Acreditações
Plano de Estudos para 2024/2025
Unidades curriculares | Créditos | |
---|---|---|
Fundamentos de Análise de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Programação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Matemática Aplicada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Trabalho, Organizações e Tecnologia
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Algoritmia e Estrutura de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Complementos de Matemática Aplicada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Estatística e Probabilidades
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Inteligência Artificial
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Planeamento e Gestão de Projetos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Apresentações em Público com Técnicas Teatrais
2.0 ECTS
|
Competências Transversais | 2.0 |
Introdução ao Design Thinking
2.0 ECTS
|
Competências Transversais | 2.0 |
Trabalho Académico com Inteligência Artificial
2.0 ECTS
|
Competências Transversais | 2.0 |
Aprendizagem Automática Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Bases de Dados e Gestão de Informação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Empreendedorismo e Inovação I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Ferramentas de Análise e Produtividade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Programação Orientada para Objectos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Agentes Autónomos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Aprendizagem Automática Não Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Empreendedorismo e Inovação II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projetos em Ambientes Web e Cloud
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Sistemas de Informação Analíticos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Big Data
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado de Inteligência Artificial I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Text Mining
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Algoritmos Avançados de Procura
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado de Inteligência Artificial II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tecnologia, Economia e Sociedade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Análise de Dados
Após frequência bem sucedida na unidade curricular, os estudantes deverão ser capazes de:
OA1. Conhecer os diferentes formatos de dados.
OA2. Conhecer o ciclo completo dos dados.
OA3. Saber fazer uma analise exploratória de dados usando o R.
OA4. Saber modelar um conjunto de dados.
OA5. Implementar uma solução de analise de dados para um determinado problema.
CP1. Introdução à análise de dados
CP2. Introdução ao R e RStudio
CP3. Conhecimento dos problemas em análise de dados com exemplos
CP4. O ciclo completo da análise de dados
CP5. Dados e formato dos dados
CP6. Preparação dos dados
CP7. Probabilidades; Estatística Descritiva e Análise Exploratória
CP8. Visualização dos dados
CP9. Modelação e diferentes tipos de problemas de aprendizagem automática
CP10. Métodos de avaliação de modelos
CP11. Reporte e publicação dos resultados
A avaliação PERIÓDICA resulta de: exercícios em modalidade online, sem nota mínima, após cada aula (20%); dois testes individuais - um teste intercalar um outro no final do semestre (30%); e um trabalho em grupo (máximo de 3 alunos) em R com elaboração de um relatório e apresentação oral (50%).
São aprovados os alunos que obtenham uma classificação final superior 9.5 valores.
Title: Torgo Luís; Data mining with R. ISBN: 978-1-4398-1018-7
C. O'Neil, R. Schutt. 'Doing Data Science: Straight Talk from the Frontline'. O'Reilly. 2013
Authors:
Reference:
Year:
Title: Wickham, Hadley, and Garrett Grolemund. 2017. R for Data Science. O?Reilly Media.
Wilke, Claus O. 2019. Fundamentals of Data Visualization. O?Reilly Media.
P. Mathur, Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. 2018.
I. Foster, R. Ghani, R. S. Jarmin, F. Kreuter, J. Lane, Big Data and Social Science: A Practical Guide to Methods and Tools, 1st Edition. CRC Press, Chapman & Hall. 2016
T. W. Miller, Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python?. O'Reilly. 2015
M. N. Jones, Big Data in Cognitive Science (Frontiers of Cognitive Psychology), Taylor & Francis, 2016
F. Provost. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly. 2013
L. M. Chen, Z. Su, B. Jiang. Mathematical Problems in Data Science: Theoretical and Practical Method
Aggarwal, C. C. 2015. Data mining: the textbook (Vol. 1). New York: Springer.
Han, J., Pei, J., & Tong, H. 2022. Data mining: concepts and techniques. Morgan Kaufmann.
P. Tattar, T. Ojeda, S. P. Murphy B. Bengfort, A. Dasgupta, Practical Data Science Cookbook, Second Edition. Packt Publishing. 2017.
Authors:
Reference:
Year:
Fundamentos de Programação
No final da UC, o aluno deverá estar apto a:
OA1: Aplicar os conceitos fundamentais de programação
OA2: Criar procedimentos e funções com parâmetros
OA3: Compreender a sintaxe da linguagem de programação Python
OA4: Desenvolver soluções com programação para problemas de complexidades simples
OA5: Explicar, executar e depurar fragmentos de código desenvolvido em Python
OA6: Interpretar os resultados obtidos com a execução de código desenvolvido em Python
OA7: Desenvolver projetos de programação
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. Listas e matrizes
CP8. Manipulação de ficheiros
A UC segue o modelo de avaliação por projeto pelo seu carácter eminentemente prático, não contemplando exame final.
O aluno é avaliado através dos seguintes parâmetros:
A1: Tarefas de programação validadas pelos docentes (10%), com nota mínima de 9,5 valores na média das tarefas
A2: Projeto Individual com discussão teórico-prática (40%), com nota mínima de 8,5 valores
A3: Projeto em Grupo com discussão teórico-prática (50%), com nota mínima de 8,5 valores
Title: Wanda Dann, Stephen Cooper, & Randy Pausch, Learning to Program with Alice!, 2011, ISBN: 978-0132122474
João P. Martins, Programação em Python: Introdução à programação com múltiplos paradigmas, IST Press, 2015, ISBN: 9789898481474
Kenneth Reitz, Tanya Schlusser, The Hitchhiker's Guide to Python: Best Practices for Development, 1st Edition, 2016, ISBN-13: 978-1491933176, https://docs.python-guide.org/
Eric Matthes, Python Crash Course, 2Nd Edition: A Hands-On, Project-Based Introduction To Programming, No Starch Press,US, 2019, ISBN-13 : 978-1593279288
John Zelle, Python Programming: An Introduction to Computer Science, Franklin, Beedle & Associates Inc, 2016, ISBN-13 : 978-1590282755
Ernesto Costa, Programação em Python: Fundamentos e Resolução de Problemas, 2015, ISBN 978-972-722-816-4,
Authors:
Reference:
Year:
Title: David Beazley, Brian Jones, Python Cookbook: Recipes for Mastering Python 3, O'Reilly Media, 2013, ISBN-13 ? : ? 978-1449340377
Authors:
Reference:
Year:
Matemática Aplicada
OA1. Rever o conceito de função e as propriedades. Rever tipos de funções. Rever operações entre funções.
OA2. Conhecer o gráfico de funções elementares e aplicar transformações ao gráfico.
OA3. Calcular limites, resolver indeterminações e interpretar graficamente. Continuidade.
OA4. Calcular derivadas e interpretar resultados em aplicações.
OA5. Determinar aproximações lineares e de ordem superior.
OA6. Aplicar a derivação em funções compostas e inversas.
OA7. Operar com matrizes (e vetores).
OA8. Calcular determinantes e aplicar propriedades.
OA9. Apreender o conceito de transformação linear e a representação matricial.
OA10. Calcular valores e vetores próprios.
CP1. Conceito de função. Funções elementares em R. Tipo de funções. Operações entre funções. Funções logarítmicas e trigonométricas inversas.
CP2. Limite de uma função num ponto. Continuidade num ponto. Retas assíntotas.
CP3. Derivada num ponto e reta tangente. Regras de derivação. Problemas de otimização.
CP4. Derivada da função composta - regra da cadeia. Derivada da função inversa.
CP5. Aproximações linear de Taylor e ordem superior.
CP6. Resolução de sistemas de equações lineares. Matrizes e operações. Inversa de uma matriz. Determinante de matrizes quadradas e propriedades. Transformações lineares.
CP7. Espaço vetorial real. Produto interno. Paralelismo e perpendicularidade.
CP8. Valores e vetores próprios e diagonalização de matrizes.
Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação Periódica: 3 minitestes (MT) realizados em aula com duração aproximada de 30 min (MT1: 5%, MT2: 15%, MT3: 15%) + Teste final realizado na data do primeiro exame (40%) + trabalhos semanais realizados no Moodle (15%) + trabalho/projeto realizado em grupos de 2-3 alunos (10%),
A média dos minitestes 2 e 3 ( (MT2+MT3)/2 ) tem nota mínima de 7.0 valores.
O teste final tem nota mínima de 7.0 valores.
Há a possibilidade de realização de orais.
ou
- Avaliação por Exame (100%).
Title: Stewart, J., Stewart, J. (2013). Cálculo, Vol I, Cengage Learning, (7a Ed.), 2013, null,
Cabral I., Perdigão, C. e Saiago, C., Cabral I., Perdigão, C. e Saiago, C. (2018). Álgebra Linear: Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções, Escolar Editora, 2018, null,
Materiais científico-pedagógicos (slides, notas de desenvolvimento, código e pseudo código, fichas de exercícios e problemas) disponibilizados pela equipa docente
Scientific-pedagogical materials (slides, lectures, code and pseudo code, exercise sheets, problems) provided by the teaching team.
Authors:
Reference:
Year:
Title: Campos Ferreira, J., Campos Ferreira, J. (2018). Introdução à Análise Matemática, Fundação Calouste Gulbenkian, 2018, null,
Goldstein, L., Goldstein, L. (2011). Matemática Aplicada a Economia. Administração e Contabilidade, (12a edição) Editora Bookman, 2011, null,
Strang, G., Strang, G., (2007) Computational Science and Engineering, Wellesley-Cambridge Press., 2007, null,
Authors:
Reference:
Year:
Trabalho, Organizações e Tecnologia
"OA1: Conhecer as principais teorias, conceitos e problemáticas relacionados com o Trabalho, as Organizações e a Tecnologia;
OA2: Compreender os principais processos da transição digital diretamente relacionados com o mundo do trabalho e as suas organizações;
OA3: Analisar as múltiplas implicações sociais, económicas e políticas trazidas pela transição digital;
OA4: Explorar casos, estratégias e métodos de aplicação que permitam compreender os reais impactos da transição digital nas profissões, empresas e organizações."
CP1. O trabalho é hoje diferente do que foi no passado? CP2. Como é que a teoria tem olhado para a tecnologia?
