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

Avaliação ao longo do semestre: Trabalho de grupo, incluindo apresentação/discussão de artigo em aula e relatório escrito sobre o tema (40%); teste (60%). Os estudantes ficam aprovados se tiverem nota igual ou superior a 9.5 valores em cada um dos elementos.

Quem não tenha realizado ou quem tenha reprovado em avaliação ao longo do semestre pode fazer avaliação por exame (a aprovação requer pelo menos 9.5 valores)

Obrigatória

Eysenck, M. W., & Keane, M. T. (2020)Cognitive psychology: A student’s handbook (8th Edition). Routledge: Taylor & Francis Group
Storbeck, J., & Clore, G. (2007). On the interdependence of cognition and emotion. Cognition and Emotion, 21, 1212-1237
Power, M. J., Dagleish, T. (Eds., 2016). Handbook of cognition and emotion: From order to disorder (Third Edition). London: Psychology Press
Pessoa, L. (2008). On the relationship between emotion and cognition. Nature Reviews Neuroscience, 9, 148-158.
Okon-Singer, H., Hendler, T., Pessoa, L., & Shackman, A. (2015). The neurobiology of emotion?cognition interactions: fundamental questions and strategies for future research. Frontiers in Human Neuroscience, 9, 58.
Ochsner, K. N., & Phelps, E. (2007). Emerging perspectives on emotion-cognition interactions. Trends in Cognitive Sciences,11(8), 317-318.
Duncan, S., & Barrett, L. F. (2007). Affect is a form of cognition: A neurobiological analysis. Cognition and Emotion, 21, 1184-1211.

Opcional

·

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

Na avaliação ao longo do semestre, os alunos terão de realizar:
- Teste escrito individual sobre todo o programa da UC (60%) - a realizar na época de exames (1º ou 2º exame).
- Trabalho de investigação (em grupo) sobre um dos temas da UC, com relatório e apresentação oral (40%). A apresentação oral é efetuada em tempo de aula durante o semestre. A nota do trabalho de investigação é dividida em 50% por cada componente e os membros do grupo podem ter notas diferentes.
Ambas as componentes de avaliação na avaliação ao longo do semestre têm uma nota mínima de 8 valores.

Em alternativa, os alunos podem realizar apenas um exame (100%), que pode ser em ambas as datas de exame.
Na época especial de exames os alunos realizam o exame (100%).

Obrigatória

--

Opcional

1. Regressão linear.
2. Classificadores lineares.
3. Redes neuronais densas e backprop.
4. Teoremas de aproximação universal e análise assimptótica.
5. Diferenciação automática.
6. Introdução ao TensorFlow e ao Keras
7. Técnicas de regularização.
8. Redes de convolução.
9. Data augmentation e fine-tuning.
10. Introdução à aprendizagem por reforço profunda

Os alunos deverão escolher entre dois modelos de avaliação:

Modelo 1 (Avaliação Regular):
Composto por 2 momentos de avaliação prática presencial e individual (50 % cada). Nestas avaliações, será pedido aos alunos para adaptarem e modificarem os códigos desenvolvidos em aula, devidamente complementados pelo trabalho autónomo dos alunos. Esse trabalho autónomo, de preparação para a avaliação, é organizado em fichas de trabalho semanais.

Modelo 2 (Melhoria de Nota):
Caso os alunos não estejam satisfeitos com o resultado da avaliação no Modelo 1, podem realizar um
trabalho de grupo (grupos de até 4 elementos) que terá um peso de 30% na avaliação, sendo os restantes 70% determinados pelo resultado na Avaliação Regular.

Observação: Todos os momentos de avaliação estão sujeitos a uma eventual discussão oral.

Obrigatória

- François Chollet, “Deep Learning with Python”, Manning, Second Edition 2021.
- Maxim Lapan, “Deep Reinforcement Learning Hands On”, Packt, Second Edition 2020.

Opcional

- Ian Goodfellow and Yoshua Bengio, and Aaron Courville, "Deep Learning", MIT press, 2016

P1 Introdução: uma breve história da IA.
P2 Como funciona a IA: taxonomia.
P3 Viés, Ética, Equidade, Privacidade, Robustez e Confiança;.
P4 Quadros legais e regulamentares.
P5 AI para o presente: estudos de caso - aplicações conhecidas e AI4Good.
P6 O desafio da interpretabilidade e comprensabilidade: XAI.
P7 IA para o futuro: tópicos especiais em IA.

Sendo uma UC que trabalha maioritariamente conceitos e métodos de ponta num estado da arte ainda em evolução, não configura a figura de exame escrito a 100%.
Os estudantes são avaliados através de:
(a) um trabalho de grupo em workshops (GW),
(b) apresentando aos pares um artigo de conferência ou revista (RP) num tópico específico (no final do semestre)
(c) mini-testes individuais (RI) efetuados durante o semestre,
de acordo com a fórmula: 0,3 x GW + 0,4 x RP + 0,3 x RI.
Para aprovação, qualquer elemento em avaliação requer uma nota mínima de 8 valores.

