CP1 Reta real e álgebra em R. Completude. Valor absoluto
CP2 Sucessões de números reais. Definição recursiva. Monotonia. Supremo e ínfimo. Convergência e enquadramento
CP3 Noção de série numérica, somas parciais e soma. Séries aritmética, geométrica e harmónica
CP4 Séries de potências. Convergência
CP5 Funções de R em R. Funções elementares. Paridade e transformações ao gráfico. Período e frequências
CP6 Composta e inversa. Comportamento assintótico
CP7 Função logaritmo. Trigonométricas inversas. Identidades e álgebra trigonométrica
CP8 Limites. Continuidade. Teoremas de Weierstrass e do valor intermédio
CP9 Derivada num ponto e seu significado. Teorema do valor médio. Regra da cadeia e derivada da inversa. Derivação implícita
CP10 Aproximações de Taylor. Extremos locais e/ou globais
CP11 Partições. Primitivas. Integral definido à Riemann. Teorema fundamental do cálculo. Mudanças de variável. Integrais impróprios. Critérios de integrabilidade

Critérios Gerais:
• Classificação mínima para aprovação: 10 valores (em 20)
• Frequência mínima exigida: 2/3 das sessões presenciais
• Defesa oral obrigatória para notas ≥17 valores
• Modalidade de “Avaliação ao Longo do Semestre” (ALS) ou de “Exame” (100% exame)
Avaliação ao longo do semestre:

1. Avaliação Formativa (40% do total)
a) Part-Task Practice – Quizzes ou fóruns (5%)
* Frequência: semanal, na plataforma online.
* Feedback imediato e repetição livre até domínio.
* Critério de sucesso: atingir nota ≥16 valores (em 20) em cada tarefa.
b) Learning Tasks em Aula – Tarefas de Aprendizagem (30%)
* Total de 6 tarefas (2 por cada um dos tópicos: séries, cálculo diferencial, cálculo integral)
* Tarefas realizadas em aula
* Por tópico, pode haver a repetição de uma tarefa
* Nota mínima da média das learning tasks para aceder à avaliação sumativa: 8 valores (em 20)
* Cada tarefa avalia:
- Precisão matemática
- Capacidade de integração de conceitos (gráfica, numérica, algébrica)
- Clareza de argumentação científica

c) Diário de Reflexão e Trabalho Autónomo (5%)
* Entradas quinzenais (2–3 parágrafos) sobre dificuldades e estratégias de resolução
* Avalia: autorregulação e apropriação dos conteúdos

2. Projecto a pares – 10%
a) Enunciado: Modelar um fenómeno real, integrando:
* Séries de potências (OA3, OA7)
* Derivadas e análise assintótica (OA6, OA9)
* Integrais definidos/impróprias (OA8, OA9)
b) Formato: relatório escrito (máx. 5 páginas) + demonstração computacional

3. Avaliação Sumativa (Teste Final) – 50%
a) Formato Misto
* Parte A: Questões de Part-Task Practice
- Limites, derivadas e integrais básicas em exercícios curtos
* Parte B: Learning Task Integrada
- Problema contextualizado
b) Nota mínima para aprovação no teste: 8 valores (em 20)

Avaliação por exame:
a) Exame Global (100% Exame)
b) Nota mínima de aprovação: 10 valores (em 20)

Defesa Oral:
* Obrigatória para alunos com nota final ≥17 valores (em 20)

O coordenador da UC pode determinar a realização de uma discussão oral complementar relativamente a qualquer instrumento de avaliação previsto na presente FUC.
A discussão oral complementar não constitui um instrumento autónomo de avaliação, não tem ponderação própria na classificação final da unidade curricular e destina-se exclusivamente à validação da classificação do respetivo elemento/instrumento de avaliação.
A não comparência, sem justificação atendível, implica a impossibilidade de validação do respetivo instrumento de avaliação, aplicando-se as consequências previstas para a sua não realização ou desistência.

