Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

460 - Matemática e estatística

Departamento / Department

Departamento de Ciências Sociais e Empresariais

Ano letivo / Execution Year

2025/2026

Pré-requisitos / Pre-Requisites

Nenhum.

Objetivos Gerais / Objectives

Esta Unidade Curricular (UC) foca-se no desenvolvimento de competências em aprendizagem automática não supervisionada e sistemas de recomendação. Os alunos serão capacitados para extrair conhecimento de conjuntos de dados em diversas áreas, utilizando métodos de aprendizagem não supervisionada e estratégias de provenientes da aplicação de sistemas de recomendação. Irão abordar vários problemas reais, para os quais irão analisar e interpretar dados, através de projetos práticos discutidos em aula. Adquirirão conhecimento em técnicas avançadas de modelação de algoritmos não supervisionados para segmentação e análise de padrões, bem como o desenvolvimento de sistemas de recomendação baseados em IA. Os alunos também aprenderão a avaliar e otimizar o desempenho destes modelos, aplicando-os em situações práticas do mundo real.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

No final da UC, o aluno deverá: OA1. Compreender os fundamentos teóricos e práticos da aprendizagem não supervisionada, abrangendo técnicas de redução de dimensionalidade e clustering. OA2. Avaliar, validar e interpretar os resultados de modelos não supervisionados, selecionando métricas adequadas e justificando as conclusões obtidas. OA3. Conceber e realizar projetos de descoberta de conhecimento desde a preparação de dados até à extração de insights, documentando a escolha de algoritmos e a análise crítica dos resultados. OA4. Identificar contextos de aplicação, em que a aprendizagem não supervisionada acrescenta valor ao formular o problema em termos adequados. OA5. Compreender os princípios dos sistemas de recomendação baseados em regras de associação, filtragem colaborativa e filtragem baseada em conteúdo. OA6. Implementar, avaliar e otimizar sistemas de recomendação, utilizando métricas adequadas, e discutindo aspetos de escalabilidade, ética e impacto no utilizador.

Conteúdos Programáticos / Syllabus

CP1. Introdução à aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas. CP2. Redução de dimensionalidade e visualização de dados: Análise de Componentes Principais (PCA), t-SNE e UMAP para redução de dimensionalidade e interpretação visual. CP3. Clustering e técnicas de aglomeração: exploração de algoritmos como K-Means, DBSCAN, e clustering hierárquico. CP4. Análise e deteção de outliers através de técnicas não supervisionadas: KNN, LOF, iForest. CP5. SOMs: aplicação de mapas auto-organizáveis para visualização e análise de padrões complexos em grandes volumes de dados. CP6. Regras de associação e algoritmo de Apriori. CP7. Sistemas de Recomendação: princípios gerais, filtragem colaborativa (user-based e item-based), filtragem baseada em conteúdo e abordagens híbridas. CP8. Avaliação e otimização de sistemas de recomendação: métricas (precisão, recall, cobertura, NDCG, lift) e implementação prática em estudos de caso.

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

Os conteúdos programáticos (CP) evoluem em linha com os objetivos de aprendizagem (OA). CP1 introduz os fundamentos da aprendizagem não supervisionada, sustentando OA1. CP2 aprofunda redução de dimensionalidade e visualização, habilitando a avaliação e interpretação dos modelos (OA2). CP3 aborda clustering e CP4 a deteção de outliers, permitindo conceber projetos completos de descoberta de conhecimento (OA2, OA3). CP5 apresenta SOMs, reforçando a análise de padrões e a identificação de contextos de aplicação (OA1, OA4). CP6 estuda Apriori e regras de associação, fornecendo a base teórica para recomendações. CP7 aplica essa base a sistemas de recomendação colaborativos, de conteúdo e híbridos, realizando OA5. CP8 foca-se na medição e otimização desses sistemas, ligando teoria a prática e garantindo competência de avaliação e melhoria (OA6). O projeto transversal integra todos os módulos e assegura a aplicação articulada dos métodos às necessidades reais (OA3, OA4).