Obrigatória

S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach. Pearson, Upper Saddle River, NJ, 2009.

A. Holzinger, P. Kieseberg, E. Weippl & A Min Tjoa. Current Advances, Trends and Challenges of Machine Learning and Knowledge Extraction: From Machine Learning to Explainable AI. Springer Lecture Notes in Computer Science LNCS 11015. Cham: Springer, pp. 1-8, 2018.

C. Molnar. Interpretable machine learning. A Guide for Making Black Box Models Explainable, 2019. https://christophm.github.io/interpretable-ml-book/.

T. Miller. Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267, 1–38, 2019.

Opcional

ALLEA The European Code of Conduct for Research Integrity, European Union, URL: https://allea.org/code-of-conduct/

Artificial intelligence act,
URL: https://www.europarl.europa.eu/RegData/etudes/BRIE/2021/698792/EPRS_BRI(2021)698792_EN.pdf

Material de leitura a determinar ao longo das aulas e de acordo com os temas a tratar, nomeadamente: artigos em revistas científicas/artigos de opinião/livros para discussão em aula.

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 ao longo do semestre, não contemplando a modalidade de avaliação por exame.

Elementos de avaliação:
- 4 exercícios práticos, código e relatório, em grupos de 2 elementos (10% cada) durante o período letivo com discussão presencial;
- 1 teste (20%), durante o período letivo;
- projeto de grupo (40%) que inclui um relatório, código e apresentação oral

A avaliação em época especial será composta pelo projeto realizado individualmente e, tal como nas outras épocas, a entregar uma semana antes da época especial e um teste escrito que substitui a componente dos exercícios práticos e mini-testes. Os pesos destes elementos de avaliação são os mesmos indicados anteriormente.

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

Obrigatória

Ethem Alpaydin, Introduction to Machine Learning, Fourth Edition, 2020, https://mitpress.mit.edu/9780262043793/introduction-to-machine-learning/

Opcional

- Tom Mitchell, Machine Learning, 1997, http://www.cs.cmu.edu/~tom/mlbook.html
- Simon Haykin, Neural Networks and Learning Machines, Third Edition, 2009, https://cours.etsmtl.ca/sys843/REFS/Books/ebook_Haykin09.pdf
- R. Duda and P. Hart, Pattern Classification and Scene Analysis., 1973, https://www.amazon.com/Pattern-Classification-Scene-Analysis-Richard/dp/0471223611

CP1. Introdução e Revisão
1.1. Introdução
1.2. Programação Linear e Quadrática
1.3. Cálculo Diferencial, Otimização livre e condicionada
1.4. Métodos numéricos

CP2. Descida do Gradiente e variações
2.1. Descida do Gradiente
2.2. Descida do Gradiente Estocástico
2.3. Momentum
2.4. Adagrad
2.5. Outros

CP3. Metaheurísticas
3.1. Arrefecimento Simulado
3.2. Métodos de Pesquisa Tabu
3.3. Algoritmos Evolucionários

As modalidades de avaliação são:

1) Avaliação ao longo do semestre:
- 1 mini-teste (15%) realizado individualmente durante o período letivo;
- 1 trabalho de investigação (45%) sobre um ou mais temas da UC, realizado por grupos com 2 ou 3 elementos (incluindo um relatório, código e apresentação oral, durante o período letivo);
- 1 teste escrito individual (40%) - a realizar na 1ª época ou na 2ª do período de avaliação.
Aprovação em avaliação ao longo do semestre requer uma nota mínima de 8.0 (em 20) em todas as componentes.

2) Avaliação por Exame: realização de uma prova escrita (com um peso de 100%), na 1ª época ou na 2ª época do período de avaliação.

Considera-se que o aluno teve aprovação à disciplina se tiver nota superior ou igual a 9.50 (em 20) valores.

Obrigatória

Sra, Suvrit, Sebastian Nowozin, and Stephen J. Wright, eds., Optimization for machine learning, Mit Press, 2012.

Dréo, Johann, et al., Metaheuristics for hard optimization: methods and case studies, Springer Science \& Business Media, 2006.

Opcional

Dive into DeepLearning, Chapter 11, Optimization algorithms, https://d2l.ai/chapter_optimization/

Postek, Krzysztof and Zocca, Alessandro and Gromicho, Joaquim and Kantor, Jeffrey, Hands-On Mathematical Optimization with AMPL in Python, 2024. https://ampl.com/mo-book

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 ao longo do semestre.

Apresentação de projeto em grupo no final do período letivo, (50%) e acompanhamento do projeto e apresentações intercalares avaliadas individualmente (50%).

Caso o aluno tenha direito a EEF pode entregar um projeto individual nessa época com uma discussão. Esta disciplina não tem exame final.