Obrigatória

Campos Ferreira J. (2024). Introdução à Análise Matemática (12.ª edição). Fundação Calouste Gulbenkian.
Stewart J. (2013). Cálculo. Vol I, 7ª Edição [tradução EZ2 Translate, São Paulo]. Cengage Learning [recurso eletrónico: https://aedmoodle.ufpa.br/pluginfile.php/311602/mod_resource/content/1/Calculo%20-%20James%20Stewart%20-%207%20Edição%20-%20Volume%201.pdf]
Strang, G. (2007). Computational Science and Engineering, Wellesley-Cambridge Press

Opcional

Lima E.L. (2001). Análise real. Vol 1. Coleção Matemática Universitária,SBM. Rio de Janeiro.
Ávila G. (2006). Análise Matemática para a Licenciatura. Ed.Edgard Blucher. São Paulo.

CP1. Pensamento matemático: algoritmia, modelação e resolução de problemas
CP2. Lógica matemática
- Designação, proposição e condição
- Conectivos e semântica
- Quantificadores
- Sistemas numéricos em diferentes bases
CP3. Teoria de conjuntos
- Definição em extensão e em compreensão, conjunto das partes de um conjunto
- Operações com conjuntos e extensão a famílias indexadas
CP4. Métodos de demonstração
- Diretas e indiretas
- Construtivas (ex. prova algorítmica) e não construtivas
- Indução matemática
CP5. Relações, partições e recursividade
- Produto cartesiano e relações de equivalência e de ordem
- Partições e o teorema de classes de equivalência
- Funções recursivas, sucessões, relações de recorrência e somatório
CP6. Cardinalidade, conjuntos equipotentes e hipótese do contínuo
CP7. Estruturas algébricas e morfismos
CP8. Congruência e aritmética modular
CP9. Divisibilidade dos inteiros, algoritmo de Euclides, números primos e teorema fundamental da aritmética

Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação ao longo do semestre: 4 miniteste realizados em aula (20%) + 4 trabalhos realizados
em grupo (20%) + Prova escrita final realizada na data da 1ª época (60%); todos os elementos
de avaliação são obrigatórios e têm nota mínima de 7,5 valores.
ou
- Avaliação por Exame (100%).

Obrigatória

"[1] A Transition to Advanced Mathematics Seventh Edition by Smith, Eggen, St. Andre, Brooks/Cole, Cengage Learning, 2011. [2] Transition to Higher Mathematics: Structure and Proof, Second Edition, Bob A. Dumas, John E. McCarthy, 2014. [3] Lecture Notes for Transition to Advanced Mathematics, James S. Cook, Liberty Universit, 2009."

Opcional

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

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

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

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

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

Assiduidade:
Não é obrigatória a presença às aulas.

Obrigatória

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

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

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

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

Opcional

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

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

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

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

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

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

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

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

Obrigatória

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

Opcional

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

CP1 Vetores em R^2 e R^3. Distância euclidiana
CP2 Produto escalar. Reta e parametrização de segmentos
CP3 Produto vetorial. Ortogonalidade. Projeções. Vetor normal a um plano
CP4 Sistemas de equações lineares (SELs). Eliminação de Gauss-Jordan
CP5 Escrita matricial de SELs. Álgebra de matrizes. Matriz transposta
CP6 Combinação e dependência linear de vetores. Característica de uma matriz e condensação de Gauss. Teorema de Rouché e dependência de variáveis
CP7 Matriz inversa. Matrizes elementares. Permutação e sinal. Determinante e propriedades
CP8 Menores complementares e matriz adjunta. Fórmula de Laplace
CP9 Método da matriz inversa e regra de Cramer em SELs
CP10 Cadeias de Markov e vetores e valores próprios de uma matriz. Polinómio característico. Formas quadráticas
CP10 Corpos. R e C
CP11 Espaço vetorial real. R^2, R^3 e C
CP12 Transformações lineares e operadores. Matriz. Imagem e núcleo
CP13 Composta e mudanças geométricas: expansão e contração uniformes, reflexão e rotação

Aprovação com classificação não inferior a 10 valores (escala de 0 a 20) numa das modalidades seguintes:

- Avaliação ao Longo do Semestre:
- Teste 1 (35%);
- Teste 2 (35%), realizado na data do exame de 1.ª época;
- Trabalho prático em grupo (20%);
- Exercícios resolvidos no Moodle e/ou em aula (10%).

É exigida uma classificação mínima de 7 valores (escala de 0 a 20) em cada um dos testes.

- Avaliação por Exame: Prova escrita individual (100%), realizada em qualquer das épocas de exame.

