Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
480 - Informática
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2025/2026
Pré-requisitos / Pre-Requisites
Conhecimentos básicos da linguagem de programação Python. Conhecimentos básicos de probabilidade e estatística.
Objetivos Gerais / Objectives
A unidade curricular visa dotar os estudantes com os fundamentos teóricos e práticos necessários à conceção e implementação de agentes de software autónomos. Os estudantes irão explorar tanto arquiteturas de agentes individuais como sistemas multiagente, com enfoque em algoritmos de aprendizagem por reforço que permitam a adaptação e a tomada de decisão autónoma em ambientes dinâmicos e cooperativos ou competitivos.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1: Definir os conceitos fundamentais de agentes autónomos e sistemas multiagente. OA2: Explicar e distinguir arquiteturas de agentes e métodos de coordenação e cooperação multiagente. OA3: Aplicar algoritmos de aprendizagem por reforço em contextos individuais e multiagente. OA4: Projetar e implementar soluções baseadas em agentes em ambientes simulados. OA5: Avaliar criticamente o comportamento e desempenho de agentes em tarefas de interação complexa.
Conteúdos Programáticos / Syllabus
CP1: Introdução a agentes autónomos – propriedades, modelos e aplicações. CP2: Arquiteturas de agentes – reativas, deliberativas, híbridas e orientadas ao conhecimento. CP3: Sistemas multiagente – comunicação, coordenação, cooperação e negociação. CP4: Fundamentos de aprendizagem por reforço – modelos, políticas, funções de valor e algoritmos clássicos (Q-learning, SARSA). CP5: Aprendizagem multiagente e ambientes de simulação – ambientes competitivos e cooperativos.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
A estrutura programática garante o alinhamento com os objetivos definidos: OA1 é suportado por CP1 e CP3. OA2 é trabalhado com CP2 e CP3. OA3 é desenvolvido com CP4 e CP5. OA4 resulta da aplicação integrada de CP2, CP3 e CP4. OA5 é concretizado através de CP5, em contextos simulados e análise crítica dos resultados.
Avaliação / Assessment
A avaliação ao longo do semestre inclui: - Projeto prático de desenvolvimento de sistema multiagente com aprendizagem realizado em grupo (máximo de 3 alunos), incluindo um relatório (30%) e uma defesa oral com nota individual (20%). Nota mínima de 8 valores. - Teste individual (30%) para aferição de conhecimentos teóricos. - Participação em aula e trabalhos semanais (20%). O uso de ferramentas de Inteligência Artificial (IA), incluindo IA generativa como o ChatGPT, é permitido para apoio técnico e deve obrigatoriamente ser referenciado de forma explícita.. O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria. Realiza exame final, na época 1, 2 ou especial, quem não tenha concluído com sucesso a avaliação ao longo do semestre, com uma nota média superior ou igual a 9,5 (em 20).
Metodologias de Ensino / Teaching methodologies
A unidade curricular inclui 36 horas de aulas teórico-práticas, baseadas em métodos ativos: exposições curtas, análise de estudos de caso, e desenvolvimento de agentes em ambientes simulados (ex: Pygame, OpenAI Gym, Netlogo). A restante carga horária está distribuida da seguinte forma: - Horas de trabalho autónomo: 36h - Horas para desenvolvimento de projeto prático: 48h - Horas para leitura e resolução de exercícios: 30h
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
A diversidade de metodologias promove a aquisição de competências técnicas e reflexivas. O projeto prático, ancorado em simulação, contribui para os OA3, OA4 e OA5. O teste individual responde aos OA1 e OA2. As atividades semanais asseguram uma aprendizagem incremental e contínua, promovendo o envolvimento ativo dos estudantes ao longo do semestre.
Observações / Observations
A UC contribui para os ODS 9 (Indústria, Inovação e Infraestruturas) e 4 (Educação de Qualidade). O uso de IA generativa é incentivado desde que devidamente referenciado.
Bibliografia Principal / Main Bibliography
Russell & Norvig, Artificial Intelligence: A Modern Approach (2022) (capitulos escolhidos) Sutton & Barto, Reinforcement Learning: An Introduction (2020) (Capitulos escolhidos)
Bibliografia Secundária / Secondary Bibliography
Disponibilizada no início do semestre com base nos interesses dos estudantes e atualizações recentes.
Data da última atualização / Last Update Date
2026-02-08