Obrigatória

F. Martínez-Plumed et al., "CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories," in IEEE Transactions on Knowledge and Data Engineering, vol. 33, no. 8, pp. 3048-3061, 1 Aug. 2021, doi: 10.1109/TKDE.2019.2962680. keywords: {Data mining;Data science;Data models;Trajectory;Business;Knowledge discovery;Standards;Data science trajectories;data mining;knowledge discovery process;data-driven methodologies}

Opcional

Wortman-Wunder, Emily, & Kate Kiefer. (1998). Writing the Scientific Paper. Writing@CSU. Colorado State University. https://writing.colostate.edu/resources/writing/guides/, consulted 25-jun-2024.

I - Álgebra Linear, probabilidades e informação.
1. Produtos internos e decomposição de matrizes.
2. Análise de componentes principais.
3. Variáveis aleatórias, informação e entropia.
4. Métodos de Núcleo e processos Gaussianos em regressão e classificação.

II - Processamento de sinal.
1. Transformada de Fourier discreta, FFT e convolução.
2. Wavelets discretas.
3. Aplicações ao processamento de som e imagem.

III - Programação dinâmica e aprendizagem por reforço.
1. O contexto da aprendizagem por reforço.
2. A equação de Bellman.
3. Métodos iterativos e aplicações.
4. Métodos de Monte Carlo.

Esta UC, tendo uma forte componente de caráter eminentemente prático, contempla unicamente a modalidade de avaliação ao longo do semestre. Para tal, é requisito mínimo a assiduidade a 50% das aulas.
A avaliação será feita através de 2 fichas de exercícios, 2 projetos, e uma prova escrita final.
Cada ficha de exercícios vale 10% da nota final (em conjunto valem 20%), e são realizadas individualmente por escrito.
Cada projeto vale 15% da nota final (em conjunto valem 30%), e é para ser desenvolvido e implementado em Python. Os projetos são realizados em grupos de 3 pessoas, preferencialmente, e estarão sujeitos a uma discussão final.
A prova escrita final (valendo 50% da nota final) coincide com as datas de exame de 1ª época e 2ª época, e engloba toda a matéria da UC, exceptuando qualquer a implementação em Python. Para obter aprovação à UC uma nota mínima de 8.0 valores é exigida nesta prova escrita final.
A época especial está reservada para os casos previstos no Artigo 14o do Regulamento Geral de Avaliação de Conhecimentos e Competências (RGACC).

Obrigatória

1. Ian Goodfellow, Yoshua Bengio e Aaron Courville, "Deep learning", MIT press, 2016.
2. Christopher M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006.
3. Richard S. Sutton and Andrew G. Barto, "Reinforcement Learning: an introduction", MIT press, 2nd edition, 2018.
4. Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola, "Dive into Deep Learning", 1st Edition, Cambridge University Press, 2024.

Opcional

1. Francois Chollet, "Deep Learning with Python", Second Edition, Manning Publications Co., 2021.
2. Steven L. Brunton and J. Nathan Kutz, “Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control”, Cambridge University Press, 1st edition, 2019.

Introduction and fundamental concepts revision
P1: Revisiting Neural Networks
- Feed Forward networks and backpropagation
- Regularization Techniques: Dropout, weight decay, early stopping
- Hyperparameter Tuning: Grid search, random search, Bayesian optimization
P2: Sequential data
- Recurrent Neural Networks
- Conditional sequence models
- LSTMs
- CNNs for sequential data
- Attention Mechanisms in sequential models
P3: Transformers
- Transformer architecture and attention
- Processing Natural Language
- Transformer Language Models
- Multimodal Transformers
- Applications, dialog systems, recent trends
P4: Generative Modeling
- Generative Adversarial Networks (GANs)
- Variational autoencoders (VAE)
- Autoregressive models

Avaliação ao longo do semestre: Minitestes (15%) + Projeto (35%) + Teste Final (50%), realizado em 1ª época (em simultâneo com o exame). É exigida uma nota mínima de 8 valores em cada componente de avaliação.
Os alunos vão a exame final (1ª época, 2ª época e época especial) 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 nota final do Projeto é fixada para cada aluno através de uma prova oral e dependerá do código, relatório e desempenho do aluno na oral. As perguntas dos testes podem envolver aspectos relacionados com o Projeto.

Obrigatória

- Deep Learning: Ian Goodfellow, Yoshua Bengio, Aaron Courville 2016 MIT Press
- Deep Learning - Foundations and Concepts, Christopher M. Bishop , Hugh Bishop, Springer 2024, ISBN 978-3-031-45467-7
- Probabilistic Machine Learning: An Introduction, Murphy, Kevin, (2022), https://probml.github.io/pml-book/book1.html

Opcional

- Eli Stevens, Luca Antiga, Thomas Viehmann (2020) Deep learning in Python/ Pytorch, Manning Publications (Free book)
- Aurélien Géron, “Hands-On Machine Learning with Scikit-Learn and TensorFlow”, O’Reilly, 2017

(P1) Estruturação de uma dissertação;
(P2) Revisão Sistemática de Literatura;
(P3) Apresentação de resultados;

Esta disciplina tem uma avaliação final por júri, na submissão da tese.
As avaliações feitas durante o primeiro semestre são apenas formativas.

Obrigatória

Slides da disciplina

Opcional

Obrigatória

Opcional