Esta UC desenvolve capacidades ao nível do cálculo vetorial no plano e no espaço e da teoria das matrizes, aprofundando também alguns conhecimentos de geometria analítica. Os sistemas de equações lineares surgem na UC como motivação ao uso das matrizes, na sua formulação e resolução. Os conceitos de corpo e espaço vetorial (a aprofundar na UC de álgebra mais avançada). Pretende-se ainda que o aluno entenda as matrizes como forma de definição de funções, neste caso, de transformações lineares. É privilegiada uma estreita conexão entre a Análise e a Álgebra, com competências de manipulação algébrica a complementar estudos analíticos. Os tópicos abordados enquadram-se naturalmente em aplicações a diversas áreas do saber. A exploração e ilustração dos tópicos com Python é facilitadora de uma aprendizagem robusta e inicia o aluno na sua utilização como ferramenta auxiliar de trabalho.

1. Vetores em R^2 e R^3. Distância euclidiana
2. Produto escalar. Reta e parametrização de segmentos
3. Produto vetorial. Ortogonalidade. Projeções. Vetor normal a um plano
4. Sistemas de equações lineares (SELs). Eliminação de Gauss-Jordan
5. Escrita matricial de SELs. Álgebra de matrizes. Matriz transposta
6. Combinação e dependência linear de vetores. Característica de uma matriz e condensação de Gauss. Teorema de Rouché e dependência de variáveis
7. Matriz inversa. Matrizes elementares. Permutação e sinal. Determinante e propriedades
8. Menores complementares e matriz adjunta. Fórmula de Laplace
9. Método da matriz inversa e regra de Cramer em SELs
10. Cadeias de Markov e vetores e valores próprios de uma matriz. Polinómio característico. Formas quadráticas
10. Corpos. R e C
11. Espaço vetorial real. R^2, R^3 e C
12. Transformações lineares e operadores. Matriz. Imagem e núcleo
13. Composta e mudanças geométricas: expansão e contração uniformes, reflexão e rotação

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 testes (2 x 20% = 40%), trabalho em Python (20%) e exame (40%).- Avaliação por Exame: trabalho em Python (20%), exame (80%).

Pretende-se fornecer os conhecimentos de cálculo diferencial e integral numa só variável. As capacidades a desenvolver incluem raciocínio lógico e clareza de linguagem científica. Por serem indispensáveis à modelação de processos reais, pretende-se ampliar os conhecimentos através de abordagens intuitivas de tipos numérico e gráfico. É usada a metodologia problem-based learning (PBL) como forma de desenvolver capacidades intelectuais que são fundamentais a uma sólida formação profissional em tomada de decisão e trabalho colaborativo. As atividades de introdução e aplicação dos conhecimentos são contextualizadas no respectivo curso de forma a potenciar a aquisição de competências práticas. Pretende-se que o aluno tire vantagem do papel dos computadores na matemática, ciência em geral e engenharia, como complemento às abordagens analíticas e experimentais.

1 Reta real e álgebra em R. Completude. Valor absoluto
2 Funções de R em R. Funções elementares. Paridade e transformações ao gráfico. Período e frequências
3 Composta e inversa. Comportamento assintótico
4 Função logaritmo. Trigonométricas inversas. Identidades e álgebra trigonométrica
5 Limites. Continuidade. Teoremas de Weierstrass e do valor intermédio
6 Derivada num ponto e seu significado. Teorema do valor médio. Regra da cadeia e derivada da inversa. Derivação implícita
7 Aproximações de Taylor. Extremos locais e/ou globais
8 Derivação numérica. Dedução do erro
9 Sucessões de números reais. Definição recursiva. Monotonia. Supremo e ínfimo. Convergência e enquadramento
10 Noção de série numérica, somas parciais e soma. Séries aritmética, geométrica e harmónica
11 Séries de potências. Convergência
12 Partições. Integral definido à Riemann. Primitivas. Teorema fundamental do cálculo. Mudanças de variável. Integrais impróprios. Critérios de integrabilidade

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 4 momentos de avaliações (parcelares) de 20-30 minutos em início de aula (10% cada) sendo os 1º e 3º feitos em grupos de 2 pessoas e os 2º e 4º feitos individualmente + 1 trabalho em Python (20%) em grupos de 4 pessoas + 1 teste/Frequência na 1ª época de exame (40%); - Avaliação por exame (100%), em ambas as épocas de exame, com uma prova escrita individual.

A unidade curricular Fundamentos de Programação tem como principal objetivo dotar os estudantes de pensamento lógico e estruturado na resolução de problemas de complexidade intermédia utilizando uma linguagem de programação (Java ou Python).

CP1. Introdução à programação: Sequência lógica e instruções, Entrada e saída de dados, Constantes, variáveis e tipos de dados, Operações lógicas, aritméticas e relacionais, Estruturas de controlo
CP2. Procedimentos e funções
CP3. Referências e parâmetros
CP4. Ambientes integrados de desenvolvimento
CP5. Sintaxe da linguagem de programação
CP6. Objetos e classes de objetos
CP7. Vetores e matrizes
CP8. Invocação e recursividade
CP9. Manipulação de ficheiros

A UC não tem avaliação por exame.Época 1:A1. Tarefas de programação validadas pelos docentes (10%), nota mínima 9,5A2. Projeto Individual com discussão (40%), nota mínima 8,5A3. Projeto em Grupo com discussão (50%), nota mínima 8,5Época 2:AE2. Projeto individual com discussão (100%), nota mínima 9,5Época especial:AEE2: Projeto individual com discussão (100%), nota mínima 9,5

Esta Unidade Curricular visa desenvolver competências relacionadas com o impacto das transformações tecnológicas sobre as atividades económicas e o seu reflexo ao nível do mundo do trabalho e do emprego. Neste âmbito, inclui-se a abordagem ao modo como a digitalização da atividade económica influencia as dinâmicas de regulação e organização do trabalho ao nível macro, das organizações e dos indivíduos. Complementarmente, abordam-se as dimensões do emprego e da empregabilidade no âmbito da sociedade digital, analisando a problemática da transformação dos conteúdos dos empregos e, articuladamente, das novas qualificações e competências exigidas para a empregabilidade. Finalmente, contempla-se a abordagem e debate em torno dos desafios que se colocam nos processos de transição para o mercado de trabalho, as oportunidades associadas às dinâmicas de inovação e aos incentivos públicos que se lhe dirigem.

CP1. Os instrumentos de regulação do mercado de trabalho e proteção no emprego
CP2. O impacto das tecnologias digitais nos mecanismos de regulação do mercado de trabalho e proteção no emprego
CP3. Formas de trabalho, vínculos e sustentabilidade do emprego e do rendimento
CP4. A transformação digital e os novos modelos das organizações
CP5. A globalização do mercado de trabalho e o teletrabalho: riscos e oportunidades
CP6. A sociedade digital e as atitudes face ao trabalho
CP7. Novas competências para a empregabilidade, a transição para o mercado de trabalho e o desenvolvimento de carreiras
CP8. A transformação do conteúdo dos empregos e a emergência de novas qualificações
CP9. A relação entre inovação, trabalho e emprego
CP10. Políticas públicas e instrumentos de apoio ao tecido empregador e ao emprego
CP11. Planeamento do desenvolvimento de competências e de carreira

Avaliação Periódica:- Minitestes (20%)- Trabalhos em Grupo (45%)- Ensaio individual (35%)Avaliação Final:- Através da realização de exame (100%).

Nesta UC são formalizados alguns dos conceitos introduzidos de forma simplificada e intuitiva na UC de Álgebra Linear e Aplicações (ALA) e são abordadas várias decomposições matriciais. As decomposições matriciais são desenvolvidas como a base teórica para que o aluno possa entender e aplicar os métodos numéricos de aproximação abordados na UC com apoio computacional. Os elementos em estudo levam a um domínio aprofundado da álgebra linear e à compreensão das estruturas básicas que surgem na formulação dos problemas de outras UCs e que surgem em áreas de aplicação. A exploração e ilustração dos tópicos com Python (ou MATLAB - MATrix LABoratory) é facilitadora de uma aprendizagem robusta dos conteúdos.

CP1 Matrizes complexas. Vet. e val. próprios de skew-Hermiteanas. Decomp. de Schur. Teor. espetral
CP2 Espaços vet. euclidianos. Ortogonalidade. Projeções. Base ortogonal. Normas matriciais
CP3 Ortogonalização de Gram-Schmidt. Transf. rápida de Fourier
CP4 Decomp. valor singular (DVS). Teor. de Perron-Frobenius e de Cayley-Hamilton
CP5 Formas lineares e bilineares. Formas quadráticas. Teor. de Sylvester. Identificação de cónicas
CP6 Aritmética finita. Erro de arredondamento. Armazenamento
CP7 Matrizes densas e esparsas. Característica e perda numérica de ortogonalidade
CP8 Mét. diretos (de Gauss, Decomp. LU por blocos, QR e de Cholesky) para sistemas lineares (SLs). Refletores Householder
CP9 Mét. indiretos para SLs: iterativos estacionários (Jacobi, Gauss-Seidel e variante SOR) e não-estacionários (residual mínimo)
CP10 Mét. numéricos para probl. de quadrados mínimos por equações normais, DVS e QR. Perturbações e anál. de sensibilidade
CP11 Consistência, convergência e estabilidade

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (ou MATLAB) (50%) + Discussão individual dos trabalhos práticos em Python (20%) + 3 mini-testes (30%)- Avaliação por Exame (65%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 35% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

A UC de Algoritmos e Estruturas de Dados tem como principal objetivo dotar os alunos com conhecimentos aprofundados de técnicas de concepção e desenvolvimento de algoritmos e estruturas de dados, e introduzir a análise da complexidade e do desempenho dos algoritmos. São apresentados algoritmos de pesquisa e ordenação, baseados em estruturas de dados elementares, lineares ou hierárquicas, concebidas para suportar operações eficientes e viáveis do ponto de vista computacional.