O docente responsável pela unidade curricular pode determinar a realização de uma discussão oral complementar relativamente a qualquer elemento de avaliação previsto, sempre que tal se revele necessário para confirmar a autoria dos trabalhos realizados, validar a aquisição dos conhecimentos e competências avaliados ou esclarecer discrepâncias entre diferentes elementos de avaliação.

A discussão oral complementar não constitui um instrumento autónomo de avaliação nem tem ponderação própria na classificação final da unidade curricular. Destina-se exclusivamente à validação do desempenho demonstrado no respetivo elemento de avaliação. A classificação inicialmente atribuída a esse elemento tem natureza provisória até à realização da discussão oral complementar, podendo ser confirmada ou revista em função do desempenho demonstrado pelo estudante na discussão oral complementar e dos critérios de avaliação aplicáveis.

A convocatória para a discussão oral complementar será comunicada ao estudante com uma antecedência mínima de 24 horas, indicando a data e a hora de realização. A não comparência, sem justificação atendível, impossibilita a validação do respetivo elemento de avaliação, aplicando-se as consequências previstas para a sua não realização ou desistência.

Obrigatória

David C. Lay (2015) Linear Algebra and its Applications, Addison Wesley, Pearson
H. Anton and C. Rorres (2010) Elementary Linear Algebra - Applications Version, John Wiley and Sons
Blyth T.S., Robertson E.F. (2002). Basic Linear Algebra. Springer.
Lages E.L. (2015). Geometria Analítica e Álgebra Linear. Coleção Matemática Universitária. IMPA.
The Mathworks, Inc. - The Student Edition of Matlab , Prentice-Hall, 5th Version
Materiais científico-pedagógicos (slides, notas de desenvolvimento, código e pseudo código, fichas de exercícios e problemas) disponibilizados pela equipa docente.

Opcional

Cabral I., Perdigão C., Saiago C. (2018). Álgebra Linear Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções, Escolar Editora.
Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong (2020) Mathematics for Machine Learning, Cambridge University Press [electronic resource: https://mml-book.github.io/book/mml-book.pdf]

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

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

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

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

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

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

Obrigatória

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

Opcional

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

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

Obrigatória

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

Opcional

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

CP1. 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 função inversa
CP5. Matrizes Hessiana e aplicação a extremos livres. Condições de otimalidade.
CP6 Equações diferenciais ordinárias exatas
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. Integrais 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 (15%) + Teste 2 (15%) + Trabalho prático em Python (15%) + 5 Mini-testes online (15%) + Teste Final/Frequência (40%); é exigida nota mínima de 7 valores (escala 1-20) na média dos Testes 1 e 2 e também no Teste Final
- Avaliação por exame (100%), em qualquer das épocas, com prova escrita individual.

Obrigatória

Stewart, J. (2013). Cálculo. Vol II, 7ª Edição [tradução EZ2 Translate, São Paulo]. Cengage Learning [recurso eletrónico: https://profmcruz.files.wordpress.com/2019/03/calculo-james-stewart-7-edic3a7c3a3o-volume-2.pdf].
Lipsman, R.L., Rosenberg, J.M. (2018). Multivariable Calculus with MATLAB. Springer.
Strang, G. (2007). Computational Science and Engineering, Wellesley-Cambridge Press .
Kong Q., Siauw T., M. Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists. Elsevier Inc..
Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.

Opcional

Quarteroni A., Saleri F. (2007). Cálculo Científico com o MATLAB e o Octave. Springer.
Lima E.L. (2000). Curso de Análise, Vol 2, (Projeto Euclides). IMPA.

