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
2026/2027
Pré-requisitos / Pre-Requisites
Recomenda-se que o estudante tenha concluído um mínimo de 60 ECTS
Objetivos Gerais / Objectives
A unidade curricular (UC) “Trabalho de Projeto em Aprendizagem Automática Aplicada” oferece aos estudantes a oportunidade de desenvolverem, ao longo de dois semestres, um projeto orientado para a resolução de problemas reais, preferencialmente em parceria com empresas ou organizações. O foco recai na aplicação de conhecimentos avançados de Aprendizagem Automática (AA) em contextos práticos, articulando rigor científico com objetivos de mercado. O projeto pode assumir duas modalidades: (1) Projeto em contexto empresarial, resolvendo desafios específicos apresentados pela entidade anfitriã; (2) Projeto prático em contexto académico, com base em problemas multidisciplinares apresentados por empresas ou instituições. Em qualquer dos casos, pretende-se reforçar competências técnicas, científicas, de gestão de projeto e de comunicação, preparando os estudantes para contextos profissionais exigentes e para a integração inovadora de soluções de IA no tecido empresarial ou institucional.
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, os estudantes deverão ser capazes de: OA1: Aplicar, de forma integrada, os conhecimentos adquiridos ao longo do mestrado para conceber, desenvolver e implementar um projeto científico-tecnológico de AAA. OA2: Explorar e aprofundar áreas complementares não abordadas no mestrado, identificando e estudando novos algoritmos, frameworks ou metodologias relevantes para o projeto. OA3: Pesquisar e organizar informação pertinente (científica, técnica, legislativa, de mercado) e utilizá-la de forma crítica na tomada de decisões de projeto. OA4: Planear e executar experiências, recolher e analisar dados, desenvolver modelos inteligentes e/ou simulações computacionais, interpretando e validando resultados num ambiente empresarial ou institucional. OA5: Redigir e apresentar oralmente um relatório, argumentando de forma sólida perante júris académicos e/ou representantes de empresas, demonstrando domínio científico e maturidade profissional.
Conteúdos Programáticos / Syllabus
Dada a diversidade de contextos profissionais e desafios empresariais onde os projetos podem ser desenvolvidos, o programa apresenta tópicos orientadores que são refinados à medida que o estudante constrói e implementa o seu projeto: CP1: Observação e análise de problemas e oportunidades de aplicação da AA em ambientes empresariais ou institucionais. CP2: Planeamento e desenvolvimento de projetos de investigação e/ou desenvolvimento-intervenção, definindo objetivos claros e etapas de trabalho. CP3: Metodologias e estratégias de análise de requisitos, desenho e implementação de soluções de AAA ajustadas a contextos reais. CP4: Operacionalização de metodologias de investigação e desenvolvimento, realização de testes empíricos, análise de resultados e avaliação de impacto no contexto profissional escolhido. CP5: Escrita de relatórios e textos científicos/técnicos, redação de documentação profissional, boas práticas na gestão de código, dados e 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
Os tópicos programáticos abrangem as etapas centrais de um projeto de AA aplicado, refletindo as diferentes fases de desenvolvimento de uma solução tecnológica. O CP1 estimula OA1 e OA3, ao direcionar o estudante para a identificação de problemas concretos e a recolha de informação pertinente. O CP2 e o CP3 concretizam OA2 e OA4, fornecendo metodologias de planeamento e implementação, nomeadamente na seleção de algoritmos, frameworks e métodos de avaliação. O CP4 permitem a execução prática do projeto, alinhando-se com o OA4, ao desenvolver capacidades de análise, interpretação de dados e trabalho colaborativo. Finalmente, o CP5 articula a natureza aplicada do projeto com as diferentes modalidades (empresarial ou académica), reforçando OA5 ao culminar na produção escrita e na apresentação pública do trabalho, integrando competência técnica e maturidade profissional.
Avaliação / Assessment
A avaliação da UC em “Trabalho de Projeto em Aprendizagem Automática Aplicada” baseia-se na realização de um trabalho de investigação original, num relatório escrito (Relatório de Trabalho de Projeto - RTP) e na sua defesa pública perante um júri, de acordo com o Regulamento em vigor no Iscte. O RTP deve evidenciar rigor científico e metodológico, relevância e aplicabilidade no domínio da AAA, bem como uma estrutura clara e coerente, contemplando introdução, revisão de literatura, metodologia, testes, resultados e conclusões. Elementos de avaliação: - Documento escrito (RTP): É avaliada a qualidade científica e técnica do trabalho, a capacidade de formular um problema de investigação, a pertinência das hipóteses/questões de pesquisa, a recolha e análise de dados empíricos, a aplicação de modelos de Aprendizagem Automática, a discussão dos resultados e as conclusões alcançadas. Também se valoriza a clareza e a consistência do texto, o respeito pelas normas éticas e deontológicas, a relevância prática e/ou teórica e a adequação das referências bibliográficas. - Defesa pública: O estudante apresenta e discute os resultados da sua RTP perante um júri, evidenciando conhecimentos, capacidade de síntese e de resposta crítica a questões técnicas ou conceptuais. A forma como o estudante organiza a apresentação, a qualidade dos suportes utilizados (slides, demonstrações) e a solidez dos argumentos durante o debate são igualmente ponderadas. Todos os elementos de avaliação deverão ser realizados individualmente. A classificação obtida na RTP e defesa segue a escala em vigor no Iscte, podendo abranger da menção qualitativa de “Reprovado” a “Aprovado com distinção” (ou equivalente), e obedecendo às regras de notação em 20 valores para o grau de Mestre. Não se prevê exame escrito adicional, visto tratar-se de uma UC de natureza investigativa. Caso a RTP não seja aprovada, o estudante será considerado Reprovado e poderá reformular o trabalho, de acordo com o disposto no regulamento aplicável. A apresentação e defesa podem ocorrer na 1.ª ou na 2.ª Época, em conformidade com o calendário académico. Os estudantes com estatuto especial devem consultar as disposições específicas relativas à prorrogação de prazos e condições de defesa no Regulamento de Estudantes com Estatuto Especial (REEE) do Iscte. Para além do RGACC, o estudante deve consultar também o Código de Conduta Académica (CCA).
