das características do problema em questão, compreendendo a sua aplicabilidade e limitações.
OA4: Aplicar de métodos numéricos em equações com diferenças, equações diferenciais ordinárias e otimização numérica, integrando conhecimentos teóricos com experiências práticas para resolver problemas complexos e reais em áreas diversas.
OA5: Implementar computacionalmente algoritmos numéricos utilizando a linguagem de programação Python, promovendo a compreensão prática dos métodos estudados e a capacidade de aplicar soluções numéricas eficazes em diversos contextos. Aplicar os algoritmos em casos concretos.

CP1: Teoria dos Erros
A-estabilidade, zero-estabilidade, consistência e convergência global.
CP2: Métodos Numéricos para Equações Não Lineares.
Métodos de iteração simples e aceleração da convergência.
CP3: Aproximação de Funções e Integração Numérica
Interpolação de Hermite, interpolação por splines, interpolação complexa e trigonométrica, métodos de mínimos quadrados e quadratura numérica para a aproximação de funções e integração.
CP4: Métodos Numéricos para Álgebra Linear
Métodos numéricos para resolução de sistemas de equações lineares de grande escala.
Implementção de algoritmos para a decomposição LU, QR e SVD.
Aplicação da álgebra linear numérica em problemas reais, como análise de dados e machine learning.
CP5: Implementação Computacional em Python
Desenvolvimento de algoritmos eficientes em Python para resolver problemas numéricos complexos.
Estudos de caso práticos, promovendo uma compreensão profunda dos conceitos teóricos através de sua aplicação prática.

1. Modalidades de Avaliação
- Avaliação ao longo do semestre:
* Realização de dois projetos ao longo do semestre, sendo um individual e outro em grupo e realização de uma prova presencial na data do Exame de 1.ª Época.
* Cada projeto será analisado conforme uma estrutura definida pelo docente e será acompanhado de uma discussão.
* Cada projeto contribui com 30% para a nota final.
* A prova presencial contribui com 40% para a nota final.
* Nota mínima exigida para cada projeto e prova presencial: 7 valores (em 20).
* Média necessária na avaliação periódica: igual ou superior a 9,5 valores (em 20).
- Avaliação por Exame (1.ª Época, 2.ª Época e Época Especial)
* Exame presencial que corresponde a 100% da nota final.

Possibilidade de realização de discussões orais.

OA1. Conhecer a importância das equações diferenciais na modelação matemática, e saber modelar sistemas simples.
OA2. Desenvolver a capacidade de classificação de Equações Diferenciais Ordinárias (EDOs) e dos métodos apropriados para a sua resolução.
OA3. Aplicar as técnicas discutidas na resolução de EDOs e avaliar o comportamento das soluções obtidas.
OA4. Conhecer e classificar Equações Diferenciais Parciais (EDPs) de segunda ordem.
OA5. Aplicar separação de variáveis e séries de Fourier para resolver EDPs de segunda ordem.
OA6. Aplicar métodos numéricos na resolução de EDOs e EDPs em Python.

I - Modelação Matemática.
1. Uso de equações diferenciais na construção de modelos.
2. Exemplos clássicos de modelos dinâmicos e de equilibrio.
3. Classificação de equações diferenciais.

II - Equações Diferenciais Ordinárias (EDOs).
1. Exemplos notáveis de EDOs.
2. Existência e unicidade de solução (Picard-Lindelöf).
3. EDOs de primeira ordem.
4. Métodos qualitativos de resolução de EDOs autónomas.
5. Equilíbrio e estabilidade.
6. Sistemas EDOs.
7. EDOs lineares de ordem superior.
8. Equação homogénea, equação característica, e o método da variação das constantes.
9. Métodos numéricos para a resolução de EDOs (Euler e Runge-Kutta).

III - Equações Diferenciais Parciais (EDPs).
1. Exemplos notáveis de EDPs.
2. Classificação de EDPs (calor, ondas, Laplace).
3. Separação de variáveis.
4. Séries de Fourier e convergência.
5. Transformada de Laplace.
6. Resolução numérica da equação do calor por diferenças finitas.

Avaliação ao longo do semestre:
- 3 fichas de exercícios realizadas ao longo do semestre com o peso de 60% na nota final (20% cada ficha), realizadas individualmente;
- 2 trabalhos de investigação individual realizado ao longo do semestre (com entrega de um relatório escrito e uma componente de implementação em Python), com o peso de 40% (20% cada) na nota final. As resoluções apresentadas estão sujeitas a discussão.

Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial): Exame presencial (100% da nota final).