CP1. Introdução ao Design Thinking

CP2. Etapa 1: Empatia

CP3. Etapas 2: Definição do problema

CP4. Etapa 3 e 4: Ideação Prototipagem

CP5. Etapa 5: Teste e Feedback

CP6: Reflexão crítica

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

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

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

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

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

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

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

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

Obrigatória

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

Opcional

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

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

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

Obrigatória

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

Opcional

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

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

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

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

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

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

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

Obrigatória

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

Opcional

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

CP1 Espaços vetoriais euclidianos. Ortogonalidade. Projeções. Base ortogonal. Normas matriciais.
CP2 Ortogonalização de Gram-Schmidt.
CP3 Matrizes complexas. Valores e vetores próprios de skew-Hermiteanas. Decomposição. de Schur. Teorema espetral.
CP4 Formas lineares e bilineares. Formas quadráticas. Teorema de Sylvester. Identificação de cónicas
CP5 Aritmética finita. Erro de arredondamento. Armazenamento.
CP6 Métodos diretos e indiretos para sistemas lineares.
CP7 Consistência, convergência e estabilidade dos métodos numéricos estudados.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre:
* 2 trabalhos práticos em Python (20% cada) com nota mínima de 7 valores.
* Teste 1 durante o semestre (30%) com nota mínima de 7 valores.
* Teste 2 na data do primeiro exame (30%) com nota mínima de 7 valores.
ou
- Avaliação por Exame (100%).

Há a possibilidade de realização de orais.

Obrigatória

Ford W. (2015). Numerical Linear Algebra with Applications - using MATLAB. Elsevier
Burden R., Douglas Faires J. (2005). Numerical Analysis. Brooks/Cole Cengage Learning
Gupta R.K. (2019). Numerical Methods: Fundamentals and Applications. Cambridge University Press.
Kong Q., Siauw T., Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists, Elsevier Inc..
Lay, D.C. (2015). Linear Algebra and its Applications. Addison Wesley. Pearson.
Blyth T.S., Robertson E.F. (2002). Further Linear Algebra. Springer.
Deisenroth M.P., Faisal A.A., Soon Ong C. (2020). Mathematics for Machine Learning. Cambridge University Press [electronic resource: https://mml-book.github.io/book/mml-book.pdf]
Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.

Opcional

Lima E.L. (2015). Geometria Analítica e Álgebra Linear. Coleção Matemática Universitária, IMPA.
Cabral I., Perdigão C., Saiago C. (2018). Álgebra Linear Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções (5ª edição). Escolar Editora.
Anton H., Rorres C. (2010). Elementary Linear Algebra - Applications Version. John Wiley and Sons.
Hanselman, D., Littlefield, B. and MathWorks Inc. (1997). The Student Edition of MATLAB, 5th Version, Prentice-Hall

CP1. Introdução aos métodos numéricos com Python
CP2. Convergência e estabilidade. Erro e perda de significado da aproximação numérica
CP3. Derivação numérica. Solução analítica de equações diferenciais ordinárias (EDO) de ordem 1 e 2. Solução numérica de EDO de ordem 1 (método de Runge-Kutta); existência e unicidade de soluções
CP4. Parametrização de superfície e cálculo de integrais de superfície. Coordenadas esféricas. Integração numérica: fórmulas de Newton-Cotes e quadratura de Gauss-Legendre para diferente nº de pontos; 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 não-lineares (método de Newton para sistemas)
CP6. Equações com diferenças e métodos iterativos
CP7. Solução de EDO de ordem superior (aproximações de diferenças finitas de Euler)

Aprovação com classificação não inferior a 10 valores (escala 0-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre: 1 teste intercalar (25%) + exercícios de trabalho autónomo (TA) submetidos no Moodle (5%) + 1 projeto com Python em trabalho de grupo (20%) + teste final individual escrito (50%). É exigida a nota mínima de 7,5 valores (escala 0-20) em cada um dos testes, intercalar e final. É exigida uma assiduidade mínima de 2/3 das aulas. Pode existir prova oral sempre que tal possa esclarecer o docente acerca da classificação obtida pelo estudante.
- Avaliação por exame (100%), em qualquer das épocas, com prova escrita individual.

Obrigatória

[1] Kong Q., Siauw T., Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists. Elsevier Inc..
[2] Gupta R.K. (2019). Numerical Methods: Fundamentals and Applications. Cambridge University Press.
[3] Allen, M.B., Isaacson, E.L. (2019). Numerical analysis for applied science. John Wiley & Sons, Inc..
[4] Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.
[5] Christian C. (2017). Differential Equations: A Primer for Scientists and Engineers, Second Edition. Springer International Publishing.

Opcional

Cohen H. (2011). Numerical Approximation Methods. Springer New York.

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

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

Obrigatória

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

Opcional

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

A avaliação ao longo do semestre inclui:

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

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

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

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

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

Obrigatória

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

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

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

Opcional

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

A presença nas aulas não é obrigatória.

