Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Matemática
Departamento / Department
Departamento de Matemática
Ano letivo / Execution Year
2026/2027
Pré-requisitos / Pre-Requisites
Conhecimentos de programação, preferencialmente em Python Definições e conceitos fundamentais de Machine Learning (preferencialmente) Noções elementares de estatística, como distribuições de probabilidade e interpretação de métricas (preferencialmente)
Objetivos Gerais / Objectives
A unidade curricular Fundamentos de Aprendizagem Profunda tem como objetivo dotar os estudantes dos conhecimentos e competências necessárias para compreenderem, selecionarem e aplicarem técnicas de aprendizagem profunda a problemas reais, evitando a sobrevalorização de fundamentos matemáticos avançados. Assim, pretende-se que os estudantes consigam distinguir a aprendizagem profunda da aprendizagem automática tradicional, identificar e utilizar as camadas, arquiteturas e ferramentas mais adequadas a diferentes tipos de dados (imagens 2D/3D, séries temporais univariadas e multivariadas) e problemas, bem como implementar soluções práticas utilizando frameworks amplamente difundidas no mercado, tais como Keras e PyTorch. A ênfase recai na aplicação prática e no desenvolvimento de soluções funcionais, assegurando que, ao concluir a UC, o estudante está apto a enfrentar desafios reais, desde a identificação do problema até à implementação e análise crítica dos resultados obtidos.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final desta UC, cada estudante deverá ser capaz de: OA1: Compreender os princípios fundamentais da aprendizagem profunda e reconhecer as diferenças face à aprendizagem automática tradicional, relacionando-os com problemas reais. OA2: Identificar e explicar as principais camadas, técnicas e arquiteturas de redes profundas, compreendendo a sua adequação a diferentes tipos de dados e desafios. OA3: Aplicar, de forma orientada, frameworks como Keras e PyTorch para implementar modelos de aprendizagem profunda, desde a preparação dos dados até ao treino e inferência. OA4: Ajustar e avaliar o desempenho dos modelos, interpretando métricas, analisando resultados e propondo melhorias. OA5: Resolver problemas reais, colaborando com outros estudantes em estudos de caso e projetos, desenvolvendo competências analíticas, comunicacionais e de trabalho em equipa.
Conteúdos Programáticos / Syllabus
CP1: Introdução à aprendizagem profunda: conceitos chave, histórico, distinção face à aprendizagem automática tradicional. CP2: Camadas convolucionais, densas, recorrentes, normalização, dropout, funções de ativação e técnicas de regularização. CP3: Seleção e aplicação de técnicas adequadas aos diferentes tipos de dados tais como imagens 2D/3D, sequências temporais univariadas e multivariadas. CP4: Introdução prática às frameworks TensorFlow, Keras e PyTorch, desenvolvimento de modelos simples e análise dos resultados. CP5: Arquiteturas pré-existentes (e.g., ResNet, VGG, U-Net) e o seu reuso, transferência de aprendizagem e fine-tuning de modelos pré-treinados. CP6: Métricas de desempenho, interpretação de resultados, identificação de estrangulamentos, propostas de otimização e ajuste fino. CP7: Exploração de casos de estudo reais, desde a definição do desafio, modelação de dados, implementação e treino do modelo, até à análise crítica e apresentação dos resultados.
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
O CP1 e CP2 criam a base conceptual necessária para OA1 e OA2, assegurando o domínio de conceitos essenciais da aprendizagem profunda e das camadas utilizadas em arquiteturas de redes. O CP3, ao tratar diferentes tipos de dados e problemas, apoia a consecução do OA2 e, posteriormente, OA4, pois prepara o estudante para adaptar as técnicas a cenários variados. O CP4 introduz Keras e PyTorch, permitindo a concretização do OA3, ao facultar as ferramentas para implementar modelos. O CP5, com o estudo de arquiteturas consagradas e a transferência de aprendizagem, reforça OA2 e OA3, motivando a reutilização inteligente de conhecimento pré-existente. O CP6, focado na avaliação e melhoria de modelos, relaciona-se com OA4, permitindo uma análise crítica e a interpretação de métricas. Finalmente, o CP7, ao propor projetos aplicados, integra todos os conhecimentos adquiridos, possibilitando ao estudante resolver problemas reais, trabalhar em equipa e refletir criticamente sobre o processo (OA5).
Avaliação / Assessment
Esta UC, pelo seu carácter prático, segue o modelo de Avaliação ao Longo do Semestre (ALS, previsto em RGACC) por projeto, sem exame final, e possui os seguintes elementos de avaliação: -- Mini-Projeto (30%): Neste mini-projeto, realizado em grupos, o estudante desenvolve uma aplicação simples de aprendizagem profunda, desde a preparação dos dados até à primeira versão funcional do modelo. São avaliadas a capacidade de implementação, a clareza do código e a correta utilização das ferramentas abordadas. Contempla também uma discussão oral individual como item de ponderação. -- Projeto Final (70%): O Projeto Final, realizado em grupos, é mais complexo e requer a integração de camadas, arquiteturas e técnicas avançadas. Valoriza-se a otimização do modelo, a análise crítica de resultados e a capacidade de propor melhorias. Este projeto permite consolidar todas as competências adquiridas. Contempla também uma discussão oral individual como item de ponderação. Cada elemento de avaliação possuí uma nota mínima de 8,5 valores. 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). 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. A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação. A presença nas sessões síncronas não é obrigatória.