CP3. Que tecnologias para o futuro?
CP4. Que futuro para o trabalho?
CP5. A inteligência artificial é assim tão inteligente?
CP6. Onde começa a precariedade?
CP7. Os trabalhadores das plataformas precisam de contratos de trabalho?
CP8. De quem é a culpa quando a máquina erra?
CP9. As tecnologias digitais alteram a relação entre sindicatos e empresas?
CP10. O teletrabalho torna as pessoas mais felizes?
CP11. Portugal e a transformação digital?
Avaliação periódica:
Realização de uma Aula Invertida. Cada Aula Invertida representa 20% da nota final, com nota mínima de 8 valores. Pergunta e resposta semanal que representa 10% da nota final, com nota mínima de 8 valores. Realização de um trabalho individual, distribuído por 3 momentos de avaliação, com nota mínima de 8 valores em cada um, representando 35% da nota final. Realização de um trabalho de grupo, representando no total 35% (10% a apresentação de grupo e 25% a entrega do trabalho escrito), com nota mínima de 8 valores. A média das avaliações terá de ser igual ou superior a 9,5 valores.
Avaliação por exame (1ª Época em caso de escolha do estudante, 2ª Época e Época Especial): Exame presencial (100% da nota final) "
Title: Autor, David H., "Why Are There Still So Many Jobs? The History and Future of Workplace Automation.", 2015, Journal of Economic Perspectives, 29 (3): 3-30.
Benanav, A, Automation and the Future of Work, 2020, London: Verso
Boreham, P; Thompson, P; Parker, R; Hall, R, New Technology at Work, 2008, Londres: Routledge.
Crawford, C, The Atlas of AI. Power, Politics, and the Planetary Costs of Artificial Intelligence, 2021, Yale University Press.
Edgell, S., Gottfried, H., & Granter, E. (Eds.). (2015). The Sage Handbook of the sociology of work and employment.
Grunwald, A. (2018). Technology Assessment in Practice and Theory. London: Routledge.
Huws, U. (2019) Labour in Contemporary Capitalism, London, Palgrave.
OIT (2020), As plataformas digitais e o futuro do trabalho
Agrawal A, Gans J, Goldfarb A (2018), Prediction Machines, Boston, Massachusetts, Harvard Business Review Press.
Autor D (2022), The labour market impacts of technological change, Working Paper 30074, NBER Working Paper Series.
Authors:
Reference:
Year:
Title: Berg J, Furrer M, Harmon E, Rani U, Silberman M (2020), As plataformas digitais e o futuro do trabalho, Geneva, International Labour Office.
Braun J, Archer M, Reichberg G, Sorondo M (2021), Robotics, AI and Humanity, Cham, Springer.
Degryse, Cristophe (2016), Digitalisation of the Economy and its Impact on Labour Markets, WP 2016.2, ETUI
ILO (2018), The economics of artificial intelligence: Implications for the future of work, Geneva, International Labour Office.
ILO (2019) Work for a Brighter Future – Global Commission on the Future of Work. Report. Geneva, International Labour Office.
Lane M, Saint-Martin A (2021), The impact of Artificial Intelligence on the labour market: What do we know so far?, OECD.
OECD (2019b), How’s Life in the Digital Age?, OECD Publishing, Paris.
Valenduc, Gérard & Vendramin, Patricia (2019), The mirage of the end of work, FB 6/2019, ETUI
WEF (2023), Future of Jobs Report 2023, Geneva, World Economic Forum.
Zuboff S (2019), The Age of Surveillance Capitalism, PublicAffairs.
Authors:
Reference:
Year:
Algoritmia e Estrutura de Dados
No final da UC os alunos deverão ser capazes de:
OA1: Criar e manipular estruturas de dados
OA2: Aplicar os algoritmos de ordenação e de pesquisa mais apropriados para um determinado problema
OA3: Analisar a complexidade e o desempenho de um algoritmo
OA4. Identificar, implementar e analisar as estruturas de dados e os algoritmos mais adequados a um determinado problema
CP1. A estrutura de dados Union-Find
CP2. Análise de algoritmos
CP3: Estruturas de dados: pilhas, filas, listas, sacos
CP4: Ordenação elementar: selectionsort, insertionsort, shellsort
CP5: Ordenação avançada: mergesort, quicksort, heapsort
CP6. Complexidade dos problemas de ordenação
CP7: Filas com prioridade
CP8. Tabelas de símbolos elementares
CP9. Árvores de pesquisa binária
CP10. Árvores de pesquisa equilibradas
CP11. Tabelas de dispersão
Época 1: Avaliação Periódica ou Exame Final
Avaliação Periódica:
-2 Testes (90%), com componente teórica e prática. Média final mínima de 9,5, distribuído da seguinte forma: (45%) Teste 1 com nota mínima 7,5 e (45%) Teste 2 com nota mínima 7,5
-(10%) Tarefas de aplicação e demonstração de conhecimentos
Avaliação por Exame:
- (100%) Exame Final com componente teórica e prática
Os estudantes têm acesso à avaliação por Exame na Época 1 se a escolherem no início do semestre ou se reprovarem na Avaliação Periódica.
Época 2: Exame Final
- (100%) Exame Final com componente teórica e prática
Época Especial: Exame Final
- (100%) Exame Final com componente teórica e prática
Title: Para as licenciaturas Python: Python - Algoritmia e Programação Web, FCA,
Para as licenciaturas Java: Estruturas de Dados e Algoritmos em Java, FCA
Introduction to Algorithms, 3rd edition, MIT Press,
Algorithms, 4th edition, Addison-Wesley, 2012
Authors:
Reference:
Year:
Complementos de Matemática Aplicada
OA1 Dominar os conceitos de sucessão e de série numérica
OA2 Calcular limites de sucessões e, relativamente a uma série, averiguar a existência de soma
OA3 Entender a generalização do conceito de série a séries de funções e obter o domínio de convergência
OA4 Compreender a definição de integral como limite de somas de Riemann
OA5 Calcular primitivas e aplicar ao cálculo de integrais
OA6 Aplicar integrais no cálculo de áreas, de comprimentos e de valores médios
OA7 Resolver equações diferenciais ordinárias (EDOs) lineares de 1ª ordem por separação de variáveis
OA8 Calcular derivadas parciais e segundo qualquer vetor não-nulo
OA9 Interpretar o vetor gradiente como direcção de máximo crescimento da função
OA10 Decidir sobre a existência de plano tangente
OA11 Obter o desenvolvimento de Taylor de 1ª ordem e, explorar numericamente em ordem superior
OA12 Determinar extremos livres e condicionados (otimização)
OA13 Articular as várias abordagens dos conteúdos, gráfica, numérica e algébrica
CP1 Sucessões. Monotonia. Majorantes e minorantes. Progressão geométrica.
CP2 Sucessões enquadradas. Convergência.
CP3 Séries numéricas, somas parciais e soma.
CP4 Critérios de convergência de séries de termos não-negativos.
CP5 Convergências simples e absoluta de séries alternadas. Critério de Leibniz.
CP6 Séries de potências e domínio de convergência.
CP7 Integral definido à Riemann. Teorema fundamental do cálculo e primitivas.
CP8 Integração por partes e mudança de variável. Decomposição em frações simples.
CP9 Aplicações do integral (área, comprimento, valor médio).
CP10 Integrais impróprios e convergência.
CP11 EDO de 1ª ordem linear.
CP12 Funções reais multivariável. Curvas de nível. Limites e continuidade.
CP13 Derivadas parciais num ponto e vetor gradiente. Aproximação linear, plano tangente e diferenciabilidade.
CP14 Derivada direcional. Regra da cadeia. Polinómios e série de Taylor.
CP15 Formas quadráticas em problemas de otimização.
Aprovação com classificação >= 10 valores numa das modalidades seguintes:
- Avaliação periódica: Teste 1 (20%) + Teste 2 (20%) + trabalho prático em Python (10%) + trabalho autónomo (10%) + Teste Final (40%). A média dos testes 1 e 2, assim como a nota do teste final têm uma nota mínima de 7 valores (escala 1-20). Em caso de disparidade nas notas dos testes e teste final, há possibilidade de realização de orais.
- Avaliação por Exame (100%), em qualquer uma das épocas.
Title: [1] Stewart, J. (2013). Cálculo, Vol I, Cengage Learning, (7ª Ed.)
[2] Campos Ferreira, J. (2018). Introdução à Análise Matemática, Fundação Calouste Gulbenkian
[3] Lipsman, R.L., Rosenberg, J.M. (2018) Multivariable Calculus with MATLAB, Springer
[4] Hanselman, D., Littlefield, B. and MathWorks Inc. (1997) The Student Edition of MATLAB, 5th Version, Prentice-Hall
Authors:
Reference:
Year:
Estatística e Probabilidades
OA1- Conhecer e utilizar os principais conceitos utilizados estatística descritiva, escolhendo adequadamente as medidas e as representações gráficas para descrever os dados
OA2- Aplicar os conceitos básicos da teoria das probabilidades, nomeadamente calcular probabilidades condicionais, e analisar a independência de acontecimentos
OA3- Trabalhar com variáveis aleatórias discretas e contínuas
OA4-Trabalhar e perceber as distribuições de Bernoulli, binomial, Poisson, Normal, assim como as distribuições do Chi-Quadrado, t de Student e F de Snedecor
OA5- Saber estimar parâmetros pontualmente e saber distinguir entre estimadores e parâmetros
OA6 - Construir e interpretar intervalos de confiança para os estimadores de parâmetros
OA7 - Entender os princípios dos testes de hipóteses
OA8- Saber utilizar alguns softwares (tais como, Python ou R)
Conteúdos programáticos (CP):
CP1 - Noções de Estatística Descritiva: Tipos de variáveis. Tabelas de frequências e representações gráficas. Medidas de tendência central, de dispersão, de assimetria e de curtose.