OA1: Identificar as principais classes de problemas de otimização matemática e as suas propriedades
OA2: Identificar problemas reais de otimização e formalizá-los como modelos matemáticos
OA3: Integrar as ferramentas computacionais (código em Python) com a teoria da otimização em problemas práticos
OA4: Explicar as ideias subjacentes aos algoritmos de otimização e às técnicas que garantem aa sua convergência
OA5: Entender a aplicabilidade, vantagens e limitações, dos métodos e técnicas de otimização
OA6: Modelar problemas multi-objetivo a partir da programação linear
OA7: Decidir acerca da adequação de diferentes algoritmos de otimização para um dado problema e aplicá-los
OA8: Aplicar heurísticas e metaheurísticas em problemas de otimização complexos
OA9: Identificar as ferramentas computacionais (código em Python) mais adequadas para resolver um problema e saber implementá-las
OA10: Criticar os resultados práticos e compará-los com as expectativas teóricas

CP1. Fundamentos da otimização determinística
Conceitos e condições de otimalidade. Técnicas de modelação. Classificação de problemas
CP2. Problemas convexos
Convexidade. Caso particular da programação linear. Teoria da dualidade. Análise de sensibilidade pós-otimal. Programação por metas
CP3. Otimização não linear irrestrita
Estatégias de busca linear e de regiões de confiança. Métodos numéricos de gradiente e de 2ª ordem com código em Python. Condições de Wolfe. Convergência e taxa
CP4. Otimização não linear restrita
Condições de otimalidade Karush-Kuhn-Tucker. Programação quadrática. Métodos de penalidade e barreira. Algoritmos baseados em decomposição
CP5. Modelação discreta
Otimização combinatória e inteira. Técnicas branch-and-bound e branch-and-cut. Ciclos de Hamilton e de Euler. Fluxos em rede. Problemas de grande escala ou NP-difíceis. Heurísticas e meta-heurísticas. Pesquisa local iterada. Algoritmos genéticos e estratégias evolutivas. Exemplos clássicos

Avaliação ao longo do semestre:
Análise de 2 estudos de caso ao longo do semestre e teste na data do exame de 1ª Época. Um dos casos de estudo é individual e o outro é realizado em grupo. Cada estudo de caso (cuja análise será desenvolvida com estrutura pré-definida pelo docente) e respetiva discussão tem o peso de 25% na nota final, com nota mínima de 7,5 valores. A média da obtida nos estudos de caso terá de ser igual ou superior a 9,5 valores. O teste tem um peso de 50% na nota dinal e uma nota míima de 7,5 valores. Possibilidade de prova oral se adequado.

Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial): Exame individual presencial (100% da nota final)

OA1: Aplicar os conceitos fundamentais sobre teoria da medida.
OA2: Utilizar os conceitos e resultados de teoria de probabilidades.
OA3. Conhecer o movimento Browniano e o cálculo estocástico.
OA4. Aplicar as equações diferenciais estocásticas a problemas de modelação de fenómenos dinâmicos.
OA5. Analisar e discutir possíveis áreas de pesquisa para serem desenvolvidos em projeto.
OA6. Adquirir autonomia e pensamento crítico na utilização destes e de outros conceitos, nomeadamente em contexto de sala de aula.

PC1. Teoria da medida e probabilidades
1.1 Introdução à teoria da medida
1.2 Conceitos probabilísticos
PC2. Movimento Browniano e “white noise”
2.1 Motivação e definições
2.2 Construção do movimento browniano
PC3. Integrais estocásticos, fórmula de Itô
3.1 Motivação
3.2 Definição e propriedades do integral de Itô
3.3 Fórmula de Itô
PC4. Equações diferenciais estocásticas
4.1 Definições e exemplos
4.2 Existência e unicidade das soluções
4.3 Equações diferenciais estocásticas lineares.
PC5. Aplicações
5.1 Aplicação de equações diferenciais estocásticas a fenómenos dinâmicos.

Avaliação ao longo do semestre:
- quatro quizzes online realizados individualmente ao longo do semestre com o peso de 20% na nota final;
- trabalho de investigação individual (com entrega de um relatório escrito e uma componente de implementação em python), com o peso de 30% na nota final. O trabalho de investigação deverá aplicar os conhecimentos de equações diferenciais estocásticas abordados na UC e outros instrumentos relevantes para a modelação de fenómenos dinâmicos concretos.
- teste final presencial com o peso de 50 % na nota final, com nota mínima de 7,5 valores;
- os elementos de avaliação estão sujeitos a discussão.

Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial): Exame presencial (100% da nota final).

