Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
04914
Acrónimo :
04914
Ciclo :
1.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :

Carga Horária / Course Load


Semestre :
1
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
36.0h/sem
- Presencial (TP) :
36.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
- Presencial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
37.0h/sem
Trabalho Autónomo :
113.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


480 - Informática

Departamento / Department


Departamento de Tecnologias Digitais

Ano letivo / Execution Year


2025/2026

Pré-requisitos / Pre-Requisites


-

Objetivos Gerais / Objectives


OG1: Familiarizar os estudantes com os fundamentos da Inteligência Artificial (IA) e a sua evolução, abrangendo lógica de predicados e sistemas baseados em conhecimento. OG2: Capacitar para a deteção de problemas que podem ser resolvidos por IA, focando métodos de representação de conhecimento. OG3: Desenvolver competências iniciais em aprendizagem automática, incluindo classificação, regressão e avaliação de modelos. OG4: Introduzir os princípios essenciais da IA Generativa, explorando a engenharia de prompts e as suas aplicações. OG5: Incentivar uma perspetiva crítica sobre limitações e oportunidades da IA, reforçando a escolha adequada de técnicas. OG6: Promover a articulação dos módulos para solucionar cenários multidisciplinares, integrando considerações éticas e impacto socioeconómico. OG7: Estimular a reflexão sobre implicações sociais da IA, promovendo responsabilidade e inovação sustentável.

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 os fundamentos da IA, relacionando lógica de predicados e sistemas baseados em conhecimento. OA2: Construir e interpretar modelos simples de aprendizagem automática, distinguindo algoritmos de classificação e regressão, definindo métricas de avaliação adequadas. OA3: Aplicar métodos de raciocínio dedutivo e indutivo, compreendendo como a representação de conhecimento e heurísticas apoiam a tomada de decisão. OA4: Analisar criticamente a adequação de abordagens de IA a contextos específicos, considerando dados, desempenho, e implicações éticas. OA5: Implementar estratégias iniciais de IA Generativa, enfatizando engenharia de prompts e geração de conteúdos inovadores. OA6: Demonstrar capacidade de investigação e experimentação autónoma, integrando conceitos de IA em projetos colaborativos. OA7: Refletir sobre limitações e impactos socioeconómicos da IA, adotando uma postura responsável na seleção e aplicação de metodologias.

Conteúdos Programáticos / Syllabus


CP1: Conceitos essenciais de IA: definição, evolução histórica e relevância multidisciplinar. CP2: Lógica de predicados e sistemas baseados em conhecimento: representação, dedução e aplicações. CP3: Métodos de raciocínio e heurísticas: procura informada e não informada, seleção de estratégias adequadas. CP4: Introdução à aprendizagem automática: noções básicas, algoritmos de classificação e regressão, métricas de avaliação. CP5: Modelos preditivos simples: conceção, implementação e análise de resultados em cenários reais. CP6: IA Generativa: fundamentos, engenharia de prompts e aplicações criativas. CP7: Abordagem crítica às limitações, desafios éticos e implicações socioeconómicas da IA.

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 (CP1 a CP7) refletem uma articulação direta com os objetivos de aprendizagem (OA1 a OA7). CP1 e CP2 fornecem fundamentos de IA e lógica de predicados, respondendo ao reconhecimento de conceitos fundamentais (OA1) e à aplicação da lógica em resolução de problemas (OA4). Em CP3, exploram-se métodos de raciocínio e heurísticas, alinhados com a capacidade de análise crítica (OA4) e a deteção de problemas resolvíveis por IA (OA1, OA2). CP4 e CP5 asseguram o desenvolvimento de modelos simples de aprendizagem automática e a avaliação de resultados (OA2, OA3). Já CP6 introduz a IA Generativa, incentivando soluções inovadoras (OA5). Por fim, CP7 aborda implicações éticas e socioeconómicas, fomentando a reflexão responsável (OA7) e reforçando a postura crítica e colaborativa (OA6). Dessa forma, cada conteúdo sustenta os objetivos definidos, garantindo coerência na aquisição de competências.

Avaliação / Assessment


A avaliação desta UC segue o modelo de Avaliação ao Longo do Semestre (ALS), prevista no RGACC, e contempla vários momentos, organizados em três blocos de avaliação (BA), visando aferir o progresso e a consolidação dos conhecimentos. A sua composição é a seguinte: AB1 – Prova Escrita (40%): Incide sobre os conteúdos fundamentais de Inteligência Artificial, Aprendizagem de Máquina e Inteligência Artificial Generativa, avaliando a compreensão teórica e a aplicação prática dos conceitos. AB2 – Projeto Final em IA (60%): Pode ser realizado individualmente ou em grupo e compreende a conceção, implementação e avaliação de um protótipo ou estudo de caso, com base nos conteúdos da unidade curricular. A avaliação distribui-se entre relatório escrito (60%) e apresentação oral (40%), a realizar na última aula. Disposições complementares: Cada componente de avaliação requer nota mínima de 8,5 valores. Poderá ser realizada discussão oral individual, sempre que necessário, para confirmação de conhecimentos. A nota final resulta da soma ponderada das duas componentes, exigindo-se um mínimo de 10 valores para aprovação.