CP2 - Conceitos da teoria das probabilidades: definições, axiomas, teorema da probabilidade total e fórmula de Bayes
CP3 - Variáveis aleatórias univariadas e bivariadas: funções massa e densidade de probabilidade, função distribuição, função probabilidade conjunta, valor esperado, variância, desvio padrão, covariância, correlação
CP4 - Distribuições discretas e contínuas: Uniforme discreta e contínua, Bernoulli, binomial, Poisson, Normal, Chi-Quadrado, t-Student and F-Snedecor
CP5 - Amostragem: noções básicas. Distribuições amostrais mais utilizadas
CP6 - Estimação pontual e por intervalos
CP7 - Testes de hipóteses: tipo de erros, nível de significância e p-values.
Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação Periódica: 2 minitestes (MT) realizados em aula (15% cada) + Teste final realizado na data do primeiro exame (40%) + trabalho autónomo (10%) + projeto realizado em grupo (20%),
A média dos minitestes ( (MT1+MT2)/2 ) tem nota mínima de 7.0 valores.
O teste final tem nota mínima de 7.0 valores.
ou
- Avaliação por Exame (100%).
Title: E. Reis, P. Melo, R. Andrade & T. Calapez, Estatística Aplicada (Vol. 1) - 6ª ed, 2015, Reis, E., P. Melo, R. Andrade & T. Calapez (2015) Estatística Aplicada (Vol. 1), 6ª ed., Lisboa: Sílabo. ISBN: 978-989-561-186-7, ·
Reis, E., P. Melo, R. Andrade & T. Calapez (2016) Estatística Aplicada (Vol. 2), 5ª ed., Lisboa: Sílabo. ISBN: 978-972-618-986-2
Afonso, A. & Nunes, C. (2019). Probabilidades e Estatística. Aplicações e Soluções em SPSS. Versão revista e aumentada. Universidade de Évora. ISBN: 978-972-778-123-2
Ferreira, P.M., Estatística e Probabilidade (Licenciatura em Matemática), 2012, Ferreira, P. M. (2012). Estatística e Probabilidade (Licenciatura em Matemática). Instituto Federal de Educação, Ciência e Tecnologia do Ceará – IFCE III, Universidade Aberta do Brasil – UAB.IV. ISBN: 978-85-63953-99-5,
Farias, A. (2010). Probabilidade e Estatística. (V. único). Fundação CECIERJ. ISBN: 978-85-7648-500-1
Authors:
Reference:
Year:
Title: Haslwanter, T. (2016). An Introduction to Statistics with Python: With Applications in the Life Sciences. Springer. ISBN: 978-3-319-28316-6
Authors:
Reference:
Year:
Inteligência Artificial
Após a conclusão da UC, os alunos devem:
OA1: Reconhecer as vantagens e desafios da utilização de técnicas e abordagens de IA, demonstrando consciência crítica sobre métodos de procura informados e não informados.
OA2: Selecionar e justificar as abordagens tecnológicas e algoritmos mais apropriados, incluindo métodos de procura, representação e lógicas de raciocínio.
OA3: Aplicar os conceitos e técnicas abordadas na conceção e desenvolvimento de sistemas baseados em IA, bem como na modelação de exemplos baseados em cenários reais.
OA4: Desenvolver, implementar e avaliar soluções que envolvam a lógica de predicados e a programação em lógica.
OA5: Compreender os fundamentos dos algoritmos genéticos, sendo capazes de implementá-los e adaptá-los para resolver problemas específicos.
OA6: Trabalhar de forma autónoma e em grupo para desenvolver projetos que aplicam os conhecimentos adquiridos, mostrando capacidade de adaptação e resolução de problemas complexos na área de IA.
P1: Noções fundamentais de IA com destaque para a abordagem baseada em procura.
P2: Algoritmos de procura: profundidade primeiro e largura primeiro, A*, greedy BFS, Dijkstra.
P3: Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em conhecimento.
P4: Lógica de predicados de primeira ordem: representação e dedução.
P5: Conhecimento declarativo representado em Programação em Lógica.
P6: Algoritmos genéticos.
A avaliação períodica ao longo do semestre é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 4 mini-tarefas [7,5% cada mini-tarefa * 4 = 30%]
- BA2: 2 mini-testes [20% cada mini-teste * 2 = 40%]
- BA3: 1 projeto em Inteligência Artificial [30%]
Avaliação por exame:
- 1ª Época [100%]
- 2ª Época [100%]
Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual.
A avaliação por exame consiste num exame escrito que abrange todos os conhecimentos previstos nos conteúdos programáticos da UC, e possui uma ponderação de 100%.
A presença nas aulas não é obrigatória.
Title: Bishara, M. H. A., & Bishara, M. H. A. (2019). Search algorithms types: Breadth and depth first search algorithm
Brachman, R., & Levesque, H. (2004). Knowledge representation and reasoning. Morgan Kaufmann
Clocksin, W. F., & Mellish, C. S. (2003). Programming in Prolog. Springer Berlin Heidelberg.
Russell, S. & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Prentice Hall.
S., V. C. S., & S., A. H. (2014). Artificial intelligence and machine learning (1.a ed.). PHI Learning.
Authors:
Reference:
Year:
Planeamento e Gestão de Projetos
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.
Title: Lester A. / 7th edition, Elsevier Science & Technology., Project Management Planning and Control, 2017, ·, ·
Tugrul U. Daim, Melinda Pizarro, e outros / Spinger, Planning and Roadmapping Technological Innovations: Cases and Tools (Innovation, Technology, and Knowledge Management), 2014, ·, ·
Authors:
Reference:
Year:
Apresentações em Público com Técnicas Teatrais
Objetivos de Aprendizagem:
OA1. Desenvolver competências de comunicação oral
OA2. Melhorar a expressão corporal
OA3. Dominar a arte da utilização do aprelho vocal
OA4. Aprender técnicas de performance
Compatibilidade com o Método de Ensino:
O curso combina teoria e prática, proporcionando aos estudantes uma experiência imersiva no mundo das apresentações em público com técnicas teatrais. O método de ensino é interativo e participativo, incentivando os alunos a colocarem em prática os conceitos aprendidos através de exercícios individuais e em grupo.
Os conhecimentos adquiridos envolvem quer a teoria teatral, quer as técnicas específicas de comunicação oral. Os estudantes aprenderão sobre os fundamentos da expressão vocal, interpretação de personagens e improvisação, adaptando esses conhecimentos ao contexto das apresentações em público.
CP1 - Preparação para a apresentação (3 horas)
CP2 - Comunicação não verbal (3 horas)
CP3 - Introdução à utilização do aparelho vocal (3 horas)
CP4 - Introdução ao termo Performance (3 horas)
Modalidade de avaliação contínua:
Apresentações Práticas (50%): Os estudantes serão avaliados com base nas suas apresentações em público durante o curso. Serão considerados critérios como: clareza de comunicação, expressão vocal e corporal, uso de técnicas teatrais e performance. As apresentações poderão ser individuais ou em grupo, dependendo das atividades propostas.
Exercícios e Tarefas Escritas (50%): Além das apresentações práticas, os estudantes irão ser solicitados a realizar exercícios e tarefas escritas relacionadas com os conteúdos abordados. Estes podem incluir: reflexões sobre técnicas aprendidas, análise de casos de estudo, respostas a perguntas teóricas ou, até mesmo, a criação de roteiros de apresentação. Estas atividades ajudarão a avaliar a compreensão concetual dos conteúdos lecionados.
Para poder concluir a unidade curricular na modalidade de avaliação contínua o estudante tem de estar presente em 75% das aulas.
Embora não seja recomendado, os alunos poderão optar pela avaliação final através de um trabalho escrito e de uma apresentação presencial (100%).
Title: -
Authors:
Reference:
Year:
Title: -
-
Authors:
Reference:
Year:
Introdução ao Design Thinking
OA1. Adquirir conhecimentos sobre os fundamentos e etapas do processo de Design Thinking
OA2. Desenvolver competências como pensamento crítico, colaboração, empatia e criatividade.
OA3. Aplicar o Design Thinking na resolução de problemas em diversas áreas, promovendo a inovação e a melhoria contínua.
CP1. Introdução ao Design Thinking e Etapa 1: Empatia (3h)
CP2. Etapas 2 e 3: Definição do problema e Ideação (3h)
CP3. Etapa 4: Prototipagem (3h)
CP4. Etapa 5: Teste e aplicação do Design Thinking em diferentes áreas (3h)
Modalidade de avaliação contínua
Participação em aula (20%): avalia a presença, envolvimento e contribuição dos estudantes nas discussões e atividades em sala de aula.
Trabalho individual (40%): os estudantes irão desenvolver um projeto individual aplicando o Design Thinking para resolver um problema específico. Serão avaliados quanto à aplicação das etapas do Design Thinking, qualidade das soluções propostas e criatividade.
Trabalho em grupo (40%): os estudantes formarão grupos para desenvolver um projeto conjunto, aplicando o Design Thinking na resolução de um desafio real. A avaliação será baseada na aplicação das etapas do Design Thinking, qualidade das soluções e colaboração entre os membros do grupo.
Para poder concluir a unidade curricular na modalidade de avaliação contínua o estudante tem de estar presente em 75% das aulas.
Ainda que não seja recomendado, os/as estudantes podem optar pela avaliação final através de um trabalho escrito individual e discussão oral (100%).
Title: -
-
-
-
Authors:
Reference:
Year:
Title: -
-
-
-
Authors:
Reference:
Year:
Trabalho Académico com Inteligência Artificial
"OA1. Conhecimento sobre a estrutura, linguagem e procedimentos éticos e normativos para elaboração de textos académicos.
OA2.Competências de utilização de algoritmos generativos para assistência à elaboração de trabalhos académicos.
OA3. Competências de análise e escrutínio da independência, pertinência e fiabilidade dos dados gerados por IA.
OA4. Competências gerais de reconhecimento das implicações éticas e cívicas subjacentes ao acesso, partilha e utilização de ferramentas de IA em contexto académico."