"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:Aval Periódica ou Exame FinalAval Periódica:2 Testes (90%)-teórica e prática.Média final mínima de 9,5, distribuído da seguinte forma:(45%) Teste 1:nota mínima 7,5 e (45%) Teste 2:nota mínima 7,5.10%-Tarefas de aplicação e demonstração de conhecimentosAval por Exame: 100%-Exame Final- teórica e práticaAvaliação por Exame na Época 1 se escolherem no início do semestre ou reprovarem na Aval PeriódicaÉpoca 2:100%-Exame-teórica e práticaÉpoca Especial:100%-Exame-teórica e prática

Pretende-se fornecer os conhecimentos de cálculo diferencial e integral de funções de várias variáveis reais. As capacidades a desenvolver incluem raciocínio lógico e clareza de linguagem científica. Por serem indispensáveis à compreensão de processos reais, pretende-se ampliar os conhecimentos através de abordagens intuitivas de tipos numérico e gráfico. Pretende-se que o aluno tire vantagem do papel dos computadores na matemática, ciência em geral e engenharia, como complemento às abordagens analíticas e experimentais.

CP1. Topologia de Rn. Vizinhança e ponto de acumulação
CP2. Função real e vetorial multivariável. Curva de nível e transformações ao gráfico. Limites direcionais e continuidade
CP3. Derivadas parciais e vetor gradiente. Aproximação linear e diferenciabilidade. Regra da cadeia. Derivada direcional
CP4. Aproximações de Taylor de ordem superior. Teor. da função implícita e da inversa e aplicação
CP5. Matrizes Hessiana e extremos livres e condicionados. Condições de otimalidade. Multiplicadores de Lagrange
CP6 Equações diferenciais exatas. Fator integrante
CP7. Integrais duplos e triplos. Teor. de Fubini. Mudança de coordenadas. Coordenadas polares e esféricas
CP8. Campos de vetores e formas diferenciais. Relação entre formas e campos. Propriedades
CP9. Curvas e superfícies parametrizadas. Vetores tangente e normal. Regularidade
CP10. Integral de linha e de superfície. Teoremas de Green, de Stokes e de Gauss. Campo conservativo
CP11. Aplicações dos conceitos em problemas de contexto real

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: Teste 1 (40%) + Teste 2 (40%) + Trabalho prático em Python (ou MATLAB) (10%) + 4 mini-testes online (10%), ou - Avaliação por Exame (90%), em qualquer uma das épocas de exame, onde o trabalho práticos (acima referido) mantêm o peso de 10%. Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

Nesta UC o aluno pode aprender técnicas de contagem, conhecer os fundamentos da teoria das probabilidades e adquirir conhecimentos de estatística indutiva. É ainda iniciado na inferência estatística que será retomada, de forma mais intensa, em UCs posteiores. São apresentados e explorados os conceitos teóricos, de forma que o aluno se familiarize com o enquadramento matemático e os saiba aplicar em problemas reais. É privilegiado o uso do softwares open source Phyton e R.

CP1 Álgebra de conjuntos. Conceitos de probabilidade. Espaços de probabilidade, amostral e de acontecimentos. Medida. Axiomas de Kolmogorov
CP2 Amostragem e distribuição. Regras de contagem. Cálculo pela lei de Laplace
CP3 Probabilidade condicionada discreta e contínua. Independência. Densidade. Teorema de Bayes
CP4 Experiência determinista vs estocástica. Variáveis aleatórias discreta e contínua. Função de distribuição e de densidade. Lei dos grandes números e lema de Chebyshev. Teorema do limite central
CP5 Distribuições: normal, binomial, uniforme, de Poisson, de Bernoulli, t-student, exponencial, qui-quadrado. Valor esperado, variância. Função geradora de momentos
CP6 Estatística descritiva vs indutiva. Amostra aleatória. Medidas amostrais: localização central e relativa, dispersão e assimetria
CP7 Inferência: estimação de parâmetros (pontual e intervalar), intervalos de confiança e testes de hipóteses. Máxima verossimilhança. Testes de ajustamento de Pearson, K-S e contingência.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: Teste 1 (35%) + Teste 2 (35%) + 1 trabalho prático em Python (ou R) (25%) + 2 mini-testes online (5%), ou- Avaliação por Exame (75%), em qualquer uma das épocas de exame, onde o trabalho prático (acima referido) mantêm o peso de 25%. Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

O objetivo da UC é desenvolver um projeto tecnológico com alinhamento no âmbito do Curso. Ao longo desta UC será estabelecido o contato com planeamento do projeto com as fases principais de análise de requisitos , desenvolvimento, testes parciais e testes finais e alterações. O contato com equipamento laboratorial e ferramentas é um dos objetivos para a concepção do projeto de software, hardware ou ambos.

I. Introdução à inovação tecnológica de acordo com os eixos da Europa
II. Planeamento de um projeto tecnológico e as suas fases
III. Aspetos essenciais para o desenvolvimento de um projeto
IV. Definição de recursos materiais
V. Orçamento de um projeto
VI. Plano de Testes parciais e de conjunto
VII. Apresentação de um projeto tecnológico
VIII. Demonstração de projeto tecnológico
IX. Elaboração de Relatório Técnico

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

Esta unidade curricular tem por objectivo proporcionar aos alunos a aprendizagem de metodologias e procedimentos para a escrita de textos técnicos e científicos.

1. Informação; a redacção; a revisão; a redacção final;
2. Estrutura de um texto técnico e científico;
2.1 Elementos pré-textuais;
2.2 Elementos textuais;
2.3 Elementos pós-textuais;
3. Utilização de elementos ilustrativos da argumentação técnica e científica ou de demonstração empírica;
3.1 Inserção de gráficos, quadros e outros elementos ilustrativos e a normalização dos respectivos títulos, fontes de informação e formas gráficas;
4. Normas de referenciação bibliográfica, citação e anotação;
4.1 Normas nacionais e internacionais. As normas adoptadas para a realização de trabalhos, dissertações e teses no ISCTE-IUL;
4.2 Utilização de software específico para a organização e gestão de bibliografias e produção de textos técnicos e científicos (Biblioscape, biblioexpress e End Note).

1) Avaliação contínua:a) Realização com sucesso do curso online da UC (obrigatório) - a avaliação do curso pressupõe que o estudante atinja 50% ou mais nas respostas aos quizs que tem que fazer em cada módulo.b Exercícios autónomos (inclui participação e feed-back de exercícios desenvolvido sob proposta da docente - 30%c) Elaboração de um trabalho final - 70% da nota final2) Avaliação por exame:Realização de um trabalho de avaliação final - 100%

- Compreender a importância do pensamento crítico na vida académica e profissional;
- Identificar os elementos de um argumento simples e complexo;
- Analisar argumentos simples e argumentos complexos;
- Reconhecer erros no discurso quotidiano;
- Avaliar a qualidade de argumentos e textos argumentativos;
-Criar argumentos simples e complexos em debate oral e produção escrita.

CP*1 Importância do pensamento crítico
CP2 - Discurso argumentativo
CP3 - Tipos de argumentos e estrutura de argumentos
CP4 - Qualidade dos argumentos e falhas na argumentação
* CP. Conteúdoprogramático

Av. ContinuaTPCs- 15% (1 TPC - 5% + 1 TPC - 10%)Assiduidade/participação - Exercicios em aula + debate grupos- 25%Trab. Final (60%)Épocas de ExamesTrabalho Escrito -100%

Esta unidade curricular visa fazer uma introdução sistemática aos principais conceitos na área de trabalho em equipa. Esta Unidade Curricular tem igualmente uma forte componente prática na qual o/as alunos/as têm oportunidade de treinar competências de trabalho em equipa.

CP1. Características do Trabalho em Equipa
CP1.1. Diferença entre grupos e equipas
CP1.2. Vantagens do trabalho em equipa
CP1.3. Formas de reforço da interdependência dos membros de uma equipa
CP1.4. Desenvolvimento de papéis relacionais e de estilos de participação
CP1.5.Tipos de equipas
CP2. Eficácia do Trabalho em Equipa
CP2.1. Factores de eficácia no trabalho em equipa
CP2.2. Obstáculos à eficácia colectiva
CP2.3. Técnicas para ultrapassar os obstáculos à eficácia das equipas
CP3. Tomada de Decisão em Equipa
CP3.1. Particularidades da tomada de decisão em grupo
CP3.2. Técnicas de facilitação da tomada de decisão em equipas
CP3.3. Particularidades das equipas virtuais; como utilizar as ferramentas de interacção online

Avaliação contínua para modelo blended learning:a) Presença e Participação nas aulas presenciais - 5% da nota final;b) Realização com sucesso do curso da UC online c) Exercícios autónomos - 15%d) Elaboração de um relatório final - 80 % na nota finalNota: O processo de avaliação blended learning, mantém-se o mesmo, em regime presencial, híbrido e on-line.

O objetivo desta UC consiste em aprender e aprofundar as metodologias de resolução por aproximação numérica de problemas não-lineares quando não é possível determinar uma solução analítica ou quando se trata de um problema de larga escala. O foco principal assenta sobre as equações com diferenças, equações diferenciais ordinárias, otimização numérica e a sua aplicação em vários problemas da vida real, desde economia, gestão de informação, saúde até à ciência de dados. Dado que a aprendizagem da otimização é fundamental neste curso, é importante que possa ser abordada em diferentes níveis de aprofundamento e em diversos contextos.

