Cristiane da Anunciação Souza

O aluno que complete com sucesso esta Unidade Curricular será capaz de:
- Conhecer as origens do debate acerca da relação entre cognição e emoção
- Conhecer as principais concepções teóricas acerca da relação entre cognição e emoção
- Compreender, analisar e avaliar os principais métodos e técnicas de investigação da influência das emoções na cognição e dos factores cognitivos implicados nas emoções.
- Compreender e explicar a influência das emoções em processos cognitivos e sócio-cognitivos
- Explicitar implicações práticas deste domínio de investigação, aplicando o conhecimento adquirido a diferentes contextos

1. Definições básicas e fundamentos do estudo da relação cognição-emoção
1.1. Cognição: Noções de representação cognitiva e de processamento de informação; panorâmica das funções cognitivas
1.2. Emoção e conceitos relacionados
1.3. Contextualização histórica e filosófica do debate cognição-emoção
1.4. Aspetos metodológicos do estudo da relação cognição-emoção
2. Influência da emoção na cognição
2.1. Julgamento, tomada de decisão e modos de processamento
2.2. Atenção e controlo cognitivo
2.3. Memória
2.4. Linguagem
2.5. Traços emocionais e processamento cognitivo
2.6. Perturbações afetivas
3. Influência da cognição na emoção
3.1. Processos cognitivos e regulação emocional
3.2. Perturbações da cognição e impacto na emoção
4. Integração de processos emocionais e cognitivos: mecanismos e bases cerebrais

Periódica: Trabalho de grupo, incluindo apresentação/discussão de artigo em aula (10%) e relatório escrito sobre o tema (20%); resposta individual a duas perguntas (20%); teste escrito (50%). Os estudantes ficam aprovados se tiverem nota igual ou superior a 9.5 valores em cada um dos elementos.

Final: os estudantes terão acesso a exame final (1ª e/ou 2ª época) nas condições vigentes no REACC. A aprovação implica a obtenção de nota igual ou superior a 9.5 valores.

Isabel Machado Alexandre

Ana Maria de Almeida

Os objetivos de aprendizagem seguem os canônes internacionais e são os seguintes:
OA1. Conhecer vários sistemas de representação de conhecimento e de raciocínio.
OA2. Compreender como representar conhecimento e as formas de raciocínio em cada sistema.
OA3. Conhecer as vantagens, limitações e fragilidades de cada sistema.
OA4. Poder efetuar a escolha adequada de um sistema de representação e raciocínio dado um problema.
OA5. Saber construir bases de conhecimento segundo cada sistema.
OA6. Ter capacidade de representar e resolver problemas razoavelmente complexos de representação e raciocínio usando os vários sistemas.

Os conteúdos programáticos (CP) são os seguintes:
CP1: Representação baseada em objetos
CP2: Descrições Estruturadas
CP3: Ontologias e Representação do Domínio do Conhecimento
CP4: Representação do Conhecimento em Contexto Social (Semantic Web)
CP5: Programação Lógica
CP6: Lógicas não monótonas e ASP-Answer Set Programming
CP7: Incerteza e Graus de crença
CP8: Raciocínio Abdutivo
CP9: Raciocínio Qualitativo
CP10: Satisfação de Restrições
CP11: Representação e Raciocínio por Ações e planos CP12: Abstração, Reformulação e Aproximação

Os estudantes são avaliados utilizando o trabalho de grupo em workshops (GW), lendo artigos de conferências e revistas e apresentando um artigo de investigação individual (IR) e escrevendo um relatório individual relativo aos seminários (RS), de acordo com a fórmula: 0,3 x GW + 0,3 x RS + 0,4 x IR

Ricardo Ribeiro

No final da UC o aluno deverá ser capaz de:
OA1. Identificar os principais marcos históricos da disciplina;
OA2. Conhecer as relações com outras disciplinas;
OA3. Enumerar e reconhecer algumas das aplicações;
OA4. Caracterizar as principais famílias de algoritmos usados em Aprendizagem Automática;
OA5. Compreender e explicar os fundamentos e o funcionamento de um algoritmo que exemplifique: aprendizagem supervisionada (simbólica e sub-simbólica), não supervisionada, por reforço e algoritmos de procura.
OA6. Saber explicar em detalhe o funcionamento de um dos algoritmos estudados.
OA7. Implementar um algoritmo de aprendizagem automática e/ou usá-lo num problema não trivial.

