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

2026/2027

Pré-requisitos / Pre-Requisites

Não tem

Objetivos Gerais / Objectives

Esta Unidade Curricular visa desenvolver competências em aprendizagem automática supervisionada. Assim, os alunos irão ser capazes de extrair de conhecimento a partir de dados das mais variadas áreas de intervenção. Os alunos tomarão contato com vários problemas para os quais existem dados que os caracterizam, através de projetos apresentados e discutidos nas aulas. Os alunos adquirirão conhecimento em metodologias para a proposta de soluções a partir desses dados que envolvam o treino de modelos de regressão e de classificação.

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

OA1. Conhecer a história da aprendizagem automática; conhecer e compreender os diferentes tipos de aprendizagem automática: conceitos, fundamentos e aplicações OA2. Conhecer os conceitos que permitem realizar uma Análise Exploratória de Dados (EDA), como também compreender a importância na resolução de problemas e na tomada de decisão OA3. Aprender mecanismos de Data Wrangling - preparação de dados para serem alvo de input para um algoritmo supervisionado OA4. Conhecer a utilização de variáveis contínuas e categóricas; distinguir classificação e regressão OA5. Conhecer e analisar os resultados através da aplicação de métricas de avaliação de desempenho OA6. Compreender os algoritmos supervisionados: árvores de decisão, regressão linear e logística, SVMs, Naive-Bayes e k-NN OA7. Compreender algoritmos de ensemble: bagging e boosting OA8. Conhecer e compreender a otimização de hiperparâmetros

Conteúdos Programáticos / Syllabus

CP1. Introdução à Aprendizagem Automática: A história, fundamentos e conceitos base CP2. Análise Exploratória de Dados (EDA): Data Wrangling e Data Visualization CP3. Classificação e Regressão; Variáveis contínuas e categóricas / discretas; métricas de avaliação de performance CP4. Aprendizagem supervisionada: SVM, Árvores de Decisão, Regressões Linear e Logística, Naive-Bayes e k-NN. CP5. Bagging e Boosting em algoritmos supervisionados CP6. Otimização de hiperparâmetros

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

Inicialmente, os alunos são introduzidos à história e conceitos básicos da aprendizagem automática (OA1). Segue-se a Análise Exploratória de Dados (EDA), que inclui técnicas de Data Wrangling e visualização de dados, cruciais para o pré-processamento (OA2, OA3). A distinção entre variáveis contínuas e categóricas, classificação e regressão, e a aplicação de métricas de avaliação de desempenho são abordadas para assegurar uma compreensão aprofundada (OA4, OA5). Os principais algoritmos supervisionados, como árvores de decisão, SVMs, Naive-Bayes e k-NN, são explorados para desenvolver a capacidade de construir modelos preditivos (OA6). Além disso, técnicas avançadas como bagging e boosting são estudadas para melhorar a precisão dos modelos (OA7). Finalmente, a otimização de hiperparâmetros é abordada para capacitar os alunos a ajustar modelos e otimizar o seu desempenho (OA8).

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 [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%] - BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%] - BA3: 3ª tutoria + 3º mini-teste [30% para a 3ª tutoria + 10% para o 3º mini-teste = 40%] 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, permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados em tutoria. Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante. A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD). 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. Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação. Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS. 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 1.ª Época e 2.ª Época poderão ser utilizadas para realização de momentos de avaliação. A presença nas aulas não é obrigatória.

Metodologias de Ensino / Teaching methodologies

- A combinação de aulas expositivas, que englobam conceitos teóricos e exemplos práticos, com aulas práticas/laboratoriais e trabalho autónomo, serve como o principal meio para alcançar os objetivos de aprendizagem estabelecidos. - Motivar as necessidades de ensino/aprendizagem através da apresentação de problemas e das limitações de outras abordagens comuns serve como uma ferramenta crucial para solidificar o entendimento do estudante e desenvolver o pensamento crítico. - O ensino dos tópicos mais técnicos baseia-se na análise de requisitos dos problemas a serem resolvidos, bem como no reconhecimento e compreensão das principais vantagens e desafios associados.

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 entram em contacto com desafios no campo da Aprendizagem Automática Supervisionada, onde é crucial identificar e compreender os dados que caracterizam esses problemas. É neste contexto que são introduzidos os primeiros conceitos relacionados à história e fundamentos da aprendizagem automática, bem como a preparação de dados para algoritmos supervisionados (OA1; OA2; OA3). - Posteriormente, nas aulas mais práticas, os alunos irão enfrentar pequenos desafios e executar tarefas de Análise Exploratória de Dados (EDA) e Data Wrangling, abordando assim as várias etapas do processo de descoberta de conhecimento a partir de dados (OA2; OA3). - Ao longo das aulas, os conceitos teóricos são gradualmente integrados, estabelecendo uma ligação clara entre a teoria e a prática. Paralelamente, são apresentados diversos algoritmos de aprendizagem automática supervisionada, como árvores de decisão, SVMs e k-NN, que são fundamentais para a modelação preditiva (OA4; OA5; OA6). Durante estas aulas, também se incentiva o desenvolvimento autónomo de soluções para problemas reais, que envolvem não só a preparação de dados, mas também a modelação e a avaliação de resultados com métricas de desempenho adequadas (OA4; OA5; OA6). - Para os momentos de avaliação, os alunos são desafiados com um enunciado de um projeto a ser desenvolvido de forma autónoma. Este projeto é acompanhado por aulas de tutoria, onde o docente atua não só como transmissor de conhecimento, mas também assume o papel de "cliente", para o qual o projeto deve ser desenvolvido e entregue. Aqui, os alunos aplicam o conhecimento adquirido (OA3; OA4; OA5; OA6; OA7; OA8), integrando as competências adquiridas em todos os Objetivos de Aprendizagem, desde a compreensão teórica até a aplicação prática e o desenvolvimento de soluções inovadoras para problemas complexos.

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), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Bibliografia Principal / Main Bibliography

McMahon, A. (2023). Machine learning engineering with python - second edition: Manage the lifecycle of machine learning models using MLOps with practical examples. McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3.a ed.). O’Reilly Media. Burkov, A. (2019). The hundred-page machine learning book. Andriy Burkov. Mueller, J. P. (2019). Python for Data Science for Dummies, 2nd Edition (2.a ed.). John Wiley & Sons. VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.

Bibliografia Secundária / Secondary Bibliography

Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc. Avila, J. (2017). Scikit-Learn Cookbook - Second Edition. Birmingham: Packt Publishing. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann. Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss Intelligence and Analytics: Systems for Decision Support. Prentice Hall. Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O'Reilly.

Data da última atualização / Last Update Date

2026-02-20