OA1. Conhecer os principais métodos de aprendizagem não supervisionada
OA2: Avaliar, validar e interpretar os resultados de modelos não supervisionados
OA3: Desenvolver projetos partir de dados utilizando modelos de aprendizagem não supervisionada
OA4. Aplicar os algoritmos não supervisionados em casos de estudo práticos
OA5: Utilizar um software (R ou Python) no contexto dos métodos não supervisionados

CP1: Introdução aos métodos de aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas;
CP2: Análise em componentes principais (ACP): conceitos fundamentais, etapas e aplicações práticas;
CP3: Técnicas de clustering: clustering hierárquico e clustering probabilístico, exploração de algoritmos e aplicações práticas;
CP4: Regras de associação: frequência de items e regras de associação, algoritmo Apriori e aplicações práticas.

A aprovação na UC decorre da obtenção de 10 valores (escala 0-20) em qualquer uma das modalidades de avaliação.
Avaliação ao longo do semestre:
- trabalho de grupo com nota mínima de 8 valores (30%)
- trabalho(s) individual(is) com nota mínima de 8 valores (30%)
- teste individual presencial com nota mínima 8 valores (30%)
- trabalho autónomo ao longo do semestre (10%)
Todas as componentes (trabalhos e teste) são obrigatórias. A aprovação requer uma nota mínima de 10 (escala 0-20).
EXAME (1ª Época, em caso de escolha do estudante, 2ª Época e Época Especial):
O Exame Final corresponde a um exame presencial escrito (100% da nota final). Os estudantes devem obter uma nota mínima de 10 para passar.

OA1. Compreender os princípios fundamentais dos sistemas complexos, incluindo emergência, auto-organização e dinâmicas não-lineares.
OA2. Modelar e analisar sistemas dinâmicos contínuos e discretos, estudando estabilidade, bifurcações e caos através de métodos matemáticos e computacionais.
OA3. Estruturar e interpretar redes complexas, aplicando métricas e modelos para análise estrutural e funcional, incluindo redes neuronais e Graph Neural Networks (GNNs).
OA4. Desenvolver e implementar modelos baseados em agentes, explorando aplicações em sistemas sociais, económicos e biológicos.
OA5. Utilizar ferramentas computacionais como Python e NetLogo para simulação e análise de sistemas complexos.

CP1. Introdução aos Sistemas Complexos
Definição e características
Conceitos de emergência e auto-organização
Exemplos em sistemas naturais e artificiais
CP2. Modelação de Sistemas Dinâmicos
Equações diferenciais aplicadas
Análise de estabilidade e bifurcações
Introdução ao caos e sistemas não-lineares
CP3. Grafos e Redes Complexas
Fundamentos e medições estruturais e funcionais
Modelos de redes: aleatórias, pequenas-mundos, livres de escala
Introdução às redes neuronais e GNNs
CP4. Modelação Baseada em Agentes
Conceitos e aplicações de modelos baseados em agentes
Implementação de modelos em plataformas como NetLogo
Estudos de caso em sistemas sociais e biológicos
CP5. Ferramentas Computacionais
Programação em Python para modelação e simulação
Uso de bibliotecas específicas para análise e previsão
Análise e visualização de dados
CP6. Aplicações Interdisciplinares
Sistemas ecológicos, económicos e financeiros
Dinâmicas populacionais e modelação de epidemias

A aprovação na UC decorre da obtenção de 10 valores (escala 0-20) em qualquer uma das modalidades de avaliação.

Avaliação ao longo do semestre:
Resolução de quatro tarefas ao longo do semestre: duas individuais e duas em grupo. Cada tarefa (cuja análise será desenvolvida com estrutura pré-definida pelo docente) e respetivos resultados e discussão têm o peso de 20% na nota final. Acresce a realização de uma prova escrita com peso de 20%. Todas as componentes (as tarefas e a prova escrita) são de resolução obrigatória para a avaliação ao longo do semestre, sendo a média necessariamente superior a 9.5 valores (escala 0-20) para aprovação.

Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial):
Exame presencial (100% da nota final)

OA1: Identificar as várias componentes dum modelo de aprendizagem profunda com redes neuronais.
OA2: Implementar em versão stand-alone, usando python, versões simplificadas das componentes implícitas em OA1.
OA3. Relacionar diferentes arquiteturas com a resolução de diferentes problemas.
OA4. Aplicar técnicas de regularização para melhorar a performance de modelos de aprendizagem profunda.
OA5. Identificar em detalhe e aplicar o algoritmo DQN no contexto de aprendizagem por reforço.
OA6. Utilizar a biblioteca Keras na implementação de modelos de aprendizagem profunda com vista à resolução de problemas em reconhecimento de imagem, processamento de linguagem natural e aprendizagem por reforço.
OA7. Identificar teoremas fundamentais sobre redes neuronais assimptóticas e aplicar esses resultados na análise crítica de modelos.
OA8. Avaliar possíveis áreas de pesquisa para serem desenvolvidos em projeto.