Esta UC tem os seguintes conteúdos programáticos (CPs):
CP1. Introdução aos métodos numéricos com Python
CP2. Convergência e estabilidade. Erro e perda de significado da aproximação numérica.
CP3. Derivação numérica; solução de equações diferenciais ordinárias de primeira ordem (método de Runge?Kutta); existência e unicidade de soluções
CP4. Integração numérica: fórmulas de Newton-Cotes e quadratura de Gauss-Legendre para diferente número de pontos; mudança de intervalo; interpretação gráfica da quadratura; erro de integração
CP5. Zeros de uma função e procura de extremos de funções (com e sem diferenciabilidade, com e sem continuidade); métodos da bissecção e de Newton, método da secante. Introdução à solução de sistemas de equações não-lineares (método de Newton para sistemas)
CP6. Equações com diferenças e métodos iterativos
CP7. Solução de equações diferenciais ordinárias de ordem superior (aproximações de diferenças finitas de Euler)

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (50%) + Discussão individual dos 2 trabalhos práticos (20%) + 3 mini-testes (30%), ou - Avaliação por Exame (65%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 35% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

Pretende-se com esta UC dotar os alunos com os princípios básicos dos sistemas de Informação e do seu papel nas organizações, e com conhecimentos sólidos nos sistemas de bases de dados suportados por modelos relacionais. O foco situa-se no desenhos conceptual e lógico relacional, nas interrogações à base de dados suportadas pela linguagem SQL e na administração de Sistemas de Gestão de Base de Dados ? SGBD.

C1 Introdução aos Sistemas de Informação e ao seu papel nas organizações
C2 Introdução à Análise de Sistemas de Informação com linguagem UML: Introdução, análise de requisitos, modelos de dados, esquemas e diagramas UML
C3 Desenho de Base de Dados. Modelo Relacional: relações, atributos, chaves primárias, chaves estrangeiras, regras de integridade, optimizações e índices
C4 Normalização. Redundância e inconsistência de dados. Formas normais
C5 Linguagem SQL ? Variáveis de tabelas, operadores de conjuntos, querys simples, subqueries, operadores (SELECT, Insert, delete, update), views, índices, triggers, stored procedures e transações
C6 Introdução à administração de Sistemas de Gestão de Bases de Dados, SGBD

UC com Avaliação Periódica, não contemplando Exame Final. Presença obrigatória em 90% de todas as atividades da UC. Pesos da avaliação: - Trabalhos lab individuais, 80% obrigatórios (25%)- Projeto lab (grupo de 2), com discussão oral individual (50%)- 2 mini-testes de resposta múltipla (25%) Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas, valendo 50% da nota, sendo obrigatória a aprovação no Projeto em grupo ou a realização de um projeto individual (50%).

Esta Unidade Curricular visa, em primeiro lugar, a compreensão da natureza dos processos de transformação digital (TD) e o seu impacto nas organizações, nas sociedade e no mundo em geral. Em segundo lugar, introduzem-se e discutem-se as principais categorias de tecnologias digitais e modelos de negócios que as mesmas possibilitam/transformam, refletindo-se sobre as razões que estão na base da sua natureza disruptiva. Discutem-se os principais ingredientes de um processo de TD. Finalmente, utilizando o estudo de casos de TD em diversas organizações concretas, pretende-se familiarizar os alunos com os temas de estratégia empresarial que motivam os processos de TD, a forma como eles devem ser organizados e geridos, bem como desenvolver uma visão critica sobre os resultados obtidos. Pretende-se ainda que os alunos criem uma sua proposta de um processo concreto de transformação digital.

CP1. Introdução: As mudanças da Transformação Digital (TD);
CP2. Tecnologias Digitais e Modelos de Negócio;
CP3. Os Ingredientes da Transformação Digital e gestão deste tipo de processos;
CP4. Estudo de Caso Exemplificativo - Ilustração do Impacto da Transformação Digital;
CP5. Estudo de Casos específicos para ilustração de diversos aspectos da TD em organizações;
CP6. Proposta de Caso de TD por parte dos alunos;

Avaliação Periódica:- Teste 1 (30%)- Discussão de Casos em grupo (40%)- Proposta de Caso (30%)Não é possível obter aprovação apenas através da realização de exame (100% da nota).

Esta Unidade Curricular (UC) visa dotar o aluno de conhecimentos sobre modelos e técnicas em programação linear e não-Linear que permitam abordar e resolver eficientemente problemas de otimização em contextos reais. Face ao tipo de conteúdos da UC, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em otimização. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

CP1. Formulação de problemas em otimização. Otimização livre versus condicionada
CP2. Programação linear versus não-linear
CP3. Condições de otimalidade. Limitações dos métodos analíticos
CP4. Conceito de conjunto convexo e de função convexa. Otimização convexa
CP5. Técnicas de resolução geométrica
CP6. Métodos em programação linear. Simplex e big-M
CP7. Dualidade; problema dual e algoritmo dual do Simplex
CP8. Interpretação da solução e análise de sensibilidade
CP9. Fundamentos de otimização discreta. Programação binária, inteira e inteira mista. Planos de corte. Métodos híbridos
CP10. Programação linear multi-objetivo. Programação por metas. Método sequêncial e das penalidades e pesos
CP11. Aproximações polinomiais e métodos de busca em linha. Critérios de convergência
CP12. Dualidade Lagrangeana. Condições de Karush-Kuhn-Tucker

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: Teste 1 (35%) + Teste 2 (35%) + 2 trabalhos práticos em Python (25%) + 2 mini-testes online (5%), ou - Avaliação por Exame (75%), em qualquer uma das épocas de exame, onde os trabalhos práticos (acima referidos) mantêm o peso de 25%. Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

O objetivo da UC é o desenvolvimento do espírito empreendedor dos alunos, e de oferecer ferramentas e mecanismos que lhes permitam transformar as suas ideias (ou de acordo com a proposta de uma empresa com protocolo com o ISCTE) num negócio de base tecnológica. Ao longo desta UC os alunos irão elaborar a sua ideia de negócio, efetuar alguns estudos de viabilidade da mesma, desenhar a sua proposta de valor (produto, processo ou serviço) e o respetivo modelo de negócios, desenvolver técnicas para comunicação da ideia (elevator pitch e presença) e desenvolver 30% de um protótipo viável da ideia proposta.

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

A demonstração de coerência decorre da interligação dos conteúdos programáticos com os objetivos de aprendizagem (OA), como a seguir se explicita: OA.1: I; AO.2:II; OA.3: III; V; VI; OA.4: IV; OA.5: VII; OA.6: VIII; OA.7: IX; OA.8: X

Esta Unidade Curricular (UC) tem como objetivos gerais dotar o aluno de competências técnicas de desenvolvimento e aplicação de algoritmos baseados em aprendizagem automática (ou Machine Learning - ML). No final desta Unidade Curricular, o aluno deverá ser capaz de implementar algoritmos de ML em diversas temáticas, bem como ser capaz de criar, estudar e implementar modelos baseados em aprendizagem automática supervisionados, não-supervisionados e/ou por reforço, utilizando noções de big data, análise e visualização de performance de algoritmos, entre outras competências.

CP1. Introdução à Aprendizagem Automática: história, fundamentos e conceitos base
CP2. Conceitos e técnicas em complexidade algorítmica
CP3. Aprendizagem supervisionada: support vector macines (SVM), árvores de decisão, regressões linear e logística, classificação Naive-Bayes;
CP4. Aprendizagem não-supervisionada: K-means clustering;
CP5. Aprendizagem por reforço: Q-learning
CP6. Classificação e regressão. Variáveis numéricas / contínuas e categóricas / discretas
CP7. Percepton, redes neuronais de tipo Feed-Forward. Redes Neuronais Artificiais (RNAs). Métricas de avaliação da convergência e da performance dos modelos de RNAs;
CP8 RNAs multicamadas e algoritmo de backpropagation, hiperparâmetros
CP9. Aprendizagem profunda: redes neuronais recorrentes (RNRs) e redes neuronais convolucionais (RNCs).

Aprovação com classificação não inferior a 10 valores (escala 1-20) na realização de um trabalho prático individual de projeto, que envolve a apresentação de um documento sob forma de relatório de trabalho (65%) e uma apresentação oral (35%). O objetivo principal será avaliar o aluno sobre a capacidade de desenvolvimento implementação de um ou mais algoritmos de aprendizagem automática que possibilite resolver um problema não-trivial.

O objetivo desta unidade curricular é apresentar aos estudantes uma introdução aos diferentes passos na análise de dados de um projecto de Ciência dos Dados.

CP1. Introdução à análise de dados.
CP2. Dados e formato dos dados.
CP3. O ciclo completo de dados.
CP4. Exemplo de problemas.
CP5. Introdução ao R
CP6. Recolha e tratamento de dados não estruturados.
CP7. Visualização de dados.
CP8. Modelação e diferentes tipos de problemas de aprendizagem.
CP9. Métodos de avaliação de modelos.

A Avaliação PERIÓDICA resulta de: 2 testes individuais (10% cada um), exame escrito (40%) e trabalho grupal em R (40%).A Avaliação em EXAME inclui: exame escrito (60%) e trabalho em R (40%).