Metodologias de Ensino / Teaching methodologies
"A UC segue uma abordagem de Ensino a Distância (EaD) centrada no estudante, combinando métodos síncronos e assíncronos para uma aprendizagem flexível, colaborativa e orientada para a prática. Os estudantes têm acesso a aulas expositivas online, disponibilizadas em plataformas digitais, que apresentam e discutem conceitos e casos de uso, incentivando a interação e o esclarecimento de dúvidas em tempo real. A componente prática é apoiada por materiais como jupyter notebooks e tutoriais vídeo, disponibilizados em ambiente virtual de aprendizagem, permitindo a exploração autónoma de frameworks (Keras, PyTorch) e a resolução de exercícios orientados. Estas atividades assíncronas estimulam a autonomia e a aprendizagem no ritmo do estudante, fortalecendo competências técnicas e analíticas. A aprendizagem baseada em tarefas e estudos de caso assegura a ligação direta entre teoria e prática: pequenos exercícios práticos permitem consolidar os conceitos gradualmente, enquanto estudos de caso mais complexos, desenvolvidos em grupos, promovem a colaboração, a discussão crítica e a capacidade de resolver problemas reais. A utilização de fóruns, chats e sessões de videoconferência para revisão e discussão de resultados garante feedback contínuo e construtivo. A articulação com o modelo pedagógico do Iscte garante a centralidade do estudante no processo de aprendizagem, valorizando a participação ativa, a autonomia e a colaboração. As atividades de avaliação formativa (quizzes, tarefas práticas) orientam a progressão do estudante, enquanto o trabalho de projeto de maior envergadura consolida as competências e prepara para desafios profissionais. Este ecossistema digital promove a capacidade de aprendizagem ao longo da vida, a flexibilidade e o pensamento crítico, resultando numa aquisição de competências coerente com os objetivos de aprendizagem."
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 cuidadosamente selecionadas para garantir a coerência com os objetivos de aprendizagem. A combinação de aulas teóricas online, quizzes, tarefas práticas e projetos permite uma integração fluida entre conceitos e aplicação, reforçando o desenvolvimento progressivo de competências. A introdução gradual dos conceitos fundamentais (OA1) nas aulas expositivas e materiais multimédia facilita a compreensão das diferenças entre aprendizagem profunda e aprendizagem automática tradicional. Estes conteúdos teóricos sustentam a aquisição de competências mais complexas (OA2), permitindo ao estudante identificar camadas e técnicas apropriadas para diferentes problemas e tipos de dados. A aplicação prática, assegurada pelos jupyter notebooks, frameworks open-source (Keras, PyTorch) e exercícios orientados, garante o desenvolvimento de competências técnicas (OA3). A análise crítica e a avaliação de resultados, apoiada por tutoriais, exercícios práticos e fóruns de discussão, consolida OA4, ao permitir que os estudantes interpretem métricas, identifiquem estrangulamentos e proponham melhorias. A aprendizagem colaborativa, materializada nos estudos de caso, trabalhos de grupo e projeto final, assegura a aquisição de competências transversais relacionadas com a comunicação, o trabalho em equipa e a capacidade de abordar problemas complexos (OA5). Estes projetos incorporam dados e cenários de aplicação próximos do contexto profissional, fortalecendo a relevância das aprendizagens. O modelo EaD, ao permitir a flexibilidade de horários, o acesso a recursos digitais e a interação síncrona e assíncrona, potencia a autonomia e a motivação do estudante. A integração entre aulas teóricas, práticas, quizzes e projeto final torna o processo de aprendizagem dinâmico, coerente e orientado para a aquisição de competências aplicáveis em ambientes profissionais reais. Desta forma, as metodologias de ensino, as estratégias de avaliação e os recursos pedagógicos estão alinhados com os OAs, promovendo uma formação holística e relevante em Fundamentos de Aprendizagem Profunda.
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
1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. 2. Godoy, D. V. (2022). Deep learning with PyTorch step-by-step: A beginner’s guide: Volume I: Fundamentals. 3. Chollet, F. (2021). Deep Learning with Python (2.ª ed.). Manning.
Bibliografia Secundária / Secondary Bibliography
4. Stevens, J., Antiga, L., & Viebranz, T. (2020). Deep Learning with PyTorch. Manning. 5. Patterson, J., & Gibson, A. (2017). Deep Learning: A Practitioner’s Approach. O’Reilly."
Data da última atualização / Last Update Date
2026-08-03