Sumários

Aula #5

10 Fevereiro 2026, 18:30 • António Raimundo

  • Redes neuronais: perceptron, funções de activação, propagação directa e retropropagação.
  • Redes multi-camada e Deep Learning; overfitting e gradiente desvanecente.
  • Introdução à IA generativa: diferenças entre modelos preditivos e generativos.
  • Chatbots modernos e LLMs; importância do contexto e engenharia de prompts.

Aula #4

6 Fevereiro 2026, 18:30 • António Raimundo

  • Redes neurais artificiais e Deep Learning.
  • Algoritmos genéticos (problema da mochila).
  • Modelos bayesianos (Naïve Bayes).
  • Aprendizagem baseada em similaridade (K-Nearest Neighbors).

Aula #3

3 Fevereiro 2026, 18:30 • António Raimundo

  • Definição de Inteligência Artificial e evolução histórica.
  • IA atual: narrow AI vs expectativas mediáticas.
  • IA Clássica (GOFAI): raciocínio simbólico, sistemas baseados em regras, indução e dedução.
  • IA baseada em procura: espaço de estados, heurísticas, algoritmos de pesquisa e planeamento (ex.: 8-puzzle, microrato).
  • Cinco “tribos” do Machine Learning (simbolistas, conexionistas, evolucionistas, bayesianos e analogistas).
  • Introdução ao Machine Learning: classificação, regressão e clustering.

Aula #2

30 Janeiro 2026, 18:30 • António Raimundo

  • Diferenças entre estatística e aprendizagem automática
  • Viés e variância, validação cruzada e métricas de avaliação de modelos.
  • Literacia dos dados: fontes, qualidade, estrutura, limpeza, rotulagem e divisão dos dados.
  • Segurança, ética e interpretação de resultados na análise de dados.
  • Ambiente de testes e demonstrações: Python + Visual Studio Code + LaTex

Aula #1

27 Janeiro 2026, 18:30 • António Raimundo

  • Apresentação do formador e dos participantes.
  • Enquadramento e objetivos do curso.
  • Público-alvo e pré-requisitos.
  • Estrutura, duração e organização das sessões.
  • Metodologia de ensino (teoria, prática e projeto).
  • Resultados de aprendizagem esperados.
  • Modelo de avaliação e entregas faseadas.
  • Presença, acompanhamento e materiais de apoio.
  • História da Inteligência Artificial: origens mitológicas, pensadores do século XVII e contributo de Alan Turing.
  • Otimismo inicial, “invernos da IA” e marcos históricos (Deep Blue, Watson).
  • Aplicações atuais da IA e distinção entre IA, Machine Learning e IA Generativa.
  • Fundamentos de estatística e probabilidade (probabilidade condicional e Teorema de Bayes).
  • Estatísticas descritivas: média, mediana, variância e desvio padrão.