Esta UC tem como objetivo geral introduzir o aluno na teoria de grafos e na ciência de redes, incluindo nas suas linguagens. No final da UC, os alunos devem ser capazes de saber como utilizar grafos e redes na resolução de problemas que se encontram frequentemente, e de forma muito natural, no mundo real. Face ao tipo de conteúdos da UC, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em ciência de redes. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

Esta UC tem os seguintes conteúdos programáticos (CPs):

CP1 Introdução: como as redes estão presentes em todo o lado
CP2 Representação com grafos: dígrafos, grafos bipartidos e hipergrafos
CP3 Conectividade, distribuições de grau e medidas básicas de rede
CP4 Introdução à pesquisa em redes: pesquisa em grafos e pesquisa não-informada
CP5 Pesquisa em redes: Dijkstra e A* (2h)
CP6 Representação e visualização de redes usando Python e o software NetworkX
CP7 Modelo mundos pequenos, conectores e ligações fracas
CP8 Direções e pesos
CP9 Métricas para redes estáticas e inferências
CP10 Modelos de rede
CP11 Adaptação de dados empíricos a modelos de rede
CP12 Iniciação à deteção comunitária (modularidade topológica)
CP13 Inferência da rede estrutural e controlabilidade

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (2x35%) + Discussão individual dos trabalhos práticos em Python (2x10%) + 4 minitestes (4x2,5%) ou- Avaliação por Exame (55%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 45% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

Esta UC tem como objetivo geral o contacto com a linguagem própria das finanças e a aquisição dos principais abordagens, técnicas e modelos financeiros. Sempre que oportuno, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em modelação financeira. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

CP1 Conceitos e termos em finanças. Análise e previsão de extratos financeiros. Previsão de receitas. Equivalência de capitais
CP2 Valor temporal do dinheiro. Orçamentação de tesouraria. Custo de capital. Lucro e break even
CP3 Orçamentação de capital: análise de risco com cenários e simulações de Monte Carlo
CP4 Avaliação de ações comuns e obrigações. Diversificação do tempo e risco de investimento a longo prazo
CP5 Modelos de carteiras. Estimativa do risco sistemático e testes dos modelos de preços de ativos
CP6 VBA em carteiras eficientes de variações médias. Otimização e análise de tipos de carteira. Abordagem Black-Litterman
CP7 Simulação de preços de ações e retornos de carteira. Simulação do crescimento dos ativos da reforma
CP8 Opções de preços e produtos estruturados com o modelo Black-Scholes
CP9 Modelo de preços da opção binomial. Método Monte Carlo para fixar preços de opções exóticas
CP10 Estimativa e controlo da sensibilidade à taxa de juro por estratégias de imunização

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: Teste 1 (40%) + Teste 2 (40%) + Trabalho prático em Python (ou MATLAB) (15%) + 2 mini-testes online (5%), ou - Avaliação por Exame (85%), em qualquer uma das épocas de exame, onde o trabalho práticos (acima referido) mantêm o peso de 15%. Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

O objetivo da UC é desenvolver os 70% do protótipo viável (produto, processo ou serviço) da ideia proposta. Continuar a o desenvolvimento do espírito empreendedor dos alunos. Ao longo desta UC os alunos irão validar a sua ideia de negócio, efetuar alguns ajustes relativamente a: estudos de viabilidade da mesma, proposta de valor (produto, processo ou serviço) e o respetivo modelo de negócios e desenvolver técnicas para comunicação da ideia (elevator pitch e presencial) e desenvolver os restantes 70% de um protótipo viável da ideia proposta.

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.

Esta UC tem como objetivo geral o contacto com a linguagem própria da gestão e uma formação complementar e atualizada no domínio do controlo de gestão (aquisição das principais abordagens e técnicas), entendido como subsistema de informação relevante no apoio à tomada de decisão e estruturante da organização. Sempre que oportuno, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em controlo de gestão. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

CP1 Análise estratégica e caratér multidimensional da performance da gestão. Monitorização da performance
CP2 Controlo de gestão (CG): evolução e princípios. CG retrospetivo, prospetivo e integrado. Papel do controlador nas funções da gestão
CP3 Fases, vantagens e limitações dos sistemas de CG. Sistema de Corporate Governance
CP4 Planeamento estratégico e operacional. Modelos de ciclo único e com múltiplos ciclos.
CP5 Dados financeiros em CG. Modelos de apuramento dos resultados por absorção e contribuição. Margem de contribuição residual e Economic Value Added (EVA). Custo baseado nas atividades (CBA). Risco económico
CP6 Gestão de valor. Controle orçamental. Análise de desvios por causa
CP7 Instrumentos: Tableaux de Bord, Balanced Scorecard (BS) e Dashboards. Mapas estratégicos
CP8 Sistema de informação para CG. Integração do EVA, CBA e BS. KPIs
CP9 Centros de responsabilidade e critérios de avaliação da sua performance. Sistemas de incentivos. Preços de transferência interna

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: Teste 1 (40%) + Teste 2 (40%) + Trabalho prático em Python (ou MATLAB) (15%) + 2 mini-testes online (5%), ou - Avaliação por Exame (85%), em qualquer uma das épocas de exame, onde o trabalho práticos (acima referido) mantêm o peso de 15%. Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

O objetivo desta UC é dotar os alunos de conhecimentos matemáticos e competências práticas, necessários à análise de modelos estocásticos e a sua relação com o estudo de redes complexas.

Esta UC tem os seguintes conteúdos programáticos (CPs):

CP1. Breve revisão de alguns conceitos da teoria da probabilidade;
CP2. Introdução aos processos estocásticos. Diferentes tipos de processos estocásticos: descrições discretas vs descrições contínuas de variáveis de tempo e espaço;
CP3. Cadeia de Markov: propriedades básicas;
CP4. Processos de Poisson;
CP5. Alguns conceitos em teoria da medida. Processos de Wiener e movimento Browniano;
CP6. Teoria básica das equações diferenciais estocásticas;
CP7. Métodos numéricos. Exemplos de modelação com matrizes aleatórias com MATLAB;
CP8. Estudo de modelos de difusão em grafo. Aplicativos para redes complexas. Discussão de um caso real: estudo da difusão de informações no Twitter;
CP9. Simulação numérica de um processo de branching que revela a disseminação de informação numa rede, como o Twitter.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: Teste 1 (35%) + Teste 2 (45%) + 2 trabalhos práticos em Python (ou MATLAB) (20%) ou - Avaliação por Exame (20%), em qualquer uma das épocas de exame, onde os trabalhos práticos (acima referidos) mantêm o peso de 20%. Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

A UC pretende preparar o produto, processo ou serviço (PPS) para comercialização nacional e internacional, nas várias etapas:
Elaborar contratos comerciais com envolvimento de parcerias;
Analisar a cadeia de valor e Plano de logística para a produção e distribuição do PPS;
Elaborar o Relatório para registos de propriedade intelectual na forma de patente ou outros direitos e também da marca e design;
Analisar e preparar documentação necessária para a criação de startup, spinoff ou cedência de propriedade intelectual;
Elaborar um plano para agendamento de leads com demonstração/comercialização do PPS;
Elaborar a estratégia de ação comercial e previsão de Tesouraria;
Preparar proposta comercial tipo para os mercados;
Preparar a abordagem a desenvolver com potenciais clientes para o 1º contato, a apresentação da proposta comercial e a sequência de comunicação para o 2º e 3º contato;
Rever e redefinir a estratégia e Plano de comunicação do PPS.

I. Aspetos essenciais para a comercialização de um PPS
II. Plano de produção
III. Plano de sustentabilidade e ODSs
IV. Normalização, Normas e Certificações de PPSs
V. Contratos comerciais
VI. Procedimentos e relatórios para o registo de propriedade intelectual, marca e design
VII. Criação de Startup, Spinoff
VIII Aspetos para cedência de propriedade
IX. Propostas comerciais
X. Abordagens a implementar com potenciais clientes
XI Otimização do Plano de Comunicação

Avaliação periódica:- Dossier com a documentação de suporte das várias etapes: primeira apresentação: 30%; segunda apresentação: 30%; Entrega do Dossier: 40%; As apresentações, Demonstrações e Defesa são em grupo.

A UC tem como objetivos gerais:
i) introduzir os estudantes das áreas das tecnologias nos grandes temas da atualidade; ii) adquirir competências de conhecimento e pensamento crítico sobre a mudança económica, social e cultural proporcionada pelos instrumentos e ferramentas tecnológicas; iii) sensibilizar os estudantes das tecnologias para a importância do conhecimento interdisciplinar; iv) estabelecer diálogos entre as tecnologias de informação e as ciências sociais.

CP1. Debates XXI: mudança tecnológica e desafios societais contemporâneos.
CP2. Transição digital: significado e implicações.
CP3. Tecnologia, transformação social e desigualdades.
CP4. Ambiente e transições para a sustentabilidade.
CP5. Globalização, financeirização e desenvolvimento.
CP6. Capitalismo e democracia.
CP7. Migrações e multiculturalidade.

O processo de avaliação periódica compreende os seguintes elementos: 1. Preparação ao longo do semestre e apresentação em sala de um trabalho de grupo sobre mudança tecnológica e sociedade (40%). 2. Teste (60%). A avaliação final compreende os exames de 1ª e 2ª época (100% da classificação).

O objetivo desta UC consiste em aprender e aplicar de forma correta os modelos de regressão linear simples, múltipla, polinomial e de regressão logística com o objetivo de ter um apoio quantitativo e fundamentado na tomada de decisão. O foco principal assenta sobre a parte de análise preditiva e de aprendizagem estatística, e também sobre as aplicações em problemas reais de várias áreas do saber.

CP1. Modelos de regressão: correlação e causalidade, regressão linear simples, regressão múltipla. Multicolinearidade
CP2. Estimação e inferência, OLS (Ordinary Least Squares) e ML (Maximum Likelihood)
CP3. Pressupostos dos resíduos: testes de hipótese e diagnóstico
CP4. Regressão polinomial e com variáveis categóricas. Variável dummy
CP5. Previsão (in-sample e out-of-sample). Conjuntos de treino e de teste. Métricas de avaliação da performance de previsão (RMSE-Root Mean Squared Error, MAPE-Mean Absolute Percentage Error, MAE-Mean Absolute Error). Análise preditiva
CP6. Regressão logística. Problemas de classificação. Matriz de confiança e curva ROC (Receiver Operating Characteristic)
CP7. Conjuntos difusos. QCA (Qualitative Comparative Analysis) em variáveis dicotómicas (csQCA) e em conjuntos difusos (fsQCA). QCA escalonada e temporal (mvQCA e tQCA)
CP8. Outros modelos de estatística multivariada: análise em clusters, análise discriminante, componentes principais e Fuzzy clustering.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (50%) + Discussão individual dos 2 trabalhos práticos (20%) + 3 mini-testes (30%), ou - Avaliação por Exame (65%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 35% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

O objetivo da UC é captar negócio e implementar pilotos do PPS no cliente. Preparar o plano de negócio para os próximos 6 meses. Elaborar o plano de Pilotos. Agendar reuniões para ações comerciais e garantir a implementação de dois pilotos durante o semestre. Elaborar relatório de avaliação de funcionalidades e satisfação do cliente e preparar ações de negócio para o próximo ano. Análise SWOT da concorrência direta e indireta nesta fase. Participação na elaboração de uma proposta para Inovação de aplicabilidade industrial, identificando futuras funcionalidades para o PPS ou outro que se tenha identificado a oportunidade/necessidade. Neste semestre pretende-se que este trabalho seja desenvolvido em parceria com o AUDAX ? Centro de Inovação e Empreendedorismo do ISCTE e ou em ambiente empresarial (de acordo com as áreas dos Cursos).