Avaliação / Assessment

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 [25% para a 1ª tutoria + 10% para o 1º mini-teste = 35%] - BA2: 2ª tutoria + 2º mini-teste [25% para a 2ª tutoria + 10% para o 2º mini-teste = 35%] - BA3: 1 projeto final [30%] 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 em sala de aula, permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados em tutoria. O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre. Em qualquer BA, poderá ser necessária uma discussão oral individual para confirmação de autoria e/ou aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre. 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. 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 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação. A presença nas aulas não é obrigatória.

Metodologias de Ensino / Teaching methodologies

- A estratégia pedagógica adotada combina aulas teóricas, que abordam conceitos fundamentais e ilustram estes através de exemplos práticos, bem como a atribuição de trabalho autónomo, visando a consolidação dos objetivos de aprendizagem propostos. - A apresentação de problemas reais e a discussão das limitações de abordagens tradicionais são essenciais para reforçar a compreensão dos estudantes e fomentar o desenvolvimento do pensamento crítico. Esta metodologia é enriquecida pela introdução de casos e desafios propostos por empresas parceiras, permitindo que os estudantes apliquem os conhecimentos adquiridos na resolução de problemas do mundo real, promovendo assim uma maior ligação entre a teoria e a prática. - O ensino de conteúdos técnicos avançados é apoiado pela análise detalhada dos requisitos dos problemas a serem abordados, juntamente com uma exploração aprofundada das vantagens e dos desafios específicos de cada método ou tecnologia. Esta abordagem é complementada pela colaboração com o setor empresarial, que pode fornecer contextos reais de aplicação e feedback prático, incentivando uma aprendizagem mais aplicada e orientada para resultados concretos que respondem a desafios do mundo real.

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

- Inicialmente, os alunos são introduzidos aos fundamentos e desafios da Aprendizagem Automática Não Supervisionada, com ênfase na identificação dos dados que caracterizam estes problemas; nesta fase abordam-se a história da área, clustering e redução de dimensionalidade (OA1; OA2; OA3). - Nas aulas práticas subsequentes, os estudantes aplicam técnicas de clustering, deteção de outliers e mapas auto-organizáveis para explorar todas as etapas do processo de descoberta de conhecimento, aprofundando a avaliação e interpretação dos modelos (OA2; OA3). - Em paralelo, introduzem-se os conceitos e práticas de sistemas de recomendação, cobrindo regras de associação (Apriori), filtragem colaborativa, baseada em conteúdo e abordagens híbridas; a comparação com métodos puramente não supervisionados evidencia diferentes estratégias para resolver problemas específicos (OA5; OA6). - Na avaliação, os alunos enfrentam projetos desenvolvidos de forma autónoma que refletem situações reais onde a aprendizagem não supervisionada e os sistemas de recomendação são aplicados. - Durante as várias sessões de tutoria, o docente, assumindo o papel de “cliente”, orienta a aplicação prática, fornece feedback contínuo e valida requisitos, permitindo aos estudantes integrar teoria e prática em soluções inovadoras (OA3; OA4; OA5; OA6).

Observações / Observations

Para além do RGACC, recomenda-se a leitura de outros documentos de referência para o processo de avaliação, tais como o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Bibliografia Principal / Main Bibliography

1. Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature. 2. Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer. 3. Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC. 4. McAuley, J. (2022). Personalized machine learning. Cambridge University Press.

Bibliografia Secundária / Secondary Bibliography

5. Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda. 6. Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer. 7. Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC. 8. Falk, K. (2019). Practical recommender systems. Manning Publications. 9. Ricci, F., Rokach, L., & Shapira, B. (Eds.). (2022). Recommender systems handbook (3.a ed.). Springer.

Data da última atualização / Last Update Date

2026-02-03