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
2025/2026
Pré-requisitos / Pre-Requisites
Conhecimentos de programação, nomeadamente em Python Definições e conceitos fundamentais de Machine Learning Conhecimentos em aprendizagem profunda, incluindo principais camadas, técnicas, arquitecturas e interpretação de métricas
Objetivos Gerais / Objectives
Esta unidade curricular (UC) visa aprofundar o conhecimento em tópicos avançados de aprendizagem profunda, nomeadamente Redes Adversárias Generativas (GANs), Aprendizagem por Reforço Profundo, Análise de Séries Temporais e Algoritmia Genética/Evolucionária Profunda. Pretende-se que os estudantes desenvolvam competências para aplicar estes conceitos em cenários reais, tais como geração de dados sintéticos, criação de sistemas preditivos e tomada de decisão automatizada. O foco recai na integração prática das tecnologias, fomentando uma visão ampla e atualizada sobre as tendências e desafios da aprendizagem profunda. Em paralelo, promove-se o desenvolvimento da autonomia, do pensamento crítico e da capacidade de resolução de problemas, preparando os estudantes para contextos profissionais e de investigação que envolvam técnicas avançadas de IA.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final da UC, cada estudante deverá ser capaz de: OA1: Compreender o funcionamento e as capacidades das Redes Adversárias Generativas (GANs), incluindo as suas arquiteturas e principais desafios. OA2: Conceber e implementar soluções com GANs, abrangendo a definição de arquiteturas, o treino e a análise de aplicações práticas. OA3: Entender os conceitos fundamentais da Aprendizagem por Reforço Profundo e aplicar algoritmos (p. ex. DQN, PPO, AlphaZero) em ambientes simulados. OA4: Modelar e analisar séries temporais com redes neuronais avançadas, como LSTMs, GRUs e transformadores, adequando-as às particularidades de dados sequenciais. OA5: Explorar e implementar algoritmos genéticos/evolucionários profundos em contextos de otimização, avaliando a sua aplicabilidade prática. OA6: Desenvolver projetos práticos que integrem múltiplas técnicas avançadas, adaptando-as a cenários reais ou simulados, incentivando o trabalho colaborativo e a capacidade de investigação.
Conteúdos Programáticos / Syllabus
CP1: Conceitos e fundamentos de GANs, arquiteturas base (DCGAN, WGAN), processo de treino (gerador vs. discriminador), desafios e aplicações práticas (geração de imagens, dados sintéticos). CP2: Revisão de conceitos de aprendizagem por reforço, algoritmos fundamentais (DQN, PPO, AlphaZero), ambientes simulados, exploração vs. exploitação. CP3: Análise de séries temporais com redes neuronais: LSTMs, GRUs e transformadores para dados sequenciais, particularidades de modelação temporal (sazonalidade, tendência), avaliação de previsões e estratégias de melhoria. CP4: Princípios de algoritmos evolutivos profundos, operadores genéticos, estratégias de adaptação, casos de uso em otimização de hiperparâmetros. CP5: Interpretação de modelos avançados, técnicas de explicabilidade e equidade para promover a transparência e a robustez em modelos profundos. CP6: Desenvolvimento de projetos práticos em áreas como saúde, banca, finanças ou IoT, integrando múltiplas técnicas avançadas.
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 abordados refletem diretamente os objetivos de aprendizagem. As GANs (CP1) fornecem os fundamentos e aplicações práticas necessárias para os OA1 e OA2, abordando conceitos de geração adversária e treino conjunto de gerador e discriminador. A Aprendizagem por Reforço Profundo (CP2) assegura o cumprimento do OA3, introduzindo algoritmos e ambientes simulados para treino e tomada de decisões automatizada. A Análise de Séries Temporais (CP3) permite alcançar o OA4, graças à inclusão de redes neuronais específicas (LSTMs, GRUs) adequadas a dados sequenciais. A introdução de algoritmos genéticos profundos (CP4) possibilita a realização do OA5, demonstrando como otimizar modelos de modo adaptativo. Finalmente, a interpretação de modelos avançados, bem como técnicas de explicabilidade (CP5), quando aplicados a projetos práticos (CP6) cumprem o OA6 ao integrar estas diversas técnicas em problemas reais ou simulados, promovendo uma visão holística da aprendizagem profunda.