Obrigatória

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

Opcional

CP1. Introdução à modelação matemática (MM)
- Ciclo da MM: formulação, análise, validação e interpretação
- Modelos determinísticos vs. estocásticos e contínuos vs. discretos
CP2.Equações diferenciais ordinárias (EDO)
- Modelos baseados em EDOs: populações, decaimento radioativo, dinâmica de fluidos, epidemiologia, osciladores harmónicos e circuitos elétricos
- EDOs de ordem 1: separação de variáveis, fator integrante, equação exata e linear
- EDOs de ordem 2: linear de coeficientes constantes
- Sistemas de EDOs
CP3. Introdução aos sistemas dinâmicos (SD)
- Pontos de equilíbrio e estabilidade
- Diagramas de fase e análise qualitativa de SDs
- Atratores, bifurcações e comportamento caótico
CP4. MM e Simulação Computacional
- Exemplos de MM em engenharia, física, biologia, economia e finanças
- Implementação computacional de modelos
- Simulação de fenómenos físicos e sistemas biológicos
- Validação de modelos: ajuste de parâmetros e análise de erro

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 teste final (40% - na data da 1ª época) + 1 teste intermédio (40%) + atividades de trabalho autónomo (5%) + laboratórios computacionais (15%); os testes têm nota mínima de 8 valores (em 20).
- Avaliação por Exame (100%), em qualquer uma das épocas de avaliação.
- Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.

Obrigatória

Dennis G. Zill, A First Course in Differential Equations with Modeling Applications - Metric Version, 12th Edition, 2024
William P. Fox, Maurice D. Weir and Frank R. Giordano, A First Course in Mathematical Modeling, 3rd edition, 2003.
William E. Boyce and Richard C. di Prima, Elementary Differential Equations, 10th edition, John Wiley & Sons, 2012.
Martin Braun, Differential Equations and Their Applications: An Introduction to Applied Mathematics, 4th edition, Springer, 1993.

Opcional

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

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

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

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

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

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

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

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

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

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

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

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

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

A presença nas aulas não é obrigatória.

Obrigatória

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

Opcional

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

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

CP 2. Modelo Relacional e normalização de dados.

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

CP 4. Modelação de dados com a linguagem UML.

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

CP 6. Transações e concorrência.

CP 7. Introdução à administração de bases de dados.

Avaliação ao longo do semestre:

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

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

Avaliação por exame:

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

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

Obrigatória

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

Opcional

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

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

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

Obrigatória

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

Opcional

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

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

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

Obrigatória

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

Opcional

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

P1. Fundamentos de Grafos e Redes
1.1. Introdução à Teoria de Grafos
1.2. Matemática de Grafos
1.3. Algoritmos de pesquisa

P2. Estrutura e Dinâmica de Redes Complexas
2.1. Métricas e Medidas de centralidade
2.2. Modelos de redes
2.3. Estrutura, Estabilidade, e Aplicações
2.4. Introdução às Redes Neuronais

P3. Aplicações e Visualização de Redes
3.1. Adaptação de dados a modelos de rede
3.2. Aplicações em diversas áreas
3.3. Visualização de redes com ferramentas computacionais

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 trabalho de projeto realizado em grupo (40% - apresentação na data da 1ª época) + 1 teste intermédio (40%) + atividades de trabalho autónomo (20%); é exigida nota mínima de 8 valores (escala 1-20) na média do projeto em grupo e do teste intermédio.
- Avaliação por Exame (100%), em qualquer uma das épocas de avaliação.
- Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.

Obrigatória

Maarten van Steen, Graph Theory and Complex Networks, 2010, 9081540610,
Mark Newman, Networks, 2018, 978-0198805090,
Sergey N. Dorogovtsev, José F. F. Mendes, The Nature of Complex Networks, 2022
Van Der Hofstad, Remco. Random graphs and complex networks. Vol. 54. Cambridge university press, 2024.