Metodologias de Ensino / Teaching methodologies
A UC de “Trabalho de Projeto em Aprendizagem Automática Aplicada” decorre sob um regime de Ensino a Distância (EaD), maximizando a flexibilidade e a autonomia do estudante na condução do seu trabalho de investigação. A organização pedagógica apoia-se em: - Sessões tutorais online: Cada estudante possui um(a) orientador(a) que acompanha o trabalho de investigação através de reuniões virtuais ou plataformas colaborativas. Estas sessões regulares permitem a discussão detalhada de questões científicas, metodológicas e práticas, oferecendo feedback direcionado e orientações de melhoria. O registo de atas e documentos partilhados online assegura o acompanhamento contínuo e a clarificação de objetivos e etapas do projeto. - Seminários temáticos e participações assíncronas: Ao longo do semestre, são organizados seminários online ou videoconferências com convidados(as) que partilham experiências e estudos de caso em Aprendizagem Automática Aplicada. Adicionalmente, momentos assíncronos de participação em fóruns e espaços de discussão permitem que os estudantes exponham dificuldades ou reflexões, recebendo contribuições tanto do orientador como de colegas. - Trabalho autónomo e pesquisa bibliográfica: A maior parte do tempo letivo é dedicada ao trabalho autónomo do estudante, que inclui recolha de dados, experimentação computacional, análise de resultados e redação dos capítulos da relatório. A metodologia de trabalho em EaD fomenta a autodisciplina e a capacidade de iniciativa, exigindo que o estudante estabeleça uma rotina de pesquisa e escrita crítica para cumprir os objetivos definidos. - Apresentações e feedback formativo contínuo: Em diferentes fases do processo, o estudante partilha resultados parciais (capítulos, protótipos de modelos, ou secções metodológicas) através de sessões síncronas com corpo de orientação. O corpo de orientação analisa criticamente estes resultados, promovendo o debate construtivo e a melhoria contínua. - Preparação para a defesa: A etapa final consiste na redação definitiva da relatório e na preparação para a defesa pública. São promovidas simulações de apresentação em videoconferência, incentivando a autoconfiança, a capacidade de resposta a perguntas técnicas e a organização clara das ideias. Em conjunto, estas metodologias asseguram um acompanhamento individualizado, promovem o desenvolvimento de um trabalho de investigação sólido e criam oportunidades para o estudante aplicar e expandir os conhecimentos adquiridos ao longo do mestrado em Aprendizagem Automática Aplicada, de forma articulada com o perfil de competências desejado pelo mercado e pela academia.
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 e aprendizagem implementadas nesta UC foram concebidas para garantir o alinhamento global com os objetivos de aprendizagem (OAs) e a natureza aplicada do trabalho de projeto. A participação ativa dos estudantes em reuniões de orientação, seminários e discussões de grupo (fóruns, chats, videoconferências) cria condições para a seleção e aplicação de metodologias (OA1), o aprofundamento de novas áreas técnicas (OA2) e a recolha e análise de informação relevante (OA3). O modelo baseado em projetos (Project-Based Learning) e as etapas de planeamento e execução (CP1, CP2, CP3, CP4) permitem cumprir o OA4, ao envolver os estudantes no desenvolvimento de experiências, modelos matemáticos e sistemas computacionais adaptados a problemas concretos. A estrutura colaborativa e interativa das plataformas EaD, combinada com o feedback formativo contínuo, fomenta as competências de comunicação, colaboração e liderança, bem como a progressão sustentada ao longo do semestre. Por fim, a exigência de redação de um relatório técnico final e a defesa oral (CP5) materializam a capacidade de articular cientificamente a solução proposta, refletir sobre os resultados e apresentar com clareza as opções tomadas, justificando o OA5. A avaliação global, pautada pelo rigor científico e pela aplicabilidade prática, reforça a coerência com os objetivos desta UC, assegurando que o estudante demonstre autonomia, pensamento crítico e competências avançadas de Aprendizagem Automática num contexto profissional.
Observações / Observations
Bibliografia Principal / Main Bibliography
1. Grigoroudis, E. (2023). Handbook of research on artificial intelligence, innovation and entrepreneurship (E. G. Carayannis & E. Grigoroudis, Eds.). Edward Elgar Publishing. 2. Naseem, S. B. (2021). The book towards research in AI & ML: A curated compilation of research chapters from the recent trends in artificial intelligence and machine learning. 3. Hassanien, A. E., Darwish, A., & Chowdhary, C. L. (Eds.). (2019). Handbook of research on deep learning innovations and trends. IGI Global.
Bibliografia Secundária / Secondary Bibliography
Data da última atualização / Last Update Date
2026-09-03