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

2023/2024

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

P1: Noções fundamentais de IA com destaque para a abordagem baseada em procura. P2: Algoritmos de procura: profundidade primeiro e largura primeiro, A*, greedy BFS, Dijkstra. P3: Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em conhecimento. P4: Lógica de predicados de primeira ordem: representação e dedução. P5: Conhecimento declarativo representado em Programação em Lógica. P6: 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

OA1 <== P1 OA2 <== P1 + P2 + P3 OA3 <== P1 + P2 + P3 OA4 <== P4 + P5 OA5 <== P6 OA6 <== P1 + P2 + P3 + P4 + P5 + P6

Avaliação / Assessment

A avaliação períodica 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. 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

--

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

2024-02-16