Metodologias de Ensino / Teaching methodologies


A metodologia de ensino e aprendizagem desta UC baseia-se numa abordagem prática e transversal, em consonância com o modelo pedagógico do Iscte, promovendo uma aprendizagem ativa e centrada no estudante. Inicialmente, são realizadas sessões teóricas expositivas para apresentar os conceitos fundamentais de Inteligência Artificial (IA), reforçadas por exemplos reais e estudos de caso. Estas sessões fornecem a base necessária para que, posteriormente, em aulas práticas ou laboratoriais, os estudantes possam experimentar, implementar e validar algoritmos e técnicas de IA, utilizando ferramentas de programação e dados concretos. A resolução de problemas e tarefas práticas constituem elementos centrais, incentivando a pesquisa autónoma e o pensamento crítico. Em grupos ou de forma individual, os estudantes são desafiados a conceber soluções que integrem os conteúdos de IA tradicional, aprendizagem automática e IA generativa, estimulando a criatividade e o raciocínio. Esta componente prática é complementada por debates em sala de aula, análise de casos e dinâmicas de discussão, fomentando a troca de ideias e a cooperação entre pares. O trabalho autónomo assume também grande relevância, quer através de leituras adicionais e exercícios, quer pela exploração de plataformas e bibliotecas de IA que permitam aprofundar conhecimentos. São igualmente promovidos momentos de tutoria, presenciais ou online, para esclarecimento de dúvidas e acompanhamento do progresso dos estudantes, respeitando ritmos e estilos de aprendizagem diferenciados. Para consolidar a aquisição de competências, recorre-se a uma avaliação ao longo do semestre que inclui testes, projetos, relatórios e apresentações orais. Este esquema de avaliação está alinhado com o modelo pedagógico do Iscte, ao valorizar o envolvimento ativo, a colaboração e a reflexão crítica. Deste modo, assegura-se que os estudantes desenvolvem não apenas conhecimentos teóricos, mas também capacidades práticas de conceção, implementação e avaliação de soluções de IA.

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


As metodologias de ensino adotadas nesta UC foram definidas para assegurar a concretização efetiva dos objetivos de aprendizagem (OA). As aulas expositivas, suportadas por casos práticos, apresentam os conceitos fundamentais de Inteligência Artificial (IA), alinhando-se com o reconhecimento dos fundamentos e respetiva aplicação na resolução de problemas (OA1). Em seguida, as sessões práticas e laboratoriais permitem aos estudantes construir e interpretar modelos de aprendizagem automática, distinguindo algoritmos de classificação e regressão, bem como selecionar métricas de avaliação adequadas (OA2). A resolução de exercícios e projetos estimula a aplicação de raciocínio dedutivo e indutivo, reforçando a compreensão da representação de conhecimento e a utilização de heurísticas na tomada de decisão (OA3). Simultaneamente, as discussões em sala de aula e a análise de cenários reais fomentam a reflexão crítica acerca da adequação de diferentes abordagens de IA, tendo em conta fatores de desempenho, disponibilidade de dados e considerações éticas (OA4). No que diz respeito à IA Generativa, a elaboração de atividades envolvendo a engenharia de prompts permite aos estudantes experimentar estratégias iniciais de criação de conteúdos, desenvolvendo soluções inovadoras (OA5). Paralelamente, o modelo pedagógico promove a autonomia, encorajando a pesquisa independente e a colaboração em grupo, componentes cruciais para a integração prática dos conhecimentos (OA6). Finalmente, a reflexão contínua acerca das limitações e impactos socioeconómicos da IA é assegurada por debates, apresentações e feedback estruturado, contribuindo para uma postura responsável na aplicação das metodologias (OA7). Desta forma, cada metodologia contribui de forma clara para o cumprimento dos objetivos de aprendizagem, garantindo uma progressão lógica desde a aquisição de conceitos fundamentais até à aplicação crítica e inovadora em contextos reais de IA.

Observações / Observations


-

Bibliografia Principal / Main Bibliography


Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. → Considerado a "bíblia" da IA, cobre desde fundamentos históricos até algoritmos modernos. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. → Introdução acessível e aprofundada ao deep learning. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. → Livro clássico sobre fundamentos de aprendizagem de máquina. Domingos, P. (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. → Introdução mais popular, sem fórmulas, ideal para contexto geral. Chollet, F. (2021). Deep Learning with Python (2nd ed.). Manning. → Didático, foca em exemplos práticos com Keras/TensorFlow.

Bibliografia Secundária / Secondary Bibliography


Haenlein, M., Kaplan, A., Tan, C. T., Tan, B. C., & Zhang, P. (2019). Artificial Intelligence (AI) and Management Analytics. Journal of the Academy of Marketing Science, 48(3), 411–431. Jordan, M. I., & Mitchell, T. M. (2015). Machine Learning: Trends, Perspectives, and Prospects. Science, 349(6245), 255–260. Topol, E. (2019). High-performance Medicine: The Convergence of Human and Artificial Intelligence. Nature Medicine, 25, 44–56.

Data da última atualização / Last Update Date


2025-09-13