Avaliação / Assessment
A avaliação segue o modelo de Avaliação ao Longo do Semestre (previsto no RGACC) a 100% por projeto/trabalhos práticos, sem exame final, promovendo o envolvimento contínuo do estudante. As componentes de avaliação são: - Três Mini-trabalhos (20% cada) Ao longo do semestre, cada mini-trabalho incide sobre um tópico específico: -- Criação de uma GAN simples, com foco na definição da arquitetura e no treino do gerador e do -discriminador. -- Modelo de Aprendizagem por Reforço Profundo, incluindo a escolha do algoritmo (DQN, PPO, etc.) e a validação do treino num ambiente simulado. -- Modelação de Séries Temporais, utilizando LSTMs, GRUs ou transformadores, avaliando a sua capacidade de previsão em dados sequenciais. Em cada mini-trabalho, avaliam-se a implementação prática, a capacidade de análise dos resultados, a clareza do código e a correta utilização das bibliotecas. Os mini-trabalhos poderão ser realizados individualmente ou em grupos. Não há nota mínima em cada mini-trabalho, mas o conjunto representa 60% da nota final. - Projeto Final (40%) Num trabalho de maior envergadura, os estudantes podem integrar um ou mais tópicos dos mini-trabalhos (GANs, Aprendizagem por Reforço, Séries Temporais, Algoritmia Genética/Evolucionária Profunda), ou explorar um cenário diferente que exija a combinação de técnicas avançadas. Valorizam-se a otimização do modelo, a análise crítica de resultados, a formulação de melhorias e a capacidade de justificar as escolhas técnicas realizadas. Neste projeto, é exigida a entrega de um relatório técnico e uma apresentação (online) para defesa dos métodos e conclusões, permitindo aferir as competências de comunicação e domínio do tema. O projeto final deverá ser realizado em grupos. A nota final resulta da soma ponderada dos três mini-trabalhos (20% cada) e do projeto final (40%). Para aprovação, é necessário obter pelo menos 10 valores na classificação final. Caso o estudante não atinja esta classificação, é considerado Reprovado. A melhoria de nota pode ser obtida no ano letivo seguinte, repetindo as componentes de avaliação em conformidade com o regulamento vigente. As avaliações podem ocorrer na 1.ª Época e na 2.ª Época, não havendo exame final complementar. A presença nas sessões síncronas não é obrigatória, mas fortemente recomendada pela riqueza das discussões e pelo feedback imediato sobre os progressos individuais e coletivos. Recomenda-se ainda a leitura do Regulamento de Estudantes com Estatuto Especial (REEE) e do Código de Conduta Académica (CCA).