"CP1. Introdução: escrita académica e algoritmos generativos (3h)
CP2. Procedimentos de planeamento e construção de textos argumentativos com auxílio de IA (3h)
CP3. Análise crítica de textos produzidos: identificação e referenciação de fontes de dados e análise da sua relevância face aos objetivos dos trabalho académico (3h)
CP4. Oportunidades e riscos de utilização de IA: guia de boas práticas para acesso, partilha e utilização de ferramentas de IA em contexto académico (3h)"
"Modalidade de avaliação contínua:
Participação em aula: avalia a presença, envolvimento e contributo individual dos estudantes nas discussões e atividades em sala de aula (20%).
Trabalho em grupo: os estudantes terão que formar grupos para rever e editar os textos académicos entre os mesmos, utilizando os algoritmos generativos. A avaliação será baseada na qualidade das revisões, edições e feedbacks fornecidos (40%)
Relatório individual: com uma reflexão aprofundada sobre as questões cívicas e éticas colocadas na utilização de ferramentas de IA como auxílio de escrita académica (40%).
Existe nota mínima de 7 valores para todas as componentes de avaliação.
Para poder concluir a unidade curricular na modalidade de avaliação contínua o estudante tem de estar presente em 75% das aulas.
Ainda que não seja recomendado, os/as estudantes podem optar pela avaliação final através de um trabalho escrito e discussão oral (100%). "
Além das apresentações práticas, os estudantes irão ser solicitados a realizar exercícios e tarefas escritas relacionadas com os conteúdos abordados. Estes podem incluir: reflexões sobre técnicas aprendidas, análise de casos de estudo, respostas a perguntas teóricas ou, até mesmo, a criação de roteiros de apresentação. Estas atividades ajudarão a avaliar a compreensão concetual dos conteúdos lecionados.
Title: -
-
-
-
Authors:
Reference:
Year:
Title: -
Authors:
Reference:
Year:
Aprendizagem Automática Supervisionada
OA1. Conhecer a história da aprendizagem automática; conhecer e compreender os diferentes tipos de aprendizagem automática: conceitos, fundamentos e aplicações
OA2. Conhecer os conceitos que permitem realizar uma Análise Exploratória de Dados (EDA), como também compreender a importância na resolução de problemas e na tomada de decisão
OA3. Aprender mecanismos de Data Wrangling - preparação de dados para serem alvo de input para um algoritmo supervisionado
OA4. Conhecer a utilização de variáveis contínuas e categóricas; distinguir classificação e regressão
OA5. Conhecer e analisar os resultados através da aplicação de métricas de avaliação de desempenho
OA6. Compreender os algoritmos supervisionados: árvores de decisão, regressão linear e logística, SVMs, Naive-Bayes e k-NN
OA7. Compreender algoritmos de ensemble: bagging e boosting
OA8. Conhecer e compreender o funcionamento das Redes Neuronais Artificiais (RNA)
OA9. Conhecer e compreender a otimização de hiperparâmetros
CP1. Introdução à Aprendizagem Automática: A história, fundamentos e conceitos base
CP2. Análise Exploratória de Dados (EDA): Data Wrangling e Data Visualization
CP3. Classificação e Regressão; Variáveis contínuas e categóricas / discretas; métricas de avaliação de performance
CP4. Aprendizagem supervisionada: SVM, Árvores de Decisão, Regressões Linear e Logística, Naive-Bayes e k-NN.
CP5. Bagging e Boosting em algoritmos supervisionados
CP6. Redes Neuronais Artificiais
CP7. Otimização de hiperparâmetros
Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação a 100% por projeto, pelo que esta UC não contempla exame final. A avaliação é realizada ao longo do semestre e é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 1ª tutoria + 1º mini-teste [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%]
- BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%]
- BA3: 1 projeto final [40%]
As tutorias consistem em discussões orais individuais que permite avaliar o desempenho dos alunos nos projetos propostos para a realização da tutoria.
Os mini-testes permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados também em tutoria.
O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre, onde poderá haver participação de organizações externas / empresas no desafio proposto.
A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.
A presença nas aulas não é obrigatória.
Title: Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss Intelligence and Analytics: Systems for Decision Support. Prentice Hall.
VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.
Authors:
Reference:
Year:
Title: Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O'Reilly.
Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc.
Avila, J. (2017). Scikit-Learn Cookbook - Second Edition. Birmingham: Packt Publishing.
Mueller, J. P. (2019). Python for Data Science for Dummies, 2nd Edition (2.a ed.). John Wiley & Sons.
McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3.a ed.). O’Reilly Media.
Authors:
Reference:
Year:
Bases de Dados e Gestão de Informação
OA1 Conheçer os princípios básicos dos Sistemas de Informação e do seu papel nas organizações
OA2 Conheçer os conceitos fundamentais da Análise de Sistemas de Informação e saber desenvolver modelos semânticos (conceptuais) relativos a sistemas descritos em texto, através de aplicação prática da linguagem UML e compreender a sua conversão em modelos de Bases de Dados Relacionais (BD-Rs)
OA3 Saber desenhar o Modelo Relacional de uma BD-R
OA4 Conheçer as formas normais e compreender a normalização duma BD-R existente com base em argumentos de desempenho
OA5 Saber criar e alterar a estrutura física duma BD-R por recurso à sintaxe da linguagem SQL
OA6 Saber utilizar as ferramentas de administração de um Sistemas de Gestão de Base de Dados
OA7 Desenvolver a autoaprendizagem, revisão por pares, trabalho em equipa, expressão oral e escrita
CP1 Introdução aos Sistemas de Informação e ao seu papel nas organizações
CP2 Introdução à Análise de Sistemas de Informação com linguagem UML: Introdução, análise de requisitos, modelos de dados, esquemas e diagramas UML
CP3 Desenho de Base de Dados. Modelo Relacional: relações, atributos, chaves primárias, chaves estrangeiras, regras de integridade, optimizações e índices
CP4 Normalização. Redundância e inconsistência de dados. Formas normais
CP5 Linguagem SQL ? Variáveis de tabelas, operadores de conjuntos, querys simples, subqueries, operadores (SELECT, Insert, delete, update), views, índices, triggers, stored procedures e transações
CP6 Introdução à administração de Sistemas de Gestão de Bases de Dados (SGBD)
Avaliação Períodica:
- 1 frequência a realizar a meio do semestre (30%)
- 1 frequência a realizar em 1ª Época (30%)
- 1 projecto de modelação e implementação (40%)
Ambas as frequências têm a nota mínima de 8 valores e a realização do projeto é obrigatória para efeitos de aprovação.
Avaliação por exame:
-1 Prova escrita com ponderação de 100%
A nota mínima de aprovação à unidade curricular é de 10 valores.
Title: Ramos, P, Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos, Editora Sílabo, 2ª Edição, 2007
Elmasri Ramez, Navathe Shamkant, "Fundamentals Of Database Systems", 7th Edition, Pearson, 2016
Damas, L., SQL - Structured Query Language, FCA Editora de Informática, 3ª Edição,2017
Authors:
Reference:
Year:
Title: Nunes, O´Neill, Fundamentos de UML, FCA Editora de Informática, 3ª Edição, 2004
C. J. Date, "SQL and Relational Theory: How to Write Accurate SQL Code", 3rd Edition, O'Reilly Media, 2011
Authors:
Reference:
Year:
Empreendedorismo e Inovação I
No final da UC, o aluno deverá estar apto a: OA.1. Perceber o que é o empreendedorismo; OA.2. Conceber ideias inovadoras, usando técnicas de ideação e de ?design thinking?;OA.3. Elaborar propostas de valor, modelos de negócio e planos de negócio;OA.4. Promover a empresa, produtos e serviços; OA.5. Desenvolver, testar e demonstar a funcionalidade de produtos, processos e serviços de base tecnológica; OA.6. Analisar a escalabilidade do negócio; OA.7. Preparar planos de internacionalização e de comercialização; OA.8. Procurar e analisar as fontes de financiamento
I. Introdução ao Empreendedorismo;
II. Técnicas de geração e discussão de ideias;
III. Criação de Propostas de Valor;
IV. Comunicação de ideias de negócio;
V. Desenho de Modelos de Negócio;
VI. Elaboração de Planos de Negócio;
VII. Teste e avaliação de protótipos de produtos, processos e serviços;
VIII. Análise de escalabilidade;
IX. Internacionalização e comercialização;
X. Fontes de financiamento
Avaliação periódica:- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação: 30%; relatório final: 40%; As apresentações, demonstrações e defesa são em grupo.
Title: A. Osterwalder, Y. Pigneur / John Wiley & Sons, Value Proposition Design: How to Create Products and Services Customers Want, 2014, ·, ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers., 2010, ·, ·
P. Burns / Palgrave Macmillan, Entrepreneurship and Small Business, 2016, ·, ·
S. Mariotti, C. Glackin / Global Edition. Pearson; Dorf. R., Byers, T. Nelson, A. (2014). Technology Ventures: From Idea to Enterprise. McGraw-Hill Education, Entrepreneurship: Starting and Operating A Small Business, 2015, ·, ·
Authors:
Reference:
Year:
Ferramentas de Análise e Produtividade
Com esta unidade curricular o aluno deverá ficar apto a:
OA1: Descrever as variáveis e as fórmulas necessárias para construir um modelo de cálculo;
OA2: Utilizar funcionalidades básicas de uma folha de cálculo;
OA3: Utilizar funções para construção de modelos em folha de cálculo;
OA4: Construir modelos avançados aplicados à gestão em folha de cálculo;
OA5: Automatizar procedimentos com a utilização de VBA.
CP1: Introdução às folhas de cálculo
CP2: Construção de modelos de cálculo
CP3: Extração de Informação
CP4: Introdução ao Visual Basic for Applications
Avaliação Periódica:
- Trabalho de grupo (50%) - Projeto realizado em grupo.
- Teste individual (50%) - Teste escrito, previsto para ser presencial, através da plataforma de elearning. Este teste terá a nota mínima de 8 valores (em 20).
Exame Final:
Exame escrito individual, sem consulta, e que engloba toda a matéria. Realiza exame final quem não tenha feito ambas as avaliações previstas, ou não tenha obtido uma média superior ou igual a 10 (em 20), no conjunto das duas avaliações.
Title: Winston, Wayne L. (2019). Microsoft Excel 2019: Data Analysis and Business Modeling, 6th Edition, Pearson Education, USA., ISBN 978-150-930-588-9.