Opcional

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

CP1. Polinómios e números complexos. Funções complexas elementares. Equação de Laplace. Séries de Laurent. Convergência pontual e uniforme. Fórmula de Euler
CP2. Método das variáveis complexas para derivação numérica de funções reais. Fórmulas integrais de Cauchy
CP3. Sinais discretos e contínuos. Periodicidade e função generalizada
CP4. Ortogonalidade de funções. Série de Fourier: forma trigonométrica e exponencial complexa. Convergência
CP5. Séries na solução de equações diferenciais (EDs). Separação de variáveis. Equação do calor. ED semi-linear. Equação da onda
CP6. Transformada de Fourier. Convolução. ED parcial de Black-Scholes
CP7. Diagramas (amplitude e fase) de sinais nos domínios do tempo e da frequência
CP8. Métodos discretos de Fourier. Transformada discreta de Fourier: aliasing e o teorema da amostra
CP9. Transformada rápida de Fourier (FFT) e métodos espectrais. Espectro de potência e teorema de Parseval
CP10. Aplicações a amostras de dados experimentais e de simulação

Aprovação com classificação não inferior a 10 valores (escala de 0 a 20) numa das modalidades seguintes:

- Avaliação ao Longo do Semestre:
- Teste 1 (35%);
- Teste 2 (35%), realizado na data do exame de 1.ª época;
- Trabalho prático em grupo (20%);
- Exercícios resolvidos no Moodle e/ou em aula (10%).

É exigida uma classificação mínima de 7 valores (escala de 0 a 20) em cada um dos testes.

- Avaliação por Exame: Prova escrita individual (100%), realizada em qualquer das épocas de exame.

O docente responsável pela unidade curricular pode determinar a realização de uma discussão oral complementar relativamente a qualquer elemento de avaliação previsto, sempre que tal se revele necessário para confirmar a autoria dos trabalhos realizados, validar a aquisição dos conhecimentos e competências avaliados ou esclarecer discrepâncias entre diferentes elementos de avaliação.

A discussão oral complementar não constitui um instrumento autónomo de avaliação nem tem ponderação própria na classificação final da unidade curricular. Destina-se exclusivamente à validação do desempenho demonstrado no respetivo elemento de avaliação. A classificação inicialmente atribuída a esse elemento tem natureza provisória até à realização da discussão oral complementar, podendo ser confirmada ou revista em função do desempenho demonstrado pelo estudante na discussão oral complementar e dos critérios de avaliação aplicáveis.

A convocatória para a discussão oral complementar será comunicada ao estudante com uma antecedência mínima de 24 horas, indicando a data e a hora de realização. A não comparência, sem justificação atendível, impossibilita a validação do respetivo elemento de avaliação, aplicando-se as consequências previstas para a sua não realização ou desistência.

Obrigatória

[1] Luis Barreira e Claudia Valls (2021) Equações Diferenciais via Análise Real e Complexa, IST Press
[2] Luis Barreira e Claudia Valls (2021) Exercícios de Equações Diferenciais via Análise Real e Complexa, IST Press
[3] Pedro Girão (2014) Introdução à Análise Complexa, Séries de Fourier e Equações diferenciais, IST Press
[4] Ronald L. Lipsman and Jonathan M. Rosenberg (2018) Multivariable Calculus with MATLAB, Springer
[5] A. V. Oppenheim, A. S. Willlsky (2013) Signals and Systems, 2nd Ed., Pearson
[6] Djairo G. Figueiredo (2022) Análise de Fourier e Equações Diferenciais Parciais. IMPA, 4ª Ed

Opcional

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 Intercalar (20%) + 2 Trabalhos de grupo em Python (2x15%) + Trabalho Autónomo (10%) + Teste Final/Frequência (40%); é exigida nota mínima de 7 valores (escala 1-20) no Teste Final
- Avaliação por Exame (100%), em qualquer uma das épocas de exame, com prova escrita individual.

Obrigatória

Taha, H.A. (2017). Operations Research: an introduction, 10th Ed.. Pearson.
Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cemgage Learning.
Hillier, F.S. Lieberman, G.J. (2014). Introduction to Operations Research, 10th Ed.. McGraw-Hill.
Nash, S.G, Sofer A. (1996). Linear and Nonlinear Programming. McGraw-Hill.

Opcional

Winston, W.L. (2004). Operations Research: Applications and Algorithms, 4th Ed.. Duxbury Press.