CP1. Nota histórica sobre a Aprendizagem Automática. Relação com outras disciplinas. Principais aplicações.
CP2. Problemas e tipos de aprendizagem;
CP3. Aprendizagem Não Supervisionada;
CP4. Aprendizagem Supervisionada (simbólica e sub-simbólica);
CP5. Aprendizagem por Reforço;
CP6. Métodos de procura e Algoritmos Genéticos;
CP7. Preparação de dados, validação de resultados;
CP8. Técnicas de aceleração de algoritmos de AA.
CP9. Implementação de algoritmo de AA

Apenas é possível obter aprovação a esta UC por avaliação periódica, não contemplando a modalidade de avaliação por exame.

Elementos de avaliação:
- 4 exercícios práticos que incluem um mini-teste (15% cada), durante o período letivo;
- projeto em grupos de 2 elementos (40%) que inclui um relatório (com um limite de 10 páginas), código e apresentação oral (aproximadamente 10 minutos), a realizar em qualquer das épocas de avaliação — o projeto deve ser entregue até uma semana antes da época de avaliação escolhida

A avaliação em época especial será composta pelo projeto e um teste escrito que substitui a componente dos exercícios práticos.

A assiduidade não é usada como critério de avaliação ou reprovação.

Cristiana João da Silva

No final da UC o aluno deverá ser capaz de:
OA1 - Usar métodos de Otimização linear e quadrática.
OA2- Aplicar métodos numéricos de otimização clássica.
OA3 – Entender, aplicar e adaptar algumas metaheurísticas.
AO4 - Entender, aplicar e adaptar os principais métodos de descida do gradiente.

1-Introdução e Revisão
1.1- Introdução
1.2- Programação Linear e Quadrática
1.3 - Cálculo Diferencial, Otimização livre e condicionada
1.4 - Métodos numéricos
2- Metaheurísticas
2.1- Arrefecimento Simulado
2.2- Métodos de Pesquisa Tabu
2.3- Algoritmos Evolucionários
3-Descida do Gradiente e variações
3.1 Descida do Gradiente
3.2 Descida do Gradiente Estocástico
3.3 Momentum
3.4 Adagrad
3.5 Outros

As modalidades de avaliação são:
- Avaliação periódica: teste (50%) + trabalhos (50%), ou- Avaliação por Exame (100%).
- Aprovação em avaliação periódica requer uma nota mínima de 9.0 em 20 no teste.

Jorge Miguel da Rocha

João Costa

OA1. Conhecer conceitos fundamentais de álgebra linear, teoria das probabilidades e informação.
OA2. Aplicar as técnicas anteriores (OA1) no contexto de aprendizagem automática, em particular, implementando métodos de Kernel e processos Gaussianos em problemas de regressão e classificação.
OA3. Dominar técnicas fundamentais de análise de Fourier e Wavelets.
OA4. Utilizar os métodos anteriores (OA1 e OA3) no contexto de processamento de sinal, imagem e fala.
OA5. Aplicar algoritmos básicos de programação dinâmica à resolução de problemas via aprendizagem por reforço. OA6. Implementar em python as técnicas referidas.

I - Álgebra Linear, probabilidades e informação
1. Produtos internos e decomposição de matrizes.
2. Variáveis aleatórias, informação e entropia.
3. Métodos de Núcleo e processos Gaussianos em regressão e classificação.
II - Processamento de sinal.
1. Análise de componentes principais.
2. FFT e convolução.
3. Compressed sensing.
4. Wavelets discretas.
5. Aplicações ao processamento de som, imagem e fala.
III - Programação dinâmica e aprendizagem por reforço.
1. (Aula convidada) Psicologia comportamental e aprendizagem.
2. O contexto da aprendizagem por reforço.
3. A equação de Bellman.
4. Métodos iterativos e aplicações.
5. Métodos de Monte Carlo.

As aulas desenrolam-se de acordo com as seguintes metodologias de ensino-aprendizagem (MEA): MEA1.Exposição e discussão
MEA2.Resolução de exercícios MEA3.Trabalho autónomo do aluno MEA4. Aulas convidadas.
Relativamente ao ponto MEA4, prevê-se a realização duma aula convidada, leccionada por um docente do Departamento de Psicologia Social e das Organizações (havendo disponibilidade por parte dos docentes desse departamento).