Martins, António (2017). Excel Aplicado à Gestão, 4ª Edição, Edições Sílabo, Lisboa, ISBN 978-972-618-876-6.
Dias Curto, José, & Vieira, Duarte, Excel para Economia e Gestão, 2023, 5ª Ed., Edições Sílabo, Lisboa, ISBN 978-989-561-290-1.,
Lomonaco, Leonardo, A Comprehensive Guide to Become an Expert on Excel 2023 With All-in-One Approach, 2023, 1st. Ed., Leonardo Lomonaco, Author edition, ISBN 979-821-534-773-7.,
Authors:
Reference:
Year:
Title: Barlow, John F. (2005). Excel Models for Business and Operations Management, 2nd Edition, John Wiley & Sons, USA, ISBN 978-047-001-509-4.
Authors:
Reference:
Year:
Programação Orientada para Objectos
OA1 Estruturar o pensamento lógico dos alunos com vista à resolução de problemas de programação.
OA2 Capacitar os estudantes com a capacidade de perceção do paradigma de programação orientada a objetos.
OA3 Usar uma linguagem de programação orientada para objetos e as ferramentas necessárias, para desenhar, desenvolver, testar e depurar pequenas aplicações.
OA4. Entender e aplicar os conceitos de abstração, encapsulamento, herança e polimorfismo.
OA5 Saber utilizar as estruturas de dados fundamentais de uma biblioteca (pilhas, filas, árvores, tabelas de dispersão).
OA6. Aplicar mecanismos de controlo de erros.
OA7 Explicar a utilidade da utilização de padrões de desenho de software e demonstrar a sua utilização em casos simples.
OA8 Desenvolver a criatividade, inovação tecnológica e pensamento crítico.
OA9 Desenvolver a autoaprendizagem, revisão por pares, trabalho em equipa, expressão oral.
C1 Classes e Objetos
C2 Herança e polimorfismo
C3 Classes abstratas
C4 Interfaces e comparadores
C5 Coleções: listas, conjuntos, mapas
C6 Classes anónimas e lambdas
C7 Leitura e escrita de ficheiros
C8 Exceções e tratamento de erros
C9 Genericidade e padrões de desenho
C10 Testes JUnit e Documentação
UC com Avaliação Periódica, sem Exame Final:
• 8 Trabalhos práticos individuais (10%), nota min de 9,5 valores;
• Projeto em grupo, com discussão oral (45%), nota min de 9,5 valores;
• 2 Mini-testes (45%), nota min de 9,5 valores.
Se reprova na 1ª época (< 10 val), acede à repetição do 1º e/ou 2º mini-testes (pode também repetir se tiver menos que a nota mínima nalgum deles ou nos dois) - 55% da nota, sendo obrigatória a aprovação no Projeto ou a realização de um projeto individual - 45%.
Title: F. Mário Martins, "Java 8 POO + Construções Funcionais", FCA - Editora de Informática, 2017. ISBN: 978-972-722-838-6
Y. Daniel Liang, "Introduction to Java Programming: Comprehensive Version" 10th Ed. Prentice-Hall / Pearson, 2015.
Recursos Java http://java.sun.com
Authors:
Reference:
Year:
Title: Ken Arnold, James Gosling e David Holmes, "The JavaTM Programming Language", 3ª edição, Addison-Wesley, 2000.
ISBN: 0-201-70433-1
Bruce Eckel, "Thinking in Java", 3ª edição, Prentice Hall, 2002. ISBN: 0-13-100287-2
Gamma, Helm, Johnson & Vlissides (1994). Design Patterns. Addison-Wesley. ISBN 0-201-63361-2.
Authors:
Reference:
Year:
Agentes Autónomos
Pretende introduzir-se os conceitos e conhecimentos práticos fundamentais à utilização e ao desenvolvimento de agentes de software. Após a conclusão da UC, os alunos devem:
(OA1) Ter consciência das vantagens e desafios da utilização e desenvolvimento de agentes imersos numa sociedade de atores humanos e de outros agentes artificiais;
(OA2) Saber identificar os requisitos relativamente aos agentes a desenvolver, em termos dos papéis de agente (agente roles) e de comunicação;
(OA3) Escolher e implementar as abordagens mais adequadas ao controlo autónomo do comportamento;
(OA4) Dominar a linguagem de comunicação de agentes e a linguagem de conteúdo usada nessa comunicação.
(OA5) Conhecer mecanismos necessários à coordenação de agentes em sociedade, tendo em vista os objetivos dos utilizadores;
(OA6) Identificar necessidades que possam ser satisfeitas através da utilização de agentes de software e analisar criticamente os benefícios e desvantagens esperados no uso desta tecnologia.
(P1) Programação orientada a agentes. Simulação baseada em agentes versus sistemas multiagente. Ferramentas para desenvolvimento de sistemas multiagente e para simulação baseada em agentes.
(P2) Agentes e ambientes. Tipos básicos de agentes: dedutivos; reativos; deliberativos; emocionais, adaptativos. Agentes com aprendizagem por reforço; agentes com prospeção incremental de dados; agentes híbridos.
(P3) Sistemas multiagente. Coordenação, estigmeria, auto-organização, emergência e comunicação. Atos de discurso – ACL e FIPA.
(P4) Tomada de decisão multiagente. Teoria de jogos. Utilidades e preferências. Estratégias dominantes. Equilíbrio de Nash. Ótimo de Pareto. Incerteza. Jogos cooperativos. Agentes negociadores. Agentes leiloeiros. Desenho de mecanismos. Agentes argumentativos.
(P5) Introdução à simulação baseada em agentes. Modelação e simulação baseada em agentes (ABMS). Modelos baseados em agentes e sistemas complexos adaptativos.
(P6) Questões éticas na construção de agentes.
A avaliação periódica resulta dos seguintes componentes:
- Um teste intercalar (20% da nota final) e um outro no final do semestre (20% da nota final);
- Um trabalho em grupo (máximo de 3 alunos) na qual o grupo desenvolverá o protótipo de um sistema multiagente com elaboração de um relatório envolvendo 3 entregáveis a submeter ao longo do semestre (30% da nota final, 10% cada entregável) e uma apresentação oral com demonstração do funcionamento do software desenvolvido (30% da nota final).
Em alternativas os alunos poderão optar por avaliação em exame final (100% da nota final)
São aprovados os alunos que obtenham uma classificação final superior 9.5 valores.
Title: Wooldridge, M. (2009). An Introduction to MultiAgent Systems - 2nd Edition. In ACM SIGACT News (Vol. 41, Issue 1)
Authors:
Reference:
Year:
Title: Vlassis, N. (2007). A Concise Introduction to Multiagent Systems and Distributed Artificial Intelligence. In Synthesis Lectures on Artificial Intelligence and Machine Learning (Vol. 1, Issue 1). https://doi.org/10.2200/s00091ed1v01y200705aim002
Leyton-brown, K. (2009). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations.
Gerhard, W. (n.d.). Multiagent systems (2nd ed). MIT press.
Authors:
Reference:
Year:
Aprendizagem Automática Não Supervisionada
OA1. Compreender os principais métodos de aprendizagem não supervisionada
OA2: Avaliar, validar e interpretar os resultados de modelos não supervisionados
OA3: Desenvolver projetos de descoberta de conhecimento a partir de dados utilizando modelos de aprendizagem não supervisionada
OA4: Conhecer, através da abordagem de vários contextos de problemas (por exemplo, segmentação de clientes) nos quais a aprendizagem não supervisionada pode efetivamente proporcionar soluções relevantes para esses problemas
OA5. Compreender os fundamentos teóricos e práticos da aprendizagem por reforço
OA6. Implementar e testar algoritmos de aprendizagem por reforço em ambientes simulados para entender a dinâmica entre as ações e consequentes recompensas
OA7. Avaliar e otimizar o desempenho de modelos de aprendizagem por reforço, utilizando métricas apropriadas
OA8. Aprender e aplicar os algoritmos não supervisionados e por reforço em casos de estudo práticos
CP1: Introdução à aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas.
CP2: Redução de dimensionalidade e visualização de dados: Análise de Componentes Principais (PCA), t-SNE e UMAP para redução de dimensionalidade e interpretação visual.
CP3: Clustering e técnicas de segmentação: exploração de algoritmos como K-Means, DBSCAN, Expectation-Maximization (EM), clustering hierárquico.
CP4: Análise e deteção de outliers através de técnicas não supervisionadas: KNN, LOF, iForest
CP5: Mapas Self-Organizing (SOMs): aplicação de mapas auto-organizáveis para visualização e análise de padrões complexos em grandes volumes de dados.
CP6: Regras de associação e algoritmo de Apriori.
CP7: Técnicas de aprendizagem por reforço: Q-Learning, SARSA. Introdução aos conceitos e implementação prática.
CP8: Exploration vs. exploitation na aprendizagem por reforço: estratégias para equilibrar a tomada de decisão.
Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação a 100% por projeto, pelo que esta UC não contempla exame final. A avaliação é realizada ao longo do semestre e é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 1ª tutoria + 1º mini-teste [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%]
- BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%]
- BA3: 1 projeto final [40%]
As tutorias consistem em discussões orais individuais que permite avaliar o desempenho dos alunos nos projetos propostos para a realização da tutoria.
Os mini-testes permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados também em tutoria.
O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre, onde poderá haver participação de organizações externas / empresas no desafio proposto.
A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.
A presença nas aulas não é obrigatória.
Title: Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature.
Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer.
Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC.
Szepesvari, C. (2010). Algorithms for reinforcement learning (R. Brachman & T. Dietterich, Eds.; 1.a ed.). Morgan & Claypool.
Authors:
Reference:
Year:
Title: Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda.
Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer.
Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning, second edition: An Introduction (2.a ed.). MIT Press.