Metodologias de Ensino / Teaching methodologies
A unidade curricular é ministrada em regime de Ensino a Distância (EaD), adotando uma abordagem pedagógica centrada no estudante, que conjuga recursos expositivos digitais, trabalho prático contínuo e interação virtual para favorecer a autonomia e a participação ativa. Os conteúdos teóricos são disponibilizados em formato assíncrono através da plataforma de e-learning, recorrendo a vídeos, tutoriais, artigos científicos e materiais de apoio que descrevem os conceitos avançados de aprendizagem profunda. Esta disponibilização flexível permite que cada estudante se familiarize com os tópicos no seu ritmo, revendo os materiais sempre que necessário. Para complementar, são organizadas sessões síncronas (via videoconferência) que possibilitam o contacto direto com o docente e a discussão de problemas concretos. Nestas sessões, os estudantes podem esclarecer dúvidas, apresentar minicases de aplicações (p. ex., treino de uma GAN simples, experiências em Aprendizagem por Reforço), debater melhorias e partilhar experiências. Desta forma, a interação virtual promove a aprendizagem colaborativa e o pensamento crítico. A vertente prática é reforçada por laboratórios virtuais e exercícios orientados que envolvem a utilização de frameworks modernas de IA (por exemplo, PyTorch ou TensorFlow). Os estudantes são incentivados a explorar diferentes arquiteturas (GANs, redes de reforço, LSTMs, GRUs, transformadores), experimentando hiperparâmetros, analisando resultados, validando hipóteses e recolhendo métricas para avaliar o desempenho dos modelos. Esta prática ativa e progressiva concretiza a passagem do conhecimento teórico para cenários aplicados, reforçando a autonomia do estudante e a capacidade de resolução de problemas. O trabalho colaborativo é incentivado através de fóruns de discussão, salas de chat e ferramentas de organização de projetos (ex.: Trello, GitLab), proporcionando um espaço de partilha de ideias e discussão de estratégias. Os estudantes são ainda estimulados a pesquisar e partilhar referências bibliográficas ou casos de aplicação, fomentando uma cultura de aprendizagem ativa e constante atualização sobre tópicos avançados de aprendizagem profunda. Esta articulação entre aulas expositivas assíncronas, sessões síncronas, laboratórios virtuais e trabalho autónomo orientado assegura que os estudantes desenvolvem competências aprofundadas, correspondentes aos objetivos de aprendizagem propostos. O modelo EaD confere flexibilidade de horário, permitindo aos estudantes conciliar o estudo com outras responsabilidades, enquanto o feedback formativo contínuo, fornecido pelo docente e pelos pares, garante um acompanhamento eficaz e ajustado às necessidades individuais.
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 propostas, baseadas em aulas expositivas online, laboratórios virtuais e trabalho autónomo, estão cuidadosamente estruturadas para possibilitar a ligação constante entre a teoria e a prática, contribuindo para o cumprimento efetivo dos objetivos de aprendizagem. Num primeiro momento, a abordagem expositiva oferece aos estudantes a base conceptual sobre Redes Adversárias Generativas, Aprendizagem por Reforço e Análise de Séries Temporais, alinhando-se com OA1, OA3 e OA4. Em paralelo, a vertente laboratorial permite a experimentação direta das técnicas e a análise crítica de resultados (OA2, OA5), utilizando ferramentas e frameworks atuais. Os mini-trabalhos servem de pontos de verificação contínua, assegurando a prática de cada tópico estudado (GANs, Aprendizagem por Reforço, Séries Temporais), bem como a aquisição de competências de implementação (OA2, OA3, OA4) e a reflexão acerca de limites e oportunidades de cada método (OA5). Cada trabalho prático promove a autonomia do estudante ao propor problemas específicos mas abertos o suficiente para explorar variações de arquiteturas, hiperparâmetros ou dados. O projeto final, por sua vez, permite a integração de diferentes técnicas, concretizando o OA6 ao incentivar a criação de soluções mais complexas em contextos reais ou simulados. Aqui, o estudante demonstra a capacidade de selecionar, combinar e adaptar métodos avançados, refletindo sobre as potencialidades e as limitações de cada abordagem, bem como de propor melhorias sustentadas em resultados experimentais. O relatório técnico e a apresentação oral online permitem aferir não apenas as competências técnicas mas também a aptidão para comunicar de forma clara e fundamentada os processos e conclusões (OA1 a OA6). A colaboração entre estudantes e o feedback formativo contínuo ao longo do semestre criam um ambiente propício ao desenvolvimento de competências sociais e de pensamento crítico, estimulando a partilha de boas práticas de programação, a discussão de casos de estudo e a análise de novos artigos e descobertas na área de aprendizagem profunda. Assim, a articulação entre os diferentes métodos de ensino e de avaliação (mini-trabalhos, projeto final, sessões síncronas e assíncronas) assegura a obtenção de resultados de aprendizagem sólidos e aplicáveis na prática profissional, cumprindo integralmente os objetivos delineados para esta UC.
Observações / Observations
.
Bibliografia Principal / Main Bibliography
Bibliografia Secundária / Secondary Bibliography
Data da última atualização / Last Update Date
2025-05-23