Jorge Miguel da Rocha

João Costa

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

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

A avaliação será feita por 4 fichas de exercícios (25% cada), realizados individualmente. Cada ficha terá uma pequena componente escrita e uma componente principal de implementação em python. As resoluções apresentadas estão sujeitos a discussão.

Ana Maria de Almeida

OA1 Aplicar normas e leis relevantes, considerações éticas, sociais, de privacidade e de governação, demonstrando compreensão das questões relacionadas com a prática de um profissional em Inteligência Artificial (IA).
OA2 Analisar e discutir o impacto social e as questões profissionais relacionadas com a IA, a implantação de sistemas de IA, avaliando as implicações de delegar o controlo e a tomada de decisão em sistemas inteligentes, incluindo questões sobre equidade, parcialidade, transparência, responsabilidade e explicabilidade da IA.
OA3 Analisar e avaliar estudos de caso e saber avaliar o trabalho dos pares.
OA4 Comunicar eficazmente com audiências através de uma série de modos e meios de comunicação, especificamente, através de relatórios técnicos escritos e apresentações visuais e orais.
OA5 Aplicar princípios de investigação responsáveis e éticos e escolher métodos apropriados para analisar, teorizar e justificar conclusões na prática e investigação profissional de IA.

Introdução: uma breve história da IA;
P2 Como funciona a IA;
P3 Viés, Ética, Equidade, Privacidade, Robustez e Confiança;
P4 Quadros regulamentares
P5 AI para o presente: estudos de caso
P6 O desafio da interpretabilidade: XAI P7 IA para o futuro: tópicos especiais em IA

Os estudantes são avaliados utilizando o trabalho de grupo em workshops (GW), lendo artigos de conferências e revistas e apresentandoos (RP), e escrevem um artigo de investigação individual (IR), de acordo com a fórmula: 0,3 x GW + 0,3 x RP + 0,4 x RI

Luís Nunes

O aluno, ao terminar a UC, deve:
OA1: Conhecer um processo de organização de projetos de IA
OA2: Saber escrever um artigo científico baseado nos resultados de uma experiência
OA3: Ter ganho experiência das tarefas habitualmente envolvidas num projeto de IA
OA4: Ter contacto com os problemas inerentes à utilização de dados realistas

P1. CRISP-DM
P2. Introdução à escrita de artigos científicos
P3. Introdução à organização e gestão de projetos P4. Prática de projeto de IA

Avaliação Periódica: Apresentação de projeto em grupo (grupos de duas pessoas no máximo, final do período letivo, 50%) e entrega de artigo individual sobre a experiência (1ª ou 2ª época, 50%). Caso o aluno tenha direito a EEF pode entregar ambas as componentes da avaliação ou apenas uma delas caso a outra tenha sido já avaliada positivamente no mesmo ano letivo. Esta disciplina não tem exame final

OA1: Conhecer as principais arquiteturas de redes neuronais para o processamento de dados sequenciais
OA2: Aplicar versões simplificadas de algumas das arquiteturas de processamento de dados sequenciais a problemas concretos OA3: Descrever o funcionamento de modelos generativos, tais como as Generative Adversarial Networks, Variational Autoencoders e modelos baseados em Fluxo e modelos autoregressivos
OA4: Descrever a arquitetura de modelos baseados em transformadores e auto-atenção, tais como BERT, GPT-2 e GPT-3, bem como variantes destes modelos
OA5: Aplicar modelos pré-treinados baseados em transformadores a casos de estudo, fazendo uso de transferência de apendizagem OA6: Conhecer as atuais tendências na aplicação de modelos de língua a problemas reais

Introduction, Revisiting Neural Networks (Feed Forward networks, Backpropagation) P1: Sequential data
- Recurrent Neural Networks
- Learning challenges and solutions
- Conditional sequence models
- LSTMs
- CNNs for sequential data
- Learning with attention- ELMO as a case study
P2: Generative Modeling
- GANs
- Variational autoencoders (VAE)
- Flow-based models
- Autoregressive models
P3: Transformers & self-attention
- BERT, GPT2 and GPT-3, and BART
- Transfer learningP4: Recent Trends:
- LaMDA: Language Models for Dialog Applications- Responsibility first

Avaliação periódica: Teste Intermédio (25%) + PROJETO (35%) + Teste Final (40%). Os alunos vão a exame final caso tenham optado por este regime, ou não tenham obtido nota positiva na avaliação periódica. O exame final é composto por um teste individual que cobre toda a matéria. A assiduidade não é requisito essencial de aprovação.