Authors:
Reference:
Year:
Empreendedorismo e Inovação II
No final desta UC, o aluno deverá estar apto a:
OA.1. Apresentar a imagem do produto/serviço num sítio web
OA.2. Apresentar a imagem do produto/serviço em redes sociais
OA.3. Descrever as funcionalidades do produto/serviço
OA.4. Descrever as fases do plano de desenvolvimento
OA.5. Desenvolver a totalidade do protótipo
OA.6. Testar o protótipo em laboratório
OA.7. Realizar os ajustes para o funcionamento do produto, processo ou serviço
OA.8. Otimizar a produção do produto, processo ou serviço tendo em consideração aspetos económicos, impacto social e ambiental
OA.9. Rever o plano de negócio após desenvolvimento e testes, incluindo os vários aspetos de comercialização e imagem
OA.10. Definir o plano de manutenção e gestão de produto/serviço
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.
Title: ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Value Proposition Design: How to Create Products and Services Customers Want, 2014, ·, ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers, 2010, ·, ·
P. Burns / Palgrave Macmillan, Entrepreneurship and Small Business, 2016, ·, ·
R. Dorf, T. Byers, A. Nelson / McGraw-Hill Education, Technology Ventures: From Idea to Enterprise., 2014, ·, ·
S. Mariotti, C. Glackin / Global Edition. Pearson, Entrepreneurship: Starting and Operating A Small Business, 2015, ·, ·
Authors:
Reference:
Year:
Projetos em Ambientes Web e Cloud
OA1: Compreender as tecnologias Web, linguagens de programação, e arquiteturas mais usuais
OA2: Identificar e analisar os diferentes tipos de arquitetura em Nuvem e suas principais características;
OA3: Identificar e utilizar as principais tecnologias que permitam a computação em Nuvem;
OA4: Propor arquiteturas em Nuvem apropriadas para uma determinada aplicação
CP1: Standard W3C e programação para a Web
CP2: Arquiteturas Cliente-Servidor
CP3: Model View Controler (MVC)
CP4: Fundamentos de Nuvem e Business Drivers;
CP5: Tecnologia Pré-Nuvem, Virtualização, Hipervisores, Xen, Clusters Virtuais;
CP6: XaaS, Nuvens Públicas, Privadas, e Híbridas, Exemplos;
CP7: Princípios básicos de desenvolvimento de aplicações na Nuvem
Esta UC é feita através de dois projetos que valem 50% cada:
(1) Desenvolvimento de uma aplicação Web
(2) Desenvolvimento de um projeto em cloud
No caso da 1ª época, o projeto é realizado em grupo com discussão individual (que conta 50% da nota em cada projeto). No caso das 2ª época e época especial, o projeto é individual.
Title: Buyya, R., Broberg, J, Goscinski, A., "Cloud Computing Principles and Paradigms", Wiley & Sons, 2011
Hwang, K., Fox, G., and Dongarra, J., "Distributed and Cloud Computing (From Parallel Processing to the Internet of Things)", Elsevier, 2011
Vincent W. S. (2018). Build websites with Python and Django. Ed: Independently published. ISBN-10: 1983172669. ISBN-13: 978-1983172663.
Authors:
Reference:
Year:
Title: --
Authors:
Reference:
Year:
Sistemas de Informação Analíticos
Pretende introduzir-se os conceitos e conhecimentos práticos fundamentais ao desenho e implementação de um sistema de informação analítico para uma organização:
(OA1) Planear e gerir o ciclo de vida de um projeto de armazém de dados, desenho lógico e físico;
(OA2) Identificar os requisitos e as fontes de dados e projetar um modelo dimensional adequado;
(OA3) Modelar um Sistema de Informação Analítico;
(OA4) Desenhar e implementar um processo de extração, transformação e carregamento de dados;
(OA5) Analisar dados num sistema de data warehousing, ter a noção de Business Intelligence e sua aplicabilidade; o que são relatórios padrão e indicadores de desempenho (KPIs);
(CP1) Revisão de SQL : consultas simples. União de tabelas. Ordenação. Agrupamento e agregação.
(CP2) Integração de dados, introdução às ferramentas ETL : fontes de dados. Integração de dados usando visualizações. Integração de dados versus armazenamento de dados. Processo ETL. Ferramentas ETL.
(CP3) Operações OLAP e desenho de data warehouse: operações OLAP em SQL. Modelo multidimensional. Modelação em UML. Operações OLAP típicas em um cubo de dados. Tipos de esquema de data warehouse. Hierarquias e tipos de hierarquia. Medidas.
(CP4) O Cubo OLAP e as consultas MDX - Armazenamento de dados e cubos OLAP. Servidor OLAP. Definição de cubo OLAP. Interface OLAP. Consultas de análise. SQL versus MDX. Conceitos MDX.
(CP5) Ferramentas de relatórios e (KPIs) - Visão geral da arquitetura de data warehousing. Ferramentas OLAP: consultas front-end e MDX. Ferramentas de relatórios. Relatórios via consultas SQL e MDX. Indicadores-chave de desempenho (KPIs). Visualização com dashboards.
A avaliação periódica resulta dos seguintes componentes:
- Um teste intercalar (20% da nota final) e um outro no final do semestre (20% da nota final);
- Um trabalho em grupo (máximo de 3 alunos) na qual o grupo elaborará um sistema de informação analítica com a redação de um relatório que involve 3 entregáveis a submeter ao longo do semestre (30% da nota final, 10% cada entregável) e uma apresentação oral com demonstração do funcionamento da aplicação desenvolvida e discussão (30% da nota final).
Em alternativas os alunos poderão optar por avaliação em exame final (100% da nota final)
São aprovados os alunos que obtenham uma classificação final superior 9.5 valores.
Title: Vaisman, A., & Zimányi, E. (2014). Data warehouse systems. Data-Centric Systems and Applications.
Secundária, Springer
Authors:
Reference:
Year:
Title: R. Kimball, M. Ross (2013) The Data Warehouse Toolkit - the definitive guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA
Doan, A., Halevy, A., & Ives, Z. (2012). Principles of data integration. Elsevier.
Authors:
Reference:
Year:
Big Data
No final da UC os alunos deverão ser capazes de:
OA1 Compreender e identificar os problemas associados ao processamento de grandes quantidades de informação
OA2 Compreender os conceitos e ecosistema da Big Data
OA3 Saber desenhar e concretizar soluções de armazenamento de dados em ambiente distribuído e tolerantes a falhas
OA4 Saber extrair, manipular e carregar grandes quantidades de informação de frontes de dados não estruturadas
OA5 Saber manipular e processar bases de dados não relacionais
OA6 Compreender e saber aplicar os modelos de programação e computação distribuídos
OA7 Compreender e saber aplicar técnicas para tratamento de estruturas JSON e streams de dados em tempo real
OA8 Desenvolver a criatividade, inovação tecnológica, pensamento crítico
OA9 Desenvolver a autoaprendizagem, revisão por pares, trabalho em equipa, expressão escrita e oral
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%).
Title: Advanced Analytics with Spark: Patterns for Learning from Data at Scale, Sandy Ryza et al., O'Reilly Media, 2017.
Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale, Ofer Mendelevitch, Casey Stella and Douglas Eadline, Addison-wesley, 2016.
NoSQL Database: New Era of Databases for Big data Analytics - Classification, Characteristics and Comparison, A B M Moniruzzaman, Syed Akhter Hossain, 2013 (https://arxiv.org/abs/1307.0191)
Kumar, V. Shindgikar, P. (2018). Modern Big Data Processing with Hadoop. Ed: Packt. ISBN-13: 978-1-78712-276-5
Big Data: Algorithms, Analytics, and Applications, Kuan-Ching Li et al., Chapman and Hall/CRC, 2015.
Authors:
Reference:
Year:
Title: Chang F., Dean J., Ghemawat S,, C. Hsieh W., Wallach D., Burrows M., Chandra T., Fikes A., and Gruber, R. (2006). Bigtable: a distributed storage system for structured data. In Proceedings of the 7th USENIX Symposium on Operating Systems Design and Implementation - Volume 7 (OSDI '06). USENIX Association, USA, 15.
Dean J. and Ghemawat S. (2004). MapReduce: simplified data processing on large clusters. In Proceedings of the 6th conference on Symposium on Operating Systems Design & Implementation - Volume 6 (OSDI'04). USENIX Association, USA, 10.
Ghemawat S., Howard G., and Leung, S. (2003). The Google file system. SIGOPS Oper. Syst. Rev. 37, 5 (December 2003), 29?43. DOI: https://doi.org/10.1145/1165389.945450
Artigos:
Learning Spark: Lightning-Fast Big Data Analysis, Holden Karau, A. Konwinski, P. Wendell and M. Zaharia, O'Reilly Media, 2015.
Marinescu, D. (2018). Cloud Computing: Theory and Practice. Ed: Morgan Kaufmann. ISBN-13: 978-0-12-812810-7
Mining of Massive Datasets, A. Rajaraman, J. Ullman, 2011, Cambridge University Press.
Authors:
Reference:
Year:
Projeto Aplicado de Inteligência Artificial I
No final da UC, o aluno deverá estar apto a:
OA1: Aplicar metodologias de cocriação no desenvolvimento de projetos inovadores triplamente sustentáveis (com valor económico, social e ambiental) em organizações.
OA2: Criar empatia com o utilizador e a sua organização (definir necessidades, obstáculos, objetivos, oportunidades, tarefas atuais e desejadas), definir o problema e as questões endereçadas pelo projeto.
OA3: Realizar uma revisão sistemática da literatura e uma análise do panorama competitivo (se aplicável), relacionados com o problema identificado e as questões levantadas.
OA4: Identificar os recursos digitais (incluindo a recolha de dados), computacionais e outros, necessários para abordar o problema.
OA5: Aplicar conhecimentos já consolidados de planeamento de projeto, gestão ágil e desenvolvimento do projeto, no âmbito do trabalho de grupo.
OA6: Participar em dinâmicas colaborativas e de cocriação e realizar apresentações escritas e orais, no contexto do trabalho de grupo.
