Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Inteligência Artificial
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2023/2024
Pré-requisitos / Pre-Requisites
Os alunos deverão saber usar um sistema computacional com um dos sistemas operativos mais comuns (Windows, Linux ou IOS). Além disso, devem compreender perfeitamente conceitos fundamentais de computação e de aprendizagem automática tais como: programação, aprendizagem supervisionada e não-supervisionada e, se possível, alguns algoritmos de aprendizagem não simbólica tais como redes neuronais artificiais.
Objetivos Gerais / Objectives
Pretende complementar-se a formação dos alunos obtida nas restantes UCs da licenciatura de Ciência dos Dados com técnicas maioritariamente simbólicas de inteligência artificial adaptativa e aprendizagem automática. Os três principais tópicos do programa são a programação em lógica, tecnologias adaptativas essencialmente simbólicas para representar modelos adaptativos do mundo, e métodos de aprendizagem automática simbólica para aprender modelos do mundo.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Pretende introduzir-se as temáticas da Inteligência Artificial e Aprendizagem Automática Simbólicas, numa perspetiva essencialmente aplicada, tendo em linha de conta a inserção da cadeira no curso, os conhecimentos adquiridos noutras cadeiras e as necessidades fundamentais do curso. Os três principais tópicos do programa são a programação em lógica, tecnologias adaptativas essencialmente simbólicas para a representação de modelos adaptativos do mundo, e métodos de aprendizagem automática simbólica para aprender modelos do mundo. Após a conclusão da UC, os alunos devem - Ter consciência da existência de paradigmas simbólicos para a representação e aprendizagem de modelos adaptativos do mundo - Ter adquirido a aptidão de decidir usar os paradigmas aprendidos na unidade curricular em problemas / domínios aplicacionais adequados
Conteúdos Programáticos / Syllabus
Perspetiva Geral da Cadeira: necessidade, vantagens e desvantagens das tecnologias essencialmente simbólicas para a representação e aprendizagem de modelos adaptativos da realidade, e o papel de cada componente do programa nos desideratos da cadeira. Programação em lógica para representar modelos da realidade e raciocinar com eles. Representação e raciocínio baseados em conjuntos vagos e em lógica vaga para representar modelos adaptativos essencialmente simbólicos e raciocinar com eles. Representação e raciocínio baseado em casos para representar modelos adaptativos essencialmente simbólicos e raciocinar com eles. Introdução à Explainable AI e suas características e domínios de aplicação. Conceitos de Responsible AI.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
Os dois objetivos mais importantes da cadeira são (O1) a extração, representação de e raciocínio com modelos adaptativos essencialmente simbólicos do mundo e (O2) e a compreensão dos conceitos da área de Explainable AI de forma a tornar mais transparente a utilização de modelos não simbólicos e mais responsáveis. A programação em lógica é um objetivo instrumental destes objetivos, não satisfazendo diretamente nenhum deles. A programação em lógica constitui uma abordagem adequada para (i) suportar a representação baseada nos conjuntos e lógica vaga de modelos mundo, e (ii) a representação baseada em casos de modelos do mundo, os quais satisfazem o objetivo O1. A introdução à Explainable AI e Responsible AI, satisfazem o objetivo O2.
Avaliação / Assessment
Na avaliação periódica, 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 efectuada em tempo de aula durante o semestre. A nota do trabalho de investigação é dividida em 50% por cada elemento e os membros do grupo podem ter notas diferentes. Ambas as componentes de avaliação nas avaliações periódicas 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%).
Metodologias de Ensino / Teaching methodologies
A representação de e raciocínio com modelos simbólicos adaptativos do mundo, quer a baseada em logica vaga, quer a baseada em casos, e Explainable AI e a Responsible AI serão aprendidas através de aulas expositivas assentes em exemplo, aulas de laboratório computacional, e da resolução autónoma de exercícios.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
Os dois principais objetivos de aprendizagem são (OA1) Ter consciência da existência de paradigmas simbólicos para a representação e aprendizagem de modelos adaptativos do mundo (OA2) Ter adquirido a aptidão de decidir usar os paradigmas aprendidos na unidade curricular em problemas / domínios aplicacionais adequados. Estes objetivos pressupõem a aquisição de um elevado grau de autonomia da parte dos alunos. O processo de ensino-aprendizagem definido, ao enfatizar a aprendizagem autónoma e semiautónoma dos alunos contribui para satisfazer os objetivos de aprendizagem apresentados.
Observações / Observations
-
Bibliografia Principal / Main Bibliography
Logic Programming and Inductive Logic Programming: Ivan Bratko. 2011. Prolog Programming for Artificial Intelligence (4th Edition). Pearson Education Canada (International Computer Science Series). Fuzzy Systems: Guanrong Chen, and Trung Tat Pham. 2005. Introduction to Fuzzy Systems. CRC Press. Case based reasoning: Michael M. Richter, and Rosina Weber. 2013. Case-Based Reasoning. A Textbook. Springer-Verlag Berlin Heidelberg
Bibliografia Secundária / Secondary Bibliography
Lynne Billard, Edwin Diday. 2007. Symbolic Data Analysis: Conceptual Statistics and Data Mining, John Wiley & Sons, Ltd, Chichester, UK
Data da última atualização / Last Update Date
2024-02-16