I. Aspetos essenciais para a implementação de Pilotos de um PPS
II. Plano de Pilotos e marcos para controlo de ações
III. Avaliação de funcionalidades e definição dos principais KPIs
IV. Análise SWOT para concorrência
V. Propostas de inovação para calls nacionais e internacionais
VI. Ética e Deontologia em ambiente de startups e empresas

Avaliação periódica:- Dossier com a documentação de suporte das várias etapes: primeira apresentação: 30%; segunda apresentação: 30%; Entrega do Dossier: 40%; As apresentações, Demonstrações e Defesa são em grupo.

Com o desenvolvimento da computação e das técnicas de processamento de informação, a inteligência artificial (IA) tem sido amplamente aplicada em práticas pedagógicas (IA na Educação; AIEd).
Esta UC pretende dar a conhecer ao aluno o que é a IA e como pode ser aplicada no âmbito educativo, nomeadamente em contextos pedagógico e de gestão de ensino. A aplicação da IA à educação pode ser dividida em três paradigmas: a) representação de modelos de conhecimento e condução da aprendizagem cognitiva, sendo os alunos os recetores do serviço de IA; b) apoio da aprendizagem enquanto alunos colaboram com a IA; e c) capacitação da aprendizagem enquanto os alunos se focam na aprendizagem.
No contexto educativo, podemos também aplicar a IA na gestão de todas as atividades inerentes ao ensino, utilizando técnicas que permitam a correção e elaboração automática de instrumentos de avaliação (smart content) e ainda o diagnóstico do sucesso do ensino (learning analytics).

CP1: Introdução à inteligência artificial e aprendizagem automática
CP2: Introdução aos Agentes Inteligentes
CP3: Sistemas Tutores Inteligentes
CP3.1.: Componentes do STI
CP3.2.: Modelação do Aluno
CP3.3.: Representação e Inferência do Conhecimento
CP4: Agentes de Conversação e Tutores Virtuais
CP5: Colaboração Pessoa-IA
CP6: Geração e Gestão de conteúdos inteligentes
CP7: Análise de dados de Educativos
CP8: IA na Educação - ética e responsável

Os alunos são avaliados a 100% por projeto, nos seguintes moldes:1ª Época: projeto realizado em grupos de alunos ao longo do semestre e acompanhado com aulas de tutorias (12 horas) (60%). Discussão individual na 1ª época de avaliação (40%).2ª Época e Época especial: projeto individual (100%)

A unidade curricular de Engenharia da Formação e Aprendizagem Online tem como objetivos gerais dotar o estudante de competências que lhe permitam analisar contextos de formação/educação e definir uma abordagem pedagógica e tecnológica eficaz, através do design, prototipagem, testagem, criação, implementação e avaliação de um curso online ou híbrido.

1. Introdução à Engenharia da Aprendizagem
- A Aprendizagem como uma Engenharia
- Funções do Engenheiro da Aprendizagem

2. Inovação em Aprendizagem Digital
- Tendências no mundo EdTech
- Modelos Blended e Híbridos
- Simulação na formação/educação
- Realidade mista (virtual e aumentada)
- Learning analytics

3. Princípios e Métodos de Engenharia da Aprendizagem
- Análise de tarefas cognitivas
- Objetivos de aprendizagem, estratégias e avaliação (constructive alignment)
- Desenho da instrução e modelos cognitivos
- Course design
- Prototipagem, testagem (A/B) e redesign
- Desenvolvimento do curso online/híbrido
- Implementação e recolha de dados
- Avaliação e melhoria

60% - Relatório que inclui: Course design, protótipo, resultados e análise dos testes (A/B), conclusão e redesign40% - Curso online/híbrido

As tecnologias digitais fornecem oportunidades e impulsionam práticas de ensino/aprendizagem e avaliação que poderão fazer parte de soluções educativas inovadoras. Esta Unidade Curricular fomenta o desenvolvimento de soluções para a educação a partir do design iterativo e de que forma esta metodologia apoia o desenvolvimento de tecnológicas desejáveis e viáveis para a educação, em particular o ensino e aprendizagem.
São objetivos da Unidade Curricular o desenvolvimento tecnológico de soluções para o ensino, aprendizagem e avaliação a partir do design thinking, desde o desenvolvimento do conceito inicial até à prototipagem digital.

1. Ensino e aprendizagem com Tecnologia
1.1. Papel da tecnologia na Educação
1.2. Metodologias de ensino e aprendizagem com tecnologia
1.3. Problemáticas tradicionais
1.3.a. No ensino e aprendizagem
1.3.b. Na avaliação
1.3.c. No ambiente educativo
2. Design Iterativo: fases e processo
2.1. Empatia
2.2. Definição
2.3. Idealização
2.4. Protótipo
2.5. Testes
3. Desenvolvimento de soluções
3.1. Exploração do problema e oportunidades
3.2. Conceção da solução
3.3. Avaliação

Avaliação contínua: projeto (60%) e teste teórico-prático (40%), ou Avaliação final: exame (100%)

Esta Unidade Curricular tem como objetivos:
1) Proporcionar aos alunos o conhecimento sobre os princípios fundamentais da acessibilidade e do design inclusivo
2) Permitir a exploração dos principais tipos de deficiências e tecnologias assistivas e estratégias adaptativas
3) Dotar os alunos de competências necessárias para a criação de conteúdos digitais inclusivos e acessíveis em contextos educativos

CP1: Principais tipos de deficiência: visual, auditivo, motor e cognitivo
CP1.1: Necessidades Educativas Especiais
CP2: Design universal: princípios e aplicações na aprendizagem. CP2.1:Práticas de design inclusivas
CP3: Desafios funcionais das tecnologias de apoio
CP4: Acessibilidade aplicada a conteúdos digitais: texto, áudio, imagens complexas, vídeos, gráficos e tabelas
CP4.1: Conversão de documentos, legendagem, descrição de áudio, design de documentos acessíveis.
CP5: Conteúdos digitais acessíveis e inclusivos para a web em contexto educativo: definição de objetivos e medidas de usabilidade, controlo do conteúdo, escrita de componentes acessíveis customizados

Avaliação contínua: projeto (60%) e teste teórico-prático (40%), ou Avaliação final: exame (100%)

Software malicioso é o termo usado para designar qualquer programa que executa atividades maliciosas, e que pode existir em múltiplas formas e variantes: vírus, trojans, worms, spyware, botnet malware, spyware, entre muitos outros. Este software malicioso é responsável por múltiplos ataques na Internet, incluindo ataques a nível nacional (ciberguerra), cibercrime, fraude e burlas. À medida que os interesses políticos e financeiros se tornam mais elevados, a sofisticação e robustez tanto dos mecanismos de defesa cibernética como das tecnologias e modelos de operação do software malicioso também têm evoluído. Pretende-se com esta unidade curricular que os alunos possam entender o conceito de software malicioso, a sua tipologia e operação, assim como adquirirem as competências necessárias para procederem à sua identificação, análise técnica e remediação.

CP1. Introdução ao Software Malicioso: tipologia e técnicas
CP2. Atividades nocivas usando software malicioso
CP3. Análise de software malicioso: técnicas de análise, ambientes de análise, técnicas de evasão e anti-análise
CP4. Deteção de software malicioso: identificação de software malicioso, deteção de ataques de software malicioso
CP5. Resposta a software malicioso: disrupção de atividades maliciosas, identificação de origem e autoria do ataque.

Avaliação Periódica:- Teste individual (40%)- Resolução de laboratórios (20%)- Realização de Projeto em Grupo (40%)Os alunos que reprovarem na avaliação periódica podem tentar realizar a cadeira em exame a realizar na 2ª época.

Nesta UC pretende-se que os alunos desenvolvam as capacidades necessárias para criarem, planearem, executarem, gerirem e avaliarem cenários e exercícios de gestão de crises no ciberespaço.

CP1. Enquadramento das Operações de Informação em Portugal
CP2. Princípios de Construção de Exercícios de Gestão de Crises:
- Operações de Gestão de Crises na UE: Planeamento Militar ao Nível Político e Estratégico (Caso de Estudo CMO UE);
- Exercício de Gestão de Crises da NATO (Caso de Estudo CMX)
- Exercício de Ciberdefesa NATO (Caso de Estudo Cyber Coalition).
CP3. Construção de Cenários para Exercícios de Gestão de Crises
CP4. Introdução ao Exercício de Gestão de Crises no Ciberespaço (Racional, Enquadramento, Apresentação das Ferramentas e Objectivos a atingir).
CP5. Exercício ?Day After in ? Cyberspace?
- Preparação do Exercício e Ferramentas de Apoio
- Execução do Exercício
- 1ª Fase (Tomar Consciência e Mitigar os Efeitos da Crise)
- Discussão da 1ªFase
- 2ª Fase (Planeamento Estratégico de Iniciativas Futuras)
- Discussão da 2ªFase
- Análise e Avaliação do Exercício

O processo de avaliação desta unidade curricular resulta da recolha de dados referentes às intervenções de cada discente, tanto ao nível da sua participação individual como no contexto do trabalho em grupo, durante os períodos de preparação, execução e discussão do Exercício.