C1. Metodologias de cocriação baseadas em Design Thinking e Design Sprint
C2. Objetivos de Desenvolvimento Sustentável (ODS) das Nações Unidas e criação de propostas de valor
C3. Apresentação de casos de estudo e temas de projeto de tecnologias digitais em inteligência artificial (produto, serviço ou processo)
C4. Seleção do tema de projeto e enquadramento na organização
C5. Espaço do problema: criação de empatia com o utilizador e com a sua organização, definição do problema e das suas questões relacionadas, considerando os requisitos de negócio, as necessidades dos clientes e utilizadores e os desafios tecnológicos
C6. Aplicação de uma metodologia de revisão sistemática da literatura e sua análise crítica. Análise da competição (se aplicável)
C7. Identificação dos recursos digitais (incluindo a recolha de dados), computacionais e outros necessários para o desenvolvimento do projeto
C8. Aplicação de metodologias de gestão de projetos adequadas ao trabalho em grupo a desenvolver pelos alunos de inteligência artificial. Comunicação dos resultados.
UC em avaliação periódica, não contemplando exame final, dada a adoção ao método de ensino por projeto aplicado a situações reais. As apresentações, demonstrações e discussão serão realizadas em grupo.
Pesos da avaliação:
R1 Relatório: Definição do Tema de Projeto: 5%
R2 Relatório: Empatia com o Utilizador e a Organização e Definição do Problema. Sua apresentação e discussão em grupo: 40%
R3 Relatório: Revisão da Literatura e Planeamento do Desenvolvimento do Projeto. Sua apresentação e discussão em grupo: 55%
Title: ·
T. Brown / HarperCollins, 2009, ISBN-13: 978-0062856623, Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, 2009, ·, ·
A. Osterwalder, Y. Pigneur, P. Papadakos, G. Bernarda, T. Papadakos, A. Smith / John Wiley & Sons., Value proposition design, 2014, ·, ·
J. Knapp, J. Zeratsky, B. Kowitz, Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days., 2016, ·, ·
M. Lewrick, P. Link, L. Leifer / Wiley, ISBN 9781119629191, The Design Thinking Toolbox, 2020, ·, ·
Authors:
Reference:
Year:
Title: ·
Ries, E. / capítulos 3 e 4, Penguin Group, The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses, 2017, ·, ·
Scrum Institute, The Kanban Framework 3rd Edition, 2020, ·, www.scrum-institute.org/contents/The_Kanban_Framework_by_International_Scrum_Institute.pdf acedido em 02/2023
Darrell Rigby, Sarah Elk, Steve Berez / Scrum Institute, The Scrum Framework 3rd Edition, Doing Agile Right: Transformation Without Chaos Hardcover, 2020, ·, www.scrum-institute.org/contents/The_Scrum_Framework_by_International_Scrum_Institute.pdf acedido em 02/2023
Jeff Sutherland, J.J. Sutherland, Scrum: The Art of Doing Twice the Work in Half the Time, 2014, ·, ·
Project Management Institute / 6th ed. Newton Square, PA: Project Management Institute, A guide to the project management body of knowledge (PMBOK guide), 2017, ·, ·
Gwaldis M., How to conduct a successful pilot: Fail fast, safe, and smart, 2019, ·, https://blog.shi.com/melissa-gwaldis/ acedido em 02/2023
Authors:
Reference:
Year:
Text Mining
OA1: Descrever os conceitos, etapas e métodos principais envolvidos no desenvolvimento de processos de Text Mining
OA2: Atomizar documentos, criar dicionários e realizar outras tarefas de pré-processamento de modo a preparar texto para tarefas de classificação
OA3: Selecionar as técnicas apropriadas para tarefas específicas de processamento de texto
OA4: Criar representações vectoriais a partir de textos
OA5: Explicar o funcionamento de algoritmos para classificação de texto, tal como o Naïve Bayes ou nearest-neighbor
OA6: Aplicar um classificador no tratamento de casos reais
OA7: Agrupar documentos usando o algoritmo k-means
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.
BibliografiaTitle: - Dan Jurafsky and James H. Martin (Sep 2021). Speech and Language Processing (3rd ed. draft). https://web.stanford.edu/~jurafsky/slp3/
- Gabe Ignatow, Rada F. Mihalcea (2017). An Introduction to Text Mining: Research Design, Data Collection, and Analysis 1st Edition (2017). SAGE Publications
- Charu C. Aggarwal (2018). Machine Learning for Text. https://doi.org/10.1007/978-3-319-73531- 3
Authors:
Reference:
Year:
Title: - Atefeh Farzindar and Diana Inkpen (2017). Natural Language Processing for Social Media, Second Edition. Synthesis Lectures on Human Language Technologies. Morgan & Claypool.
Authors:
Reference:
Year:
Algoritmos Avançados de Procura
No final desta UC, o aluno deverá ser capaz de:
OA1 Identificar classes de problemas suscetíveis de solução com algoritmos avançados de procura
OA2 Dominar e aplicar os principais tipos de algoritmos avançados de procura
OA3 Dominar e aplicar heurísticas como solução, de acordo com o tipo de problema a solucionar
OA4 Identificar e avaliar diferentes estratégias a aplicar, olhando à complexidade e natureza do problema
CP1 HEURÍSTICAS E REPRESENTAÇÃO DE PROBLEMAS
a Tipos de problemas para utilização de heurísticas
b Espaço de procura e representação de problemas
c Tarefas de optimização, satisfação,e semi-optimização
d Procura sistemática e o paradigma de dividir e podar
e Representação do espaço de estados
f Representação problema-redução e grafos e/ou
CP2 ESTRATÉGIAS DE PESQUISA HEURÍSTICA BÁSICA
a Procura local
b Procura sistemática não informada
c Procura sistemática informada
d Estratégias melhor primeiro especializadas
e Estratégias híbridas
CP3 ESTRATÉGIAS DE PESQUISA HEURÍSTICA AVANÇADA
a Estratégias limitadas pela memória
b Estratégias limitadas pelo tempo
CP4 ESTRATÉGIAS COM ALGORITMOS GENÉTICOS
a O apelo da evolução
b Terminologia biológica
c Procura no espaço de estados
d Elementos de algoritmos genéticos (funções de avaliação e operadores genéticos)
e Um algoritmo genético simples
f Algoritmos genéticos face aos métodos de procura tradicionais
Avaliação Periódica:
- Projeto de Grupo até 3 alunos (40%)
- Teste Individual (60%)
Avaliação Final:
- Exame Individual (100%)
Os alunos que reprovarem na avaliação contínua possuem duas épocas de exame (2ª e Especial).
A nota do projeto não é considerada para alunos que optem por fazer exame.
Quem optar por fazer a avaliação contínua terá que realizar obrigatoriamente as duas componentes da mesma.
Title: An Introduction to Genetic Algorithms, Mitchell M. 1999 MIT Press
Heuristics, intelligent search strategies for computer problem-solving: Pearl J. 1984 Addison-Wesley
Authors:
Reference:
Year:
Title: Artificial Intelligence: A Modern Approach, 3rd edition: Stuart Russel and Peter Norvig 2010 Pearson / Prentice Hall
Authors:
Reference:
Year:
Projeto Aplicado de Inteligência Artificial II
OA1: Corrigir o problema do utilizador e/ou da organização identificado na UC de Projeto Aplicado I do 1º Semestre, desenvolvendo, de forma iterativa, um projeto integrado com todas as suas componentes, incluindo levantamento de requisitos, prototipagem da solução (lo-fi, hi-fi, MVP), e avaliação e implantação no terreno da solução inovadora, relativa a produto, processo ou serviço (PPS).
OA2: Produção de documentação de desenho da solução de inovação PPS, incluindo, quando aplicável, arquitetura, configuração hardware e software, manuais de instalação, operação e utilização.
OA3: Produzir soluções com potencial para serem triplamente sustentáveis no terreno, tendo em conta o enquadramento legal aplicável.
OA4: Produzir conteúdos audiovisuais sobre os resultados alcançados, para serem explorados em diversos canais de comunicação: redes sociais, landing page web, apresentação para atores relevantes, workshop de demonstração.
C1. Espaço da solução: ideação da melhor solução tecnológica relativa ao projeto, desenvolvimento de requisitos de utilizador, storyboarding, jornada do utilizador, ciclos iterativos de prototipagem (baixa fidelidade – lo-fi, alta fidelidade – hi-fi, produto mínimo viável - MVP), avaliação heurística da solução com peritos e avaliação com utilizadores finais.
C2. Produção de documentação de desenho da solução, incluindo, quando aplicável, arquitetura, especificações técnicas, configuração hardware e software, manuais de instalação, operação e utilização.
C3. Implantação experimental da solução com potencial para ser triplamente sustentável (com criação de valor económico, social e ambiental), salvaguardando o enquadramento legal aplicável.
C4. Comunicação audiovisual na Web e nas redes sociais. Comunicação em público e sua estrutura. Apresentação para atores relevantes.
C5. Demonstração em workshop com atores relevantes na área da Inteligência Artificial.
UC em avaliação periódica, não contemplando exame final, dada a adoção ao método de ensino por projeto aplicado a situações reais. As apresentações, demonstrações e discussão são realizadas em grupo.