1. Modelos matemáticos de neurónios e funções de ativação.
2. Hardware: Aceleradores de IA para aprendizagem profunda.
3. Algoritmos eficientes para operações matriciais e álgebra tensorial.
4. Backpropagation e diferenciação automática.
5. Problemas de classificação e de regressão com redes neuronais feedforward.
6. Teoremas de aproximação universal e análise assimptótica.
7. Redes de convolução e reconhecimento de imagem.
8. Técnicas de regularização.
9. Aprendizagem por reforço profunda
10. Modelos de IA sustentável.

Avaliação ao longo do semestre:
- quatro quizzes online realizados individualmente ao longo do semestre com o peso de 20% na nota final;
- trabalho de investigação individual realizado ao longo do semestre (com entrega de um relatório escrito e uma componente de implementação em python), com o peso de 30% na nota final. O trabalho de investigação deverá corresponder ao desenvolvimento duma extensão livre do programa da cadeira, tendo de conter uma componente de implementação obrigatória;
- teste final presencial com o peso de 50 % na nota final, com nota mínima de 7,5 valores.

Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial): Exame presencial (100% da nota final).

OA1. Compreender os fundamentos da Teoria da Medida e da Integração de Lebesgue, incluindo os conceitos de mensurabilidade, medida e integração.
OA2. Aplicar os conceitos fundamentais de Análise Funcional em espaços de Banach e de Hilbert.
OA3. Estudar séries e transformadas de Fourier, analisando as suas propriedades algébricas, analíticas, computacionais e aplicações em diferentes contextos.
OA4. Desenvolver o raciocínio matemático e a capacidade de abstração.
OA5. Aplicar ferramentas da Análise Funcional e das Transformadas de Fourier na modelação e resolução de problemas em áreas como o processamento de sinais e as equações diferenciais.
OA6. Implementar algoritmos computacionais utilizando a linguagem de programação Python.

CP1. Teoria da medida e integração
- Conjuntos mensuráveis e medida de Lebesgue
- Funções mensuráveis
- Integral de Lebesgue
- Teoremas de convergência
- Espaços Lp e desigualdades fundamentais
- Teorema de Radon- Nikodym
CP2. Espaços de Banach e Espaços de Hilbert
- Espaços normados
- Completude e espaços de Banach
- Dualidade
- Teorema de Hahn-Banach
- Espaços de Hilbert
- Teorema da representação de Riesz
- Operadores lineares limitados
- Teorema espectral de operadores compactos e auto-adjuntos
CP3. Séries e Transformadas de Fourier
- Séries de Fourier
- Transformada de Fourier
- Aplicações: processamento de sinal e equações diferenciais

Avaliação ao longo do semestre:
- seis fichas de exercícios individuais ao longo do semestre, com o peso de 20% na nota final;
- trabalho individual realizado ao longo do semestre, com entrega de um relatório escrito, uma componente de implementação em Python e apresentação no final do período letivo, com o peso de 30% na nota final;
- teste final presencial com o peso de 50 % na nota final, com nota mínima de 8.5 valores;
- os elementos de avaliação estão sujeitos a discussão.

Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial): Exame presencial (100% da nota final).

OA1. Conhecer diferentes métodos de trabalho com vista à obtenção de contribuições originais e reconhecer a sua importância no contexto da aplicação da matemática à resolução de problemas reais em áreas diversas.
OA2. Conhecer algumas fontes de pesquisa bibliográfica e como as consultar.
OA3. Analisar o sistema internacional de avaliação pelos pares e a correspondente publicação de contribuições originais.
OA4. Aplicar os conhecimentos adquiridos a um problema de investigação e na revisão da literatura.
OA5. Adquirir autonomia e pensamento crítico na utilização destes e de outros conceitos, nomeadamente na escrita de uma proposta de investigação."

PC1. As estapas do processo de investigação
I. Tipos de tese
II. Identificação de problemas de investigação
III. Planeamento das fases de trabalho
PC2. Elaboração da revisão de literatura e fontes de bibliografia
PC3. Identificar e utilizar ferramentas de matemática computacional adequadas ao problema de investigação
PC4. Temas de investigação em matemática computacional aplicada
PC5. Elaboração e apresentação do projeto de investigação

Avaliação ao longo do semestre:
- análise de quatro estudos de caso ao longo do semestre: dois individuais e dois em grupo. Cada estudo de caso (cuja análise será desenvolvida com estrutura pré-definida pelo docente) e respetiva discussão tem o peso de 25% na nota final, com nota mínima de 7,5 valores (escala 0-20). A média da análise dos estudos de caso terá de ser igual ou superior a 9,5 valores (escala 0-20).