Esta UC tem como principal capacitar os alunos para a temática da guerra de informação, permitindo aos alunos adquirir os conhecimentos necessários para perceber a Geopolítica do Ciberespaço assim como a Estratégia Nacional da Informação.

CP1.Da Sociedade de Informação à Conflitualidade da Informação: - Enquadramento da Guerra de Informação/Competitive Intelligence.
CP2. Geopolítica do Ciberespaço e a Estratégia de Informação Nacional
CP3. Guerra Económica e Inteligência Económica.
CP4.Guerra de Informação Estratégica: Ciberterrorismo, Cibercriminalidade e Ciberdefesa. Proteção das Infraestruturas Críticas Nacionais
CP5. Planeamento Operacional e Centros de Gravidade
CP6. Operações Baseadas em Efeitos
CP7. Operações Centradas em Rede: Superioridade de Informação e Operações em Rede. Guerra Centrada em Rede (Network Centric Warfare).
CP8. Guerra Baseada em Informação: Guerra de Comando e Controlo (C2W). Operações de Informação. Operações no Ciberespaço
CP9. Política e Estratégia Nacional da Informação

A avaliação dos alunos é contínua, sendo a classificação final obtida com base em:(a) Participação nas atividades da UC, incluindo as discussões dos textos de trabalho e apresentações (10%);(b) Trabalho individual de reflexão (75%);(c) Trabalho de grupo (15%).

Grande parte dos sistemas digitais dos quais utilizadores e organizações dependem para realizar as mais diversas tarefas são compostos por componentes de hardware e software. É importante considerar a camada de hardware como um dos mais importantes componentes em termos de cibersegurança, e que se encontra exposto a um conjunto de ameaças e de ataques. Esta unidade curricular aborda um conjunto bastante abrangente de tópicos relacionados com a segurança do hardware, desde a identificação dos principais modelos de desenho e implementação de hardware seguro, passando pela identificação das principais ameaças e ataques às quais podem estar expostos, e dando a conhecer aos alunos os principais mecanismos de segurança e de desenho seguro de hardware.

CP1. Introdução à Segurança no hardware
CP2. Ciclo de desenho do hardware e a relação com a cibersegurança: processo de desenho, base de confiança, modelo de ameaças e vulnerabilidades
CP3. Modelos de avaliação da segurança do hardware: FIPS140-2, Common Criteria, EMVCo e SESIP (Security Evaluation Standard for IOT Platforms)
CP4. Plataformas seguras: Hardware Security Module (HSM), Smartcards e Trusted Platform Module (TPM)
CP5. Suporte de hardware para segurança do software ao nível da arquitetura: Trusted Execution Environment (TEE), ARM Trustzone, entre outros
CP6. Desenho de hardware para implementação de algoritmos ao nível da transferência do registo (RTL)
CP7. Ataques laterais, ataques a falhas de hardware e contramedidas
CP8. Geradores de entropia seguros em hardware: números aleatórios, funções fisicamente não-clonáveis (PUF)
CP9. Processo de desenho seguro de hardware

Avaliação Periódica:- Teste individual (40%)- Resolução de laboratórios (20%)- Realização de Projeto em Grupo (40%)Os alunos que reprovarem na avaliação periódica podem tentar realizar a cadeira em exame a realizar na 2ª época.

Esta Unidade Curricular visa desenvolver competências em extração de conhecimento a partir de dados através da aplicação de métodos analíticos de aprendizagem não supervisionada.

CP1: Contextualização e relevância dos métodos de aprendizagem não supervisionada para resolução de problemas a partir de dados
CP2: Abordagens para redução da dimensionalidade dos dados
CP2.1.: Análise de componentes principais
CP2.2.: Análise de componentes independentes
CP2.3.: Decomposição em valores singulares
CP2.4.: Factorização não negativa
CP2.5.: Exemplos e aplicações em contextos organizacionais
CP3: Clustering:
CP3.1.: K-means
CP3.2.: Expectation-maximization
CP3.3.: Clustering hierárquico
CP3.4.: Métodos partitivos
CP3.5.: Mapas self-organizing
CP3.6.: Validação de modelos de clustering e sua qualidade
CP3.7.: Exemplos e aplicações em contextos organizacionais

Os alunos são avaliados a 100% por um projeto, nos seguintes moldes:-> 1ª Época: projeto realizado em grupos de alunos ao longo do semestre e acompanhado com aulas de tutorias (12 horas) (50%). Discussão individual na 1ª época de avaliação (50%).-> 2ª Época e Época especial: projeto individual

Esta Unidade Curricular visa desenvolver competências em aprendizagem automática supervisionada. Assim, os alunos irão ser capazes de extrair de conhecimento a partir de dados de organizações das mais variadas áreas de intervenção. Os alunos tomarão contato com vários problemas para os quais existem dados que os caracterizam, através de projetos apresentados e discutidos nas aulas laboratorais. Os alunos adquirirão conhecimento em metodologias para a proposta de soluções a partir desses dados que envolvam o treino de modelos de regressão e de classificação.

CP1: A caracterização de um problema a partir de dados existentes (de uma ou mais fontes);
CP2: A importância da seleção das variáveis adequadas;
CP3: Introdução à extração de conhecimento a partir de dados (Data Mining) e principais metodologias;
CP4: Tratamento e preparação de dados;
CP5: Problemas de classificação (e.g., sequence labeling) e métricas;
CP6: Problemas de regressão e métricas;
CP7: Regressão linear e logística
CP8: Árvores de decisão
CP9: Naive-Bayes
CP10: Redes neuronais artificiais
CP11: Máquinas de vetores de suporte

Os alunos são avaliados a 100% por um projeto, nos seguintes moldes:-> 1ª Época: projeto realizado em grupos de alunos ao longo do semestre e acompanhado com aulas de tutorias (12 horas) (50%). Discussão individual na 1ª época de avaliação (50%).-> 2ª Época e Época especial: projeto individual

O objetivo geral desta UC é duplo: por um lado, visa fornecer os estudantes com uma visão holística e alargada das tecnologias e sistemas que permitem o desenvolvimento e a manutenção de repositórios de informação, suportados estes por sistemas de informação não relacionais e distribuídos, que lidem com tolerâncias a falhas e grandes volumes de dados. Por outro, o curso introduz o desenvolvimento de aplicações para processar Big Data com eficiência, em particular os ambiente de processamento e análise Spark, com modelo de programação MapReduce e gestão de base de dados não relacional MongoDB. Este conhecimento permite que os alunos consigam resolver os problemas enfrentados pelas empresas e instituições no processamento de grandes columes de dados, hoje e no futuro.

C1 O conceito de Big Data, os problemas aplicáveis e o respetivo ecosistema
C2 Introdução às bases de dados não relacionais e ao MongoDB
C3 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
C4 O modelo de programação MapReduce
C5 O desenho de bases de dados no MongoDB
C6 A manipulação de estruturas JSON e de dados em tempo real
C7 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

UC com Avaliação Periódica, não contemplando Exame Final. Presença obrigatória em 90% de todas as atividades da UC. Pesos da avaliação: - Trabalhos lab individuais, 80% obrigatórios (25%)- Projeto lab (grupo de 2), com discussão oral individual (50%)- 2 mini-testes de resposta múltipla (25%)Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas, valendo 50% da nota, sendo obrigatória a aprovação no Projeto em grupo ou a realização de um projeto individual (50%).

O principal objetivo desta UC é o de dar a conhecer ao aluno o potencial das grandes quantidades de texto atualmente disponíveis e os métodos computacionais que podem ser utilizados para extrair conhecimento a partir desses dados. Os alunos devem ficar a conhecer as tecnologias necessárias ao desenvolvimento de processos de Text Mining mais simples. Pretende-se que os alunos conheçam as tecnologias envolvidas, as suas aplicações imediatas e as suas limitações. Assim, as principais competências e atitudes que identificam os processos cognitivos internos do aluno serão as seguintes: reconhecer as diferentes vertentes científicas envolvidas nos processos de Text Mining; perceber quais são os métodos, algoritmos e resultados de cada uma das tarefas envolvidas; conhecer as aplicações realizáveis com as tecnologias atuais e discutir a evolução futura (previsível) dos tópicos nucleares e sua aplicação específica a tarefas de classificação de texto.

Introdução
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
Representação de documentos
CP4: Preparação e limpeza de documentos
CP5: Extração de propriedades
CP6: Estratégias de pesagem de termos
CP7: Modelos de espaços vectoriais
CP8: Medidas de similaridade
Classificação de Texto
CP9: Introdução à aprendizagem automática estatística
CP10: Medidas de avaliação
CP11: Aprendizagem supervisionada
CP12: Naïve Bayes
CP13: Algoritmo Nearest Neighbor
CP14: Análise de sentimento
CP15: Recursos para Text Mining
Clustering
CP16: algoritmo k-means

Esta UC pode ser feita por avaliação periódica ou por exame. A avaliação periódica consiste em duas componentes: TRABALHO (40%) e MINI-TESTES (3 mini-testes, 20% cada). A nota mímina de cada uma das componentes é 8 valores (em 20). Em caso de reprovação, ou caso o estudante opte por avaliação por exame, o exame corresponde a 100% da nota.