Pesos da avaliação:
R1. Relatório de Ideação da Solução, com Storyboard, Jornada de Utilizador, Requisitos do Utilizador, Especificações Técnicas e sua apresentação audiovisual: 20%
R2. Prototipagem da Solução: Protótipos Lo-fi e Hi-fi e Protótipo Mínimo Viável – MVP (no GitHub), sua Demonstração e Relatório de Avaliação: 40%
R3. Relatório de Desenho da Solução com os seguintes elementos (se aplicável): Arquitetura (UML Package Diagram, UML Component Diagram), Configuração Hardware e Software, Manual de Instalação (UML Deployment Diagram, Tutorial de Configuração), Manual de Operação, Manual de Utilizador: 20%
R4. Apresentação audiovisual da solução e sua demonstração em Workshop: 20%
Title: T. Brown, HarperCollins, 2009, ISBN-13: 978-0062856623, Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, 2009, ·, ·
M. Lewrick, P. Link, L. Leifer / Wiley, ISBN 9781119629191, The Design Thinking Toolbox, 2020, ·, ·
J. Knapp, J. Zeratsky, B. Kowitz / Bantam Press., Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days., 2016, ·, ·
Authors:
Reference:
Year:
Title: ·
E. Ries, The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses, Capítulos 3 e 4, Penguin Group, 2017, ·, ·
Scrum Institute, The Kanban Framework 3rd Edition, 2020, ·, www.scrum-institute.org/contents/The_Kanban_Framework_by_International_Scrum_Institute.pdf acedido em 02/2023
Darrell Rigby, Sarah Elk, Steve Berez / The Scrum Framework 3rd Edition, Doing Agile Right: Transformation Without Chaos HardcoverScrum Institute, 2020, ·, www.scrum-institute.org/contents/The_Scrum_Framework_by_International_Scrum_Institute.pdf
Jeff Sutherland, J.J. Sutherland, Scrum: The Art of Doing Twice the Work in Half the Time, 2014, ·, ·
Project Management Institute. / 6th ed. Newton Square, PA: Project Management Institute, A guide to the project management body of knowledge (PMBOK guide)., 2017, ·, ·
M. Gwaldis, How to conduct a successful pilot: Fail fast, safe, and smart / https://blog.shi.com/melissa-gwaldis/ acedido em 02/2023, 2019, ·, ·
Authors:
Reference:
Year:
Tecnologia, Economia e Sociedade
O estudante que complete com sucesso esta UC será capaz de:
OA1. Identificar os principais temas e debates contemporâneos;
OA2. Analisar os temas e debates da atualidade de forma fundamentada;
OA3. Identificar as implicações da mudança tecnológica e da digitalização em termos económicos, sociais, culturais e ambientais;
OA4. Compreender o papel e a importância da tecnologia nos desafios das sociedades contemporâneas;
OA5. Explorar as fronteiras entre o conhecimento tecnológico e o conhecimento das ciências sociais;
OA6. Desenvolver formas de aprendizagem interdisciplinar e de pensamento crítico.
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).
Title: Pires, R. P.; Pereira, C.; Azevedo, J.; Vidigal, I., & Veiga, C. M. (2020). A emigração portuguesa no século XXI.?Sociologia, Problemas e Práticas, (94), 9-38
Marques, P., & Salavisa, I. (2017). Young people and dualization in Europe: a fuzzy set analysis.?Socio-Economic Review,?15(1), 135-160
Figay, N.; Silva, C.; Ghodous, P; Jardim-Gonçalves, R. (2015). Resolving interoperability in concurrent engineering, in Concurrent Engineering in the 21st Century: Foundations, Developments and Challenges, Springer International Publishing
Bento, N., Wilson, C., Anadon, L.D. (2018), ?Time to get ready: Conceptualizing the temporal and spatial dynamics of formative phases for energy technologies,? Energy Policy 119: 282-293
Barradas, R., & Lagoa, S. (2017). Financialization and Portuguese real investment: A supportive or disruptive relationship?.?Journal of Post Keynesian Economics,?40(3), 413-439
Authors:
Reference:
Year:
Title: Yearley, S. (2014).?Science, Technology, and Social Change (Routledge Revivals). Routledge
Wilson, C., Grubler, A., Bento, N., Healey, S., De Stercke, S., & Zimm, C. (2020). Granular technologies to accelerate decarbonization.?Science,?368(6486), 36-39
Silva, P. A., & Cadeiras, P. (2019). From Paris to Lisbon: The Ever-Changing European Social Policy Landscape. In?The Future of Pension Plans in the EU Internal Market?(pp. 255-281). Springer, Cham
Silva, J., Ferreira, J. C., & Gonçalves, F. (2019, September). The ??aftermath??of Industry 4.0 in Small and Medium Enterprises. In?IFIP Conference on Human-Computer Interaction?(pp. 26-33). Springer, Cham
Rodrigues, M. D. L., & Silva, P. A. (2016). A constituição e as políticas públicas em Portugal.?Sociologia, Problemas e Práticas, (ESP1), 13-22
Rego, R., Alves, P. M., Naumann, R., & Silva, J. (2014). A typology of trade union websites with evidence from Portugal and Britain.?European Journal of Industrial Relations,?20(2), 185-195
Ratto, M. (2011). Critical making: Conceptual and material studies in technology and social life.?The information society,?27(4), 252-260
Pires, R. P., Machado, F. L., Peixoto, J., & Vaz, M. J. (2010). Portugal: Atlas das migrações internacionais.?Lisboa: Tinta da China
Pedro, M. D. L. R. E., & Silva, A. E. (2012).?Políticas públicas em Portugal. Leya
Nascimento, S., Pólvora, A., Paio, A., Oliveira, S., Rato, V., Oliveira, M. J., ... & Sousa, J. P. (2016). Sustainable technologies and transdisciplinary futures: from collaborative design to digital fabrication.?Science as Culture,?25(4), 520-537
Monteiro, V., Afonso, J. A., Ferreira, J. C., & Afonso, J. L. (2019). Vehicle electrification: New challenges and opportunities for smart grids.?Energies,?12(1), 118.
Matthewman, S. (2011).?Technology and social theory. Macmillan International Higher Education
Matos, F. (2020).?Knowledge, People, and Digital Transformation: Approaches for a Sustainable Future. Springer Nature
Luís, S., Pinho, L., Lima, M. L., Roseta-Palma, C., Martins, F. C., & Betâmio de Almeida, A. (2016). Is it all about awareness? The normalization of coastal risk.?Journal of Risk Research,?19(6), 810-826
Leach, M., Scoones, I., & Stirling, A. (2010).?Dynamic sustainabilities: technology, environment, social justice. Routledge
Lagoa, S., Leao, E., Mamede, R. P., & Barradas, R. (2014).?Financialisation and the financial and economic crises: The case of Portugal?(No. fstudy24). Financialisation, Economy, Society & Sustainable Development (FESSUD) Project
Grubler, A., Wilson, C., Bento, N., Boza-Kiss, B., Krey, V., McCollum, D. L., ... & Valin, H. (2018). A low energy demand scenario for meeting the 1.5 C target and sustainable development goals without negative emission technologies.?Nature energy,?3(6), 515-527
Jörgens, H., & Solorio, I. (2019). Contested Energy Transition? Europeanization and Authority Turns in EU Renewable Energy Policy
Jörgens, H. (2018). Políticas para um desenvolvimento sustentável: sucessos passados e desafios para o futuro
Jörgens, H., Goritz, A., & Kolleck, N. (2018). Vantagens e desafios da análise de dados do Twitter: O caso das negociações multilaterais sobre as mudanças climáticas
Horta, P., Lagoa, S., & Martins, L. (2016). Unveiling investor-induced channels of financial contagion in the 2008 financial crisis using copulas.?Quantitative Finance,?16(4), 625-637
Frois, C. (2013).?Peripheral vision: Politics, technology, and surveillance?(Vol. 22). Berghahn Books
Facer, K. (2011).?Learning futures: Education, technology and social change. Taylor & Francis
Berbel, J., Borrego-Marin, M., Exposito, A., Giannoccaro, G., Montilla-Lopez, N. M., & Roseta-Palma, C. (2019). Analysis of irrigation water tariffs and taxes in Europe.?Water Policy,?21(4), 806-825
Bento, N. (2010). Dynamic competition between plug-in hybrid and hydrogen fuel cell vehicles for personal transportation.?International journal of hydrogen energy,?35(20), 11271-11283
Bento, N., & Fontes, M. (2015). Spatial diffusion and the formation of a technological innovation system in the receiving country: The case of wind energy in Portugal.?Environmental Innovation and Societal Transitions,?15, 158-179
Bento, N. (2016). Calling for change? Innovation, diffusion, and the energy impacts of global mobile telephony.?Energy Research & Social Science,?21, 84-100.
Bento, N., & Fontes, M. (2019). Emergence of floating offshore wind energy: Technology and industry.?Renewable and Sustainable Energy Reviews,?99, 66-82
Bento, N., Gianfrate, G., & Thoni, M. H. (2019). Crowdfunding for sustainability ventures.?Journal of Cleaner Production,?237, 117751
Barak, M. (2017). Science teacher education in the twenty-first century: A pedagogical framework for technology-integrated social constructivism.?Research in Science Education,?47(2), 283-303.
Authors:
Reference:
Year:
Objetivos
É proporcionada uma formação de elevada qualidade, permitindo aos licenciados integrarem após a sua conclusão o mercado de trabalho, nas áreas onde a Inteligência Artificial pode ser aplicada atualmente, onde se incluem o setor financeiro; a administração pública; telecomunicações; energia; e retalho; bem como um conjunto muito variado de empresas prestadoras de serviços de pequena, média e grande dimensão. Assim, os objetivos gerais são:
(1) conhecer e ser capaz de aplicar métodos de Inteligência Artificial para resolver problemas reais;
(2) desenvolver soluções que envolvem a utilização de ferramentas e programação para conferir inteligência em soluções informáticas;
(3) capacidade para aplicação de abordagens de desenvolvimento de conhecimento acrescido num conjunto variado de domínios;
(4) integrar projetos de larga escala, constituindo-se o licenciado como um elemento que transmite uma mais-valia na área de Inteligência Artificial pelos conhecimentos adquiridos ao longo do curso.
Um licenciado em Inteligência Artificial (IA) atingiu os seguintes objetivos:
(1) Conhecimentos: desenvolvimento de programas, utilização de abordagens matemáticas e algorítmicas, utilização e configuração de ferramentas, metodologias para o desenvolvimento de soluções de IA.
(2) Aptidões: adoção dos conhecimentos para que, em contexto de projetos, o licenciado possa integrar uma equipa alargada, utilizando o conhecimento adquirido e referido anteriormente para se constituir como uma mais valia, podendo desenvolver tarefas assentes em dados, automação de processos, e implementação de sistemas de suporte à decisão.
(3) Competências: o licenciado estará capacitado para autonomamente desenvolver o ciclo de descoberta de conhecimento a partir de dados, otimizar soluções informáticas conferindo-lhes inteligência, desenvolver programas que autonomamente procuram soluções, integrar uma equipa alargada, comunicando de forma metódica e clara, com vista à persecução de um objetivo comum.
Acreditações