Não existe avaliação por exame.

OA1. Conhecer resultados de controlabilidade para sistemas lineares e não lineares e a sua importância no contexto da teoria do controlo ótimo.
OA2. Aplicar conceitos fundamentais da teoria do controlo ótimo e o teorema do Princípio do máximo de Pontryagin a problemas de controlo ótimo em contextos reais.
OA3. Conhecer as aplicações práticas da programação dinâmica na resolução de problemas.
OA4. Aplicar métodos numéricos adequados para diferentes tipos de problemas de controlo ótimo.
OA5. Desenvolver pensamento crítico na utilização dos resultados teóricos e numéricos na resolução de problemas de controlo ótimo aplicados a diferentes áreas.

PC1.Controlabilidade
I. Introdução e enquadramento
Exemplos clássicos
II. Controlabilidade
Controlabilidade de sistemas lineares
Controlabilidade de sistemas lineares autónomos: caso sem restrições no controlo - condição de Kalman; caso com restrições no controlo
Controlabilidade de sistemas lineares não autónomos
Controlabilidade de sistemas não lineares
PC2.Controlo ótimo
I. Existência
Teoremas de existência
II. Condições necessárias de optimalidade
Princı́pio do máximo de Pontryagin
Casos particulares e exemplos: problema de tempo mı́nimo; problema linear quadrático; exemplos de controlo ótimo não
lineares (problema de Zermelo, problema de Brachistochrone).
PC3.Programação dinâmica
Conceitos gerais nos contextos discreto e em tempo continuo
Algoritmos de programação dinâmica
Exemplos
PC4. Métodos numéricos para a resolução de problemas de controlo ótimo
I. Métodos diretos
Algoritmos
Exemplos
II. Métodos indiretos
Algoritmos
Exemplos

Avaliação ao longo do semestre:
- quatro quizzes online realizados individualmente ao longo do semestre com o peso de 20% na nota final;
- trabalho de investigação individual (com entrega de um relatório escrito e uma componente de implementação em Matlab/Octave ou Python), com o peso de 30% na nota final. O trabalho de investigação deverá aplicar os conhecimentos da teoria de controlo ótimo abordado na UC e métodos numéricos relevantes para a resolução de problemas de controlo ótimo concretos;
- teste final presencial com o peso de 50 % na nota final, com nota mínima de 7,5 valores;
- os elementos de avaliação estão sujeitos a discussão.

Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial): Exame presencial (100% da nota final).

OA1. Ser capaz de compreender e aplicar boas práticas de pesquisa bibliográfica e de revisão do estado-da-arte sobre um assunto;
OA2. Ter a capacidade de formular questões de investigação e de conceber a metodologia adequada para a construção das respostas;
OA3: Definir, planear, comunicar e executar um trabalho original de complexidade e dimensão adequadas;
OA4. Ter capacidade de raciocínio crítico e de argumentação lógico-científica sobre questões complexas e de aplicar conhecimentos em situações novas;
OA5. Possuir a capacidade de comunicação escrita e oral, transmitir os seus conhecimentos e apresentar conclusões inequívocas, com rigor concetual e respeitando as exigências da escrita académica.

CP1: Introdução à investigação
CP2: Formulação do problema e objectivos de investigação e planeamento
CP3: Boas práticas para o desenvolvimento do estado da arte
CP4: Boas práticas de escrita científica e apresentação de trabalhos de investigação
CP5: Execução da dissertação

A Dissertação é apresentada de acordo com as normas e nos prazos estabelecidos pelo Iste. A dissertação será avaliada por um júri em provas públicas, após a confirmação por parte do orientador de que esta está concluída e se encontra em condições de ser apresentada em provas públicas. A avaliação será baseada no mérito científico do estudo, na sua adequação teórica e metodológica e na sua discussão.
- Avaliação intercalar inclui: proposta de projeto, capítulo de introdução, revisão de literatura, planeamento das fases seguintes do trabalho e uma apresentação sobre o trabalho em curso.
- A avaliação final terá em conta a qualidade técnica/científica do trabalho, com base no documento de dissertação (A), a qualidade da apresentação e discussão pública (B), ponderadas da seguinte forma: Nota final = 0.6*A + 0.4*B.