Esta UC tem como objetivo geral introduzir os processos de difusão de informção e de contágio. No final da UC, os alunos devem ser capazes de utilizar e conduzir estes processos no estudo da dinâmica de uma rede. Face ao tipo de conteúdos da UC, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em dinâmica de redes. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

CP1 Passeios aleatórios e pesquisa em redes
CP2 Modelos epidemiológicos
CP3 Epidemias e heterogeneidade da rede
CP4 Surtos epidemiológicos e o grande limite temporal
CP5 Imunização epidemiológica de redes heterogéneas
CP6 Complexidade epidemiológica e previsão
CP7 Temas atuais na modelação e análise de redes epidemiológicas
CP8 Análise das redes sociais
CP9 Influência social
CP10 Rumores e divulgação de informação
CP11 Formação de opinião e modelo de votante
CP12 Tópicos atuais em análise de redes sociais
CP13 Modelação da regulação genética e metabolismo
CP14 O cérebro como uma rede

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (2x35%) + Discussão individual dos trabalhos práticos em Python (2x10%) + 4 minitestes (4x2,5%) ou- Avaliação por Exame (55%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 45% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

Esta UC tem como objetivo geral introduzir na modelação de redes e simulação numérica. No final da UC, os alunos devem ser capazes de utilizar e conduzir estes processos no estudo da dinâmica de uma rede. Face ao tipo de conteúdos da UC, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em dinâmica de redes. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

CP1 Redes e complexidade
CP2 Modelos de rede: aleatoriedade e conjuntos
CP3 A família de grafos aleatórios exponenciais (ERGMs)
CP4 Redes em evolução e a abordagem não-equilíbrio
CP5 Modelação de conjuntos de rede com estatísticas de ordem superior e outros atributos
CP6 Estruturas de modelação e validação
CP7 Dinâmica de rede de micro a macro
CP8 Sistemas de equilíbrio e não-equilíbrio
CP9 A equação mestra
CP10 Modelação baseada em agentes e simulações numéricas
CP11 Introdução às redes temporais
CP12 Resiliência e robustez das redes: danos, percolação e resiliência

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (2x35%) + Discussão individual dos trabalhos práticos em Python (2x10%) + 4 minitestes (4x2,5%) ou- Avaliação por Exame (55%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 45% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

Esta UC tem como objetivo geral introduzir a estruturação em rede de problemas de otimização e a sua resolução. Face ao tipo de conteúdos da UC, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em otimização e em ciência de redes. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

CP1. Tópicos em teoria de grafos; distâncias e diametro de um grafo; circuito de Euler e de Hamilton; árvore de suporte; matrizes de adjacência e de incidência; lema de Farkas para grafos
CP2. Estruturação de problemas de otimização em rede; condições de otimalidade
CP3. Problema da árvore de suporte; algoritmo de Kruskal e de Prim
CP4. Caminho mais curto; algoritmos de Dijkstra, de Dial e de Floyd-Warshal
CP5. Fluxo máximo; algoritmos de Ford-Fulkerson e do caminho de aumento mais curto; fluxos em redes de capacidade única e bipartidas
CP6. Problema do fluxo de custo mínimo; algoritmos do ciclo negativo de Klein e dos sucessivos caminhos mais curtos; método simplex para redes de Dantzig
CP7. Algoritmos primal (Stepping-Stone) e dual em transporte
CP8. Algoritmo húngaro de Kuhn em afetação
CP9. Análise de sensibilidade
CP10. Ordem parcial e total. Escalas ordinal e cardinal. Comparação relativa e absoluta
CP11. Processos de análise hierárquica (AHP) e em rede (ANP)

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (2x35%) + Discussão individual dos trabalhos práticos em Python (2x10%) + 4 minitestes (4x2,5%) ou- Avaliação por Exame (55%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 45% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

Esta UC tem como objetivo geral introduzir na teria da informção. Face ao tipo de conteúdos da UC, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em dinâmica de redes. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

CP1. Introdução à teoria da informação desde a probabilidade até à incerteza
CP2. Medidas de informação (entropia, divergência, informação mútua, informação mútua condicionada)
CP3. Compressão de dados sem perdas
CP4. Teste de hipóteses binárias
CP5. Codificação de canais
CP6. Compressão de dados com perda
CP7. Tópicos em teoria da informação multiutilizador
CP8. Complexidade da rede e teoria da informação
CP9. Estimadores teóricos de informação
CP10. Armazenamento ativo de informação, transferência e modificação
CP11. Temas atuais na teoria da informação: processamento de informação semântica e redes cerebrais

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (2x35%) + Discussão individual dos trabalhos práticos em Python (2x10%) + 4 minitestes (4x2,5%) ou- Avaliação por Exame (55%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 45% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

O objetivo desta unidade curricular é o de fornecer uma visão completa, dos conceitos, problemas, metodologias e práticas de conceber uma ideia e transformá-la num produto ou funcionalidade, na perspetiva do gestor de produto, considerando os requisitos de negócio, as necessidades dos clientes e utilizadores e os obstáculos técnicos. Os gestores de produto costumam ser descritos como embaixadores do utilizador, garantindo que cada decisão de negócio ou consideração técnica resolva um problema do cliente. Os gestores de produto entendem o utilizador, o mercado e suas organizações melhor do que ninguém. Isso permite que eles criem produtos e recursos de sucesso no mundo real. Durante esta UC, os alunos aprenderão como navegar no ciclo de vida de desenvolvimento do produto, desde a avaliação de utilizadores até a criação de um MVP - Produto Mínimo Viável e desenvolvimento de métricas relevantes que permitam a sua gestão.

C1 Empreendedorismo e Gestão de Produto (GP): Ideias de negócio.Captação de valor.Plano de negócio.
C3 O Gestor de Produto: Fundamentos de GP. Descoberta. Equipas.Tela de produto.Mapa de empatia. Personas. Desenvolvimento.
C4 Pensamento Estratégico: Visão do produto e necessidades do utilizador. Estratégia. Concorrência. Roteiro. User stories.Critérios de aceitação. Requisitos.Tela do modelo de negócio.
C5 Definição do Produto: Lean Startup:construir, medir, aprender.Produto Mínimo Viável.Prova de conceito.Avaliação com utilizadores.
C6 Métricas de Produto: Métricas e KPIs. Métricas AARRR Aquisição,Ativação,Retenção, Receita e Recomendação. OKR. Métricas de acompanhamento.
C7 Lançamento do Produto: Plano de lançamento.Conjunto mínimo de funcionalidades, sucesso e requisitos de negócio.Tração dos canais e marketing.
C8 Pós-lançamento do Produto: Ajuste de mercado.Processo de descoberta contínua.Ciclo de vida. Recolha e análise de dados de satisfação.
C9 Gestão das Partes Interessadas

UC em Avaliação Contínua, não contemplando Exame Final. Presença obrigatória do aluno em 90% das atividades. Pesos da avaliação: - 5% Assiduidade e participação nas aulas.- 70% Trabalho de projeto laboratorial em grupo + apresentação final e discussão individual.- 25% 2 mini-testes com resposta múltipla.Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas (30% da nota),sendo obrigatória a aprovação no projeto em grupo ou a aprovação num projeto individual (70%).

O objetivo desta unidade curricular é o de desenvolver nos alunos: o interesse pelo empreendedorismo, a capacidade de reconhecimento e criação de oportunidades de negócio e ainda, o espírito crítico na avaliação das oportunidades de negócios e da sua sustentabilidade tripla: pessoas, planeta e lucro.

C1 Apresentação do Docente.Objetivos da Unidade Curricular.Modelo de Avaliação. Introdução ao Empreendedorismo. Contexto Macro do Empreendedorismo
C2 Metodologias: do Plano de Negócios ao Lean Startup. Eventos Recomendados. O que é uma ideia de negócio? Como é que encontramos ideias de negócio?
C3 Inovação em Produtos Sustentáveis. Identificação das equipas de trabalho
C4 O dilema da inovação com casos de estudo: Framework de inovação,Funil de inovação, Inovação aberta
C5 Apresentação da metodologia da tela de produto (BMC)
C6 Exemplos de negócios e iniciativas de empreendedorismo triplamente sustentáveis
C7 Aprendizagem experimental: teste de uma ideia empreendedora com potencial para ser triplamente sustentável (criar valor económico e/ou social e ambiental) através de MVPs ? Produtos Mínimos Viáveis
C8 Avaliação dos resultados do teste empreendedor
C9 Apresentação duma ideia de negócio. Comunicação em público (a arte do pitching). Stakeholders relevantes. Estrutura da apresentação

UC em Avaliação Contínua, não contemplando Exame Final. Presença obrigatória do aluno em 90% das atividades. Pesos da avaliação: ?5% Assiduidade e participação nas aulas.?70% Trabalho de projeto laboratorial em grupo + apresentação final e discussão individual.?25% 2 mini-testes com resposta múltipla.Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas (30% da nota),sendo obrigatória a aprovação no projeto em grupo ou a aprovação num projeto individual (70%).

Este unidade curricular tem como objetivos capacitar os alunos na utilização de ferramentas de fabricação digital e prototipagem rápida, utilizando equipamento de corte a laser, fresagem de precisão, digitalização e impressão 3D, e diversas ferramentas de electrónica de forma a desenvolver competências em: desenho e produção de dispositivos eletrónicos através do desenvolvimento de placas de circuito impresso utilizando uma variedade de sensores e componentes, programação de microcontroladores, e digitalização e impressão em 3D.

C1: Introdução aos laboratórios de prototipagem digital: tecnologias, procedimentos, princípios, e práticas de segurança
C2: Introdução ao design auxiliado por computador e corte controlado por computador
C3: Técnicas de produção de eletrónica: fabricação de PCBs, materiais de PCB, placa, componentes, montagem
C4: Técnicas de digitalização 3D e impressão 3D
C5: Introdução ao projeto eletrónico e programação embebida (Arduino, Raspberry PI)
C6: Processos de comunicações em redes
C7: Visão geral das aplicações de protótipos digitais e sua programação
C8: Dispositivos de entrada e saída e interface de utilizador
C9: Estratégias de invenção, propriedade intelectual e monetização de criações

UC em Avaliação Contínua, não contemplando Exame Final. Presença obrigatória do aluno em 90% de todas as atividades da UC. Pesos da avaliação: ?5% - Assiduidade e participação nas aulas.?70% - Trabalho de projeto laboratorial em grupo, com entregáveis mais a apresentação final.?25% - 2 mini-testes com resposta múltipla.Em caso de reprovação na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas, valendo 30% da nota. É obrigatória a realização e aprovação no Projeto em grupo.