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 matemática aplicada
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
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 matemática aplicada. 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%

Obrigatória

Outra bibliografia dependente dos temas específicos do projeto e das orgaizações onde os alunos o irão desenvolver.
Brown, T (2009), Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, HarperCollins, 2009, ISBN-13: 978-0062856623
Osterwalder, A., Pigneur, Y., Papadakos, P., Bernarda, G., Papadakos, T., & Smith, A. (2014). Value proposition design. John Wiley & Sons.
Knapp, J., Zeratsky, J., & Kowitz, B. (2016). Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days. Bantam Press.
Lewrick, M, Link, P., Leifer, L. (2020). The Design Thinking Toolbox, Wiley, ISBN 9781119629191

Opcional

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

O processo de avaliação compreende os seguintes elementos:

A) Avaliação ao longo do semestre

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

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

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

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

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

Obrigatória

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

Opcional

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

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

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;
CP8. Estudo de modelos de difusão em grafo. Aplicativos para redes complexas.
CP9. Simulação numérica de um processo de branching que revela a disseminação de informação numa rede.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre: Teste 1 (35%) + Teste 2 (35%) + trabalho prático em grupo (15%) + exercícios resolvidos no Moodle e/ou em aula (15%). É exigida nota mínima de 8 valores (escala 1-20) em cada um dos elementos de avaliação.
- Avaliação por Exame: Em qualquer das épocas, com prova escrita individual (100%).

Existe a possibilidade de realização de provas orais.

Obrigatória

1 - Dobrow R.P. (2016). Introduction to Stochastic Processes with R, 1st Edition. Wyley.
2 - Sheldon M. Ross (2024). Introduction to Probability Models, 13th Edition, Academic Press, Elsevier.

Opcional

3 - Levin D.A., Peres Y. (2017). Markov Chains and Mixing Times, 2nd Revised edition.American Mathematical Society.
4 - Brzezniak Z., Zastawniak T. (1998). Basic Stochastic Processes: A Course Through Exercises. Springer Undergraduate Mathematics Series.
5 - A. Edelman, "Random matrix theory and its innovative applications" (MATLAB codes) https://math.mit.edu/~edelman/publications/random_matrix_theory_innovative.pdf

CP1. Recolha e preparação de dados: identificação de fontes, contacto com entidades, organização e limpeza dos dados.
CP2. Definição do problema e dos indicadores: formulação de perguntas de investigação, revisão bibliográfica, identificação de métricas relevantes.
CP3. Desenvolvimento e validação de modelos: escolha de métodos de análise, construção e teste de modelos matemáticos ou computacionais.
CP4. Comunicação e aplicabilidade: redacção do relatório final, preparação da apresentação oral, proposta de melhorias e reutilização do projeto.

A avaliação é composta por três componentes:

Acompanhamento semanal (25%) – avalia o envolvimento em aula, a assiduidade, as tarefas semanais, e a evolução do projeto.

Relatório final (50%) – avalia a clareza, o rigor metodológico e a qualidade da análise desenvolvida.

Defesa do projeto (25%) – avalia a capacidade de comunicar e discutir o trabalho realizado.

Obrigatória

Outra bibliografia dependente dos temas específicos do projeto e das organizações onde os alunos o irão desenvolver.

Opcional

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 e componentes principais

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao longo do semestre: um teste realizado na data da 1ª época (60%) + trabalho(s) prático(s) (30%) + trabalho autónomo (10%)
Todos os elementos de avaliação são obrigatórios e têm nota mínima de 8 valores.
Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.
ou
- Avaliação por Exame (100%).

Nota: Para esta Unidade Curricular, os estudantes devem consultar o Código de Conduta Académica do Iscte, disponível nas plataformas institucionais, para garantir o cumprimento das normas éticas e comportamentais estabelecidas.

Obrigatória

Rogel-Salazar J. (2018). Data Science and Analytics with Python. Taylor & Francis Group.
Hastie T.; Tibshirani R.; Friedman J. (2017). The elements of statistical learning: data mining, inference, and prediction. Springer. [electronic resource: https://web.stanford.edu/~hastie/Papers/ESLII.pdf ]
Agresti A.; Franklin C.; Klingenberg B. (2018). Statistics: The Art and Science of Learning from Data, 4th Edition. Pearson.

Opcional

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
Albright S.C.; Winston W.L. (2019). Business Analytics: Data Analysis & Decision Making, 7th Edition. Cengage Learning.