Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Inteligência Artificial
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2026/2027
Pré-requisitos / Pre-Requisites
Conhecimentos de Álgebra Linear, Cálculo Vectorial, Probabilidades, Estatística e Programação.
Objetivos Gerais / Objectives
O principal objetivo desta unidade curricular é familiarizar os estudantes com conceitos e técnicas fundamentais para a descoberta e extração de conhecimento a partir de dados. Pretende-se que os estudantes compreendam e apliquem métodos clássicos para tarefas práticas, como classificação, regressão e clustering (agrupamento), relevantes para a resolução de problemas em contextos económicos e financeiros. Através de projetos práticos, os estudantes terão a oportunidade de adquirir experiência direta na manipulação de dados e na construção de processos completos de extração de conhecimento, desenvolvendo competências críticas para a análise e tomada de decisão baseada em dados. Sempre que o cronograma permitir, serão ainda abordados casos especiais, como o processamento computacional da língua, para expandir a compreensão sobre aplicações modernas dos sistemas inteligentes.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Ao concluir a unidade curricular, os estudantes deverão ser capazes de: OA1: Compreender e aplicar processos estruturados para analisar, conceber, organizar e executar projetos de sistemas inteligentes. OA2: Desenvolver competências práticas nas etapas críticas de um projeto, desde a preparação e manipulação dos dados até a modelação e avaliação dos resultados. OA3: Identificar e lidar com os desafios associados à utilização de dados reais. OA4: Distinguir e selecionar algoritmos de extração de conhecimento adequados a diferentes problemas, compreendendo suas características, vantagens e limitações. OA5: Implementar soluções de sistemas inteligentes aplicadas a problemas práticos em contextos económicos e financeiros.
Conteúdos Programáticos / Syllabus
P1. Introdução aos Sistemas Inteligentes P2. Manipulação e Preparação de Dados P3. Modelos de Classificação e Regressão P4. Clustering e Análise de Agrupamentos P5. Dados não estruturados: Processamento Computacional da Língua P6. Ética e Interpretabilidade
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
A introdução aos sistemas inteligentes (P1) estabelece as bases para a conceção e execução de projetos (OA1). A manipulação e preparação de dados (P2) responde aos desafios práticos de lidar com dados reais (OA3) e desenvolve competências críticas para a modelação e avaliação de resultados (OA2 e OA5). Os tópicos sobre modelos de classificação e regressão (P3) e clustering (P4) permitem distinguir e selecionar algoritmos adequados a diferentes problemas (OA4), desenvolver competências práticas na modelação e avaliação (OA2) e implementar soluções ajustadas a cenários reais (OA5). O processamento de dados não estruturados (P5) amplia essa capacidade para problemas complexos (OA5). A ética e interpretabilidade (P6) reforçam uma abordagem crítica e consciente sobre a aplicação dos modelos (OA2, OA3, OA4 e OA5).
Avaliação / Assessment
A aprovação a esta UC é realizada apenas por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame. Instrumentos de avaliação: - 2 testes escritos (20% x 2), um teste intercalar e um teste final, realizado na 1ª época de exames; - Projeto Final (código, relatório e apresentação) com duas entregas (30% x 2), uma entrega intercalar (nesta entrega, apenas código e relatório), que diz respeito à primeira parte do projeto, e outra final do período letivo (penúltima semana, apresentação na última semana) que corresponde ao projeto completo, incluindo a primeira parte (que pode ser melhorada). Requisito de aprovação: nota mínima de 8 valores na média final dos testes. O Projeto Final deve ser realizado em grupo; a apresentação é obrigatória. Em caso de reprovação, a nota dos testes pode ser substituída por uma prova escrita a realizar no período de avaliação correspondente à 2ª época ou época especial.
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEA): MEA1: Expositivas, para apresentação do enquadramento teórico. MEA2: Ilustrativas, para exemplificação dos conceitos teóricos em contextos reais. MEA3: Ativas/Laboratoriais, para desenvolver as competências práticas adequadas. MEA4: Aprendizagem baseada em projeto, para o desenvolvimento uma visão global e integrada. MEA5: Argumentativas/Reflexivas, com apresentação e discussão do projeto.
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 aulas expositivas (MEA1) fornecem o enquadramento teórico necessário para a compreensão e aplicação de processos estruturados em projetos de sistemas inteligentes (OA1, OA3 e OA4). As metodologias ilustrativas (MEA2) permitem a exemplificação prática em contextos económicos e financeiros, auxiliando na identificação de desafios com dados reais (OA2e OA3) e na seleção de algoritmos apropriados (OA4). A componente ativa/laboratorial (MEA3) promove o desenvolvimento de competências práticas essenciais para a preparação, manipulação de dados e avaliação de resultados (OA2 e OA5). A aprendizagem baseada em projetos (MEA4) facilita uma visão integrada, favorecendo a implementação de soluções práticas (OA5) e fortalecendo a análise crítica (OA4). Por fim, a abordagem argumentativa/reflexiva (MEA5), com a apresentação e discussão de projetos, contribui para a comunicação eficaz e a avaliação crítica dos resultados, consolidando as aprendizagens (OA1 e OA5).
Observações / Observations
--
Bibliografia Principal / Main Bibliography
'Ethem Alpaydin, Introduction to Machine Learning, Fourth Edition, 2020, https://mitpress.mit.edu/9780262043793/introduction-to-machine-learning/
Bibliografia Secundária / Secondary Bibliography
'- Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor. "An Introduction to Statistical Learning: with Applications in Python", 2023, Springer - Jake VanderPlas, "Python Data Science Handbook: Essential Tools for Working with Data", 2016, O'Reilly Media (https://jakevdp.github.io/PythonDataScienceHandbook/)
Data da última atualização / Last Update Date
2025-10-28