O objetivo desta unidade curricular é o de promover a compreensão dos processos que estruturam e organizam os sistemas de inovação, em particular a sua dimensão interativa e colaborativa em contextos onde participam uma ampla diversidade de atores. Esta dimensão inclui a abordagem às dinâmicas de produção, difusão e utilização da inovação em sistemas de atores alargados. Além do conceito do sistema de inovação no plano nacional, será abordada a expressão setorial das dinâmicas de inovação e o modo como eles concorrem para a dimensão da competitividade. Articuladamente, será abordado o papel das políticas públicas no fomento da inovação e na estruturação de sistemas nacionais, regionais e setoriais de inovação. Esta abordagem inclui, também, a dimensão de financiamento à inovação, em particular os instrumentos enquadrados na política pública de apoio à inovação e o seu potencial de utilização no contexto de estratégias de empreendedorismo e inovação de produto abordadas no minor.

C1. A interação entre tecnologia e inovação. As tecnologias disruptivas, os mercados e as organizações
C2. Introdução ao conceito de inovação e aos conceitos de sistemas nacionais, regionais e setoriais de inovação. Inovação, competitividade e crescimento. Os desafios societais da inovação.
C3. A inovação como processo complexo de interação e mobilização de competências. O mapa de atores da inovação
C4. Os mecanismos de difusão de inovação
C5. O papel das políticas públicas de inovação
C6. Políticas públicas de apoio à inovação: objetivos e programas
C7. Os instrumentos e tipologia de incentivos das políticas públicas de apoio à inovação
C8. Exemplos de financiamento de políticas e projetos de inovação em diferentes contextos de aplicação
C9. Estratégia de captação de financiamento para projetos de inovação

Avaliação Periódica:- Teste 1 (30%)- Mini-Projetos em Grupo (50%)- Apresentação e Discussão dos Projetos em Grupo (20%)Não é possível obter aprovação apenas através da realização de exame (100% da nota).

Os objectivos do curso são:
(1) familiarizar os alunos com os processos iterativos de design de experiências do utilizador centradas neste último e ainda, com as técnicas de avaliação do design;
(2) permitir escolher e aplicar de forma crítica, métodos de concepção adequados e centrados no utilizador, ao mesmo tempo que considera as restrições impostas pelos ambientes imersivos;
(3) dotar os alunos com as aptidões teóricas e práticas para conceberem iterativamente, prototiparem e avaliarem novas soluções interactivas e experiências de utilizador em Realidade Extendida (Realidade Virtual e/ou Aumentada), no contexto de um projecto de grupo.

CP1 Visão geral do design da experiência do utilizador (UX) e HCI em RV e RA
CP2 Compreender os Utilizadores com Design Thinking I: Entrevistas, Questionários
CP3 Compreender os Utilizadores com Design Think II: Analisar resultados e insights e criar Jobs To Be Done, Personas e Jornadas de Utilizador
CP4 Fundamentos de Design I: Interfaces e UX para VR e AR
CP5 Fundamentos do Design II: Princípios e Padrões de Design
CP6 Esboço I: Técnicas de Esboço e Pensamento Visual
CP7 Esboço II: Storyboarding e Wireframing
CP8 Prototipagem I: Prototipagem de papel
CP9 Prototipagem II: Prototipagem de alta fidelidade em RV e RA
CP10 Testes de Protótipos I: Avaliação da Usabilidade. Testes Heurísticos com peritos. Testes A/B. In the wild testing. Recolha de dados
CP11 Testes de Protótipos II: Análise Estatística de Dados de Testes. Implicações no Design
CP12 Elevator Pitch do protótipo da solução, para investidores e clientes

UC em Avaliação Contínua, não contemplando Exame Final. Presença obrigatória do aluno em 90% das atividades. Pesos da avaliação: ?5% Assiduidade e participação nas aulas.?70% Trabalho de projeto laboratorial em grupo + apresentação final e discussão individual.?25% 2 mini-testes com resposta múltipla.Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas (30% da nota),sendo obrigatória a aprovação no projeto em grupo ou a aprovação num projeto individual (70%).

Esta UC visa:
? Introduzir os conceitos teóricos, modelos e estado da arte da Realidade Aumentada (RA), bem como a exploração da aplicação desta tecnologias em casos concretos, como o marketing, design, engenharia, defesa, entretenimento, saúde ou educação
? Introduzir as tecnologias chave de RA: a recolha de dados do ambiente real e sua interpretação, a visualização de objetos virtuais registados em 3D e a interação pessoa-máquina multimodal), com ilustração com casos reais
? Iniciar o/a estudante nas metodologias de desenvolvimento em RA em ambiente laboratorial, explorando as respetivas capacidades de investigação, análise crítica do estado da arte, pensamento abstrato, e desenvolvimento de soluções inovadoras

C1 Realidade Aumentada, RA: Definição. Modelo. Realidade Mista. Realidade Extendida, RE.Evolução histórica. Aplicações.
C2 Tecnologias chave para RA: Recolha de dados do ambiente real e sua interpretação com técnicas de Visão por Computador, visualização de objetos virtuais registados em 3D, interação pessoa-máquina (Interfaces tangíveis e Interação multimodal)
C3 Laboratório de RA
C4 Tendências atuais e futuras de RA e RE

UC com Avaliação Periódica, não contemplando Exame Final. Presença obrigatória em 90% de todas as atividades da UC. Pesos da avaliação: ?Trabalhos lab individuais, 80% obrigatórios (25%)?Projeto lab (grupo de 2), com discussão oral individual (50%)?2 mini-testes de resposta múltipla (25%) Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas, valendo 50% da nota, sendo obrigatória a aprovação no Projeto em grupo ou a realização de um projeto individual (50%).

Esta UC visa introduzir:
? Os conceitos teóricos, modelos e estado da arte da Realidade Virtual (RV), bem como a exploração da aplicação desta tecnologia em casos concretos, como o marketing, design, engenharia, defesa, entretenimento, saúde ou educação
? As tecnologias chave de RV: canais de entrada e de saída e Computação Gráfica 3D, incluindo Modelação Geométrica 3D, Transformações Geométricas, Visualização 3D, Luz e côr, Iluminação, Sombreamento, Mapeamento de texturas e técnicas avançadas de Computação Gráfica 3D em tempo real (organização espacial, algoritmos de aceleração gráfica, técnicas avançadas de iluminação e sombreamento)
Visa ainda iniciar o/a estudante nas metodologias de desenvolvimento em RV em ambiente laboratorial, explorando as respetivas capacidades de investigação, análise crítica do estado da arte, pensamento abstrato, e desenvolvimento de soluções inovadoras

C1 Realidade Virtual, RV:Definição. Modelo. RV imersiva e não imersiva. Evolução histórica. Aplicações
C2 Tecnologias chave para RV: Canal de saída: projeção, écrãs, esteresocopia, audio 3D e auralização, novos canais (cheiro, gosto). Canal de entrada: seguimento, interfaces multimodais (fala, gesto, movimento, toque e tato), interfaces hápticas e vestibulares
C3 Computação Gráfica 3D fundamental:Definições e conceitos. Modelação Geométrica 3D. Visualização 3D. Câmara virtual. Luz e côr. Iluminação e sombreamento. Sombras. Mapeamento de texturas.
C4: Complementos de Computação Gráfica 3D: Organização espacial (BVH, BSP, Octree). Hierarquia de objetos gráficos. Grafo de cena. Algoritmos de aceleração gráfica. Interseções e colisões. Técnicas Avançadas de iluminação e sombreamento (iluminação global, radiosidade)
C5 Laboratório de RV
C6 Tendências atuais e futuras de RV

UC com Avaliação Periódica, não contemplando Exame Final. Presença obrigatória em 90% de todas as atividades da UC. Pesos da avaliação: ?Trabalhos lab individuais, 80% obrigatórios (25%)?Projeto lab (grupo de 2), com discussão oral individual (50%)?2 mini-testes de resposta múltipla (25%) Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas, valendo 50% da nota, sendo obrigatória a aprovação no Projeto em grupo ou a realização de um projeto individual (50%).

Os objectivos do curso são:
(1) proporcionar aos alunos competências teóricas e práticas nas áreas de modelação 3D, animação, autoria de conteúdos áudio, imagem e vídeo,
(2) permitir a exploração de uma gama de ferramentas de software para esse fim,
(3) dotar os alunos co as competências teóricas e práticas necessária e suficientes para criar conteúdos únicos e portefólio pessoal, para utilização em tempo real, ambientes imersivos (em realidade virtual e aumentada) e em aplicações pré-calculadas.

CP1: Modelação 3D I: Competências fundamentais de modelação 3D, princípios e cadeia de trasnformação
CP2: Modelação 3D II: Pomenor e qualidade do modelo
CP3: Edição de imagem I: Noções básicas de Photoshop e fototexturização
CP4: Modelação 3D III: texturização desenvolvimento da aparência
CP5: Modelação 3D IV: Câmara 3D, iluminação e síntese de imagem
CP6: Animação I: Princípios de animação por computador e animações básicas
CP7: Edição de imagem II: camadas, selecções, ferramentas de ajustes de imagem e exportação
CP8: Edição audiovisual I: Importar conteúdos audiovisuais, cortar e colocar media, explorar efeitos e exportar conteúdo audiovisual

UC em Avaliação Contínua, não contemplando Exame Final. Presença obrigatória do aluno em 90% das atividades. Pesos da avaliação: ?5% Assiduidade e participação nas aulas.?70% Trabalho de projeto laboratorial em grupo + apresentação final e discussão individual.?25% 2 mini-testes com resposta múltipla.Se reprova na época normal (< 10 val) o aluno acede ao exame de 1º ou 2ª épocas (30% da nota),sendo obrigatória a aprovação no projeto em grupo ou a aprovação num projeto individual (70%).