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

2024/2025

Pré-requisitos / Pre-Requisites

--

Objetivos Gerais / Objectives

OG1: Proporcionar a aquisição da capacidade de identificar e compreender problemas que podem ser abordados e solucionados utilizando métodos e técnicas de Inteligência Artificial (IA). OG2: Introduzir e desenvolver competências relativas a algoritmos de procura. OG3: Fornecer uma compreensão profunda das noções fundamentais relacionadas ao conhecimento, sua representação e arquitetura de sistemas baseados em conhecimento. OG4: Habilitar os alunos a representar e deduzir informações utilizando a lógica de predicados. OG5: Promover o entendimento e aplicação de conhecimento declarativo na programação em lógica. OG6: Estimular a compreensão e aplicação prática de algoritmos genéticos na resolução de problemas específicos. OG7: Desenvolver uma visão crítica e analítica sobre as potencialidades e limitações da IA em diferentes contextos e aplicações.

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

Após a conclusão da UC, os alunos devem: OA1: Reconhecer as vantagens e desafios da utilização de técnicas e abordagens de IA, demonstrando consciência crítica sobre métodos de procura informados e não informados. OA2: Selecionar e justificar as abordagens tecnológicas e algoritmos mais apropriados, incluindo métodos de procura, representação e lógicas de raciocínio. OA3: Aplicar os conceitos e técnicas abordadas na conceção e desenvolvimento de sistemas baseados em IA, bem como na modelação de exemplos baseados em cenários reais. OA4: Desenvolver, implementar e avaliar soluções que envolvam a lógica de predicados e a programação em lógica. OA5: Compreender os fundamentos dos algoritmos genéticos, sendo capazes de implementá-los e adaptá-los para resolver problemas específicos. OA6: Trabalhar de forma autónoma e em grupo para desenvolver projetos que aplicam os conhecimentos adquiridos, mostrando capacidade de adaptação e resolução de problemas complexos na área de IA.

Conteúdos Programáticos / Syllabus

CP1: Noções fundamentais de IA com destaque para a abordagem baseada em procura. CP2: Algoritmos de procura: profundidade primeiro e largura primeiro, A*, greedy BFS, Dijkstra. CP3: Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em Cconhecimento. CP4: Lógica de predicados de primeira ordem: representação e dedução. CP5: Conhecimento declarativo representado em Programação em Lógica. CP6: Algoritmos genéticos.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

Os conteúdos programáticos da unidade curricular "Inteligência Artificial" estão claramente alinhados com os objetivos de aprendizagem, garantindo uma abordagem compreensiva e prática da área. Inicialmente, os alunos são introduzidos às noções fundamentais e aos algoritmos de procura, essenciais para identificar problemas e aplicar métodos de IA (OA1, OA2, OA3). A lógica de predicados e a programação em lógica são exploradas para desenvolver competências em representação e dedução de informação (OA4). Além disso, os algoritmos genéticos são abordados para capacitar os alunos a resolver problemas específicos, complementando o entendimento de métodos avançados de IA (OA5). A aplicação prática através de projetos e tarefas reforça a capacidade de trabalho autónomo e em grupo, fomentando uma visão crítica das potencialidades e limitações da IA (OA6). Este alinhamento garante uma formação robusta e adaptada às exigências da área.

Avaliação / Assessment

A avaliação ao longo do semestre 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: 4 mini-tarefas [7,5% cada mini-tarefa * 4 = 30%] - BA2: 2 mini-testes [20% cada mini-teste * 2 = 40%] - BA3: 1 projeto em Inteligência Artificial [30%] Avaliação por exame: - 1ª Época [100%] - 2ª Época [100%] Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual para aferir conhecimentos. A avaliação por exame consiste num exame escrito que abrange todos os conhecimentos previstos nos conteúdos programáticos da UC, e possui uma ponderação de 100%. 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

- Iniciar a apresentação/aprendizagem de um novo tópico através de uma análise crítica dos problemas existentes e das limitações de abordagens alternativas reforça o espírito crítico e a capacidade de avaliação necessários para atender aos objetivos OA1 e OA3. - A antecipação da apresentação/aprendizagem através da análise dos requisitos associados aos problemas promove a seleção e justificação de abordagens tecnológicas e algoritmos, contribuindo para o objetivo OA2. - A mescla de aulas teóricas com práticas, combinada com o trabalho autónomo, facilita a aplicação prática de conceitos, técnicas e algoritmos, potenciando a realização dos objetivos OA4, OA5 e OA6.

Observações / Observations

Para mais informações, é favor consultar o Código de Conduta Académica (CCA) do Iscte - Instituto Universitário de Lisboa.

Bibliografia Principal / Main Bibliography

Bishara, M. H. A., & Bishara, M. H. A. (2019). Search algorithms types: Breadth and depth first search algorithm Brachman, R., & Levesque, H. (2004). Knowledge representation and reasoning. Morgan Kaufmann Clocksin, W. F., & Mellish, C. S. (2003). Programming in Prolog. Springer Berlin Heidelberg. Russell, S. & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Prentice Hall. S., V. C. S., & S., A. H. (2014). Artificial intelligence and machine learning (1.a ed.). PHI Learning.

Bibliografia Secundária / Secondary Bibliography

Data da última atualização / Last Update Date

2024-07-30