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 aluno tenha completado um mínimo de 60 ECTS
Objetivos Gerais / Objectives
A unidade curricular (UC) “Dissertação em Aprendizagem Automática Aplicada” tem como principal propósito orientar e apoiar os estudantes na realização de uma investigação de mestrado que combine aprofundamento teórico, metodológico e empírico no domínio da Aprendizagem Automática Aplicada (AAA). Pretende-se que o trabalho desenvolvido seja alicerçado em metodologias atualizadas, promova a integração de competências adquiridas ao longo do mestrado e responda a desafios concretos, quer na indústria, quer em contextos de investigação aplicada. Paralelamente, visa reforçar as competências de análise crítica, planeamento e execução de um projeto de investigação, incentivando a criação de conhecimento novo ou a adaptação de soluções em cenários de aplicação reais ou simulados. A dissertação deve ainda refletir capacidades de comunicação científica, respeitando padrões éticos e de rigor metodológico, culminando numa defesa pública perante um júri.
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, os estudantes deverão ser capazes de: OA1: Selecionar e aplicar metodologias avançadas de Aprendizagem Automática e Inteligência Artificial, adequadas aos objetivos e contextos específicos do projeto de dissertação. OA2: Conceber e desenvolver um projeto de investigação empiricamente fundamentado, aplicando princípios de rigor metodológico e científico na recolha, análise e interpretação de dados. OA3: Integrar conhecimentos multidisciplinares na formulação de hipóteses e na discussão de resultados, evidenciando espírito crítico e inovação no campo da Aprendizagem Automática Aplicada. OA4: Organizar, estruturar e redigir de forma clara e rigorosa a dissertação, seguindo normas científicas e deontológicas, e apresentar e defender publicamente o trabalho realizado.
Conteúdos Programáticos / Syllabus
CP1: Exploração de ideias e delimitação do problema de dissertação: análise de tópicos de investigação em AAA, revisão de literatura e identificação de lacunas. CP2: Definição do enquadramento teórico e metodológico: seleção de ferramentas, desenho experimental, recolha e preparação de dados, definição de métricas de avaliação. CP3: Desenvolvimento do projeto de investigação: implementação de modelos ou algoritmos de AA, testes empíricos, comparação de abordagens, interpretação de resultados e relevância prática. CP4: Organização e redação da dissertação: estrutura, normalização de referências, redação de secções (introdução, revisão de literatura, metodologia, resultados, conclusões). CP5: Apresentação e discussão de resultados parciais: sessões tutorais e seminários online, com feedback do orientador e dos pares. CP6: Preparação para defesa pública: afinação dos resultados, escrita final, treino de apresentação e argumentação em videoconferência ou presencialmente.
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 formulação do tema, a revisão bibliográfica e a preparação metodológica (CP1 e CP2) garantem o cumprimento dos OA1 e OA2, ao permitirem a seleção e aplicação de técnicas avançadas de AA e a clarificação dos objetivos de investigação. O desenvolvimento do projeto (CP3) consolida o OA3, integrando competências multidisciplinares e promovendo a inovação na área de AA. A redação e a organização da dissertação (CP4), aliadas às sessões de feedback (CP5), asseguram o progresso do estudante rumo à capacidade de estruturar e defender o trabalho de forma coerente, cumprindo o OA4. Finalmente, a preparação para a defesa pública (CP6) viabiliza a consolidação das capacidades comunicacionais e argumentativas, assegurando a coerência global do processo formativo.
Avaliação / Assessment
A avaliação da UC “Dissertação em Aprendizagem Automática Aplicada” baseia-se na realização de um trabalho de investigação original, num relatório escrito (dissertação) e na sua defesa pública perante um júri, de acordo com o Regulamento em vigor no Iscte. A dissertação 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 (Dissertação): 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 dissertação 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. A classificação obtida na dissertação 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 dissertação 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 “Dissertação 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 dissertação. 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 dissertação 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
A natureza investigativa e prática desta UC exige uma forte articulação entre as metodologias de ensino adotadas e os objetivos de aprendizagem definidos. A definição e acompanhamento do projeto de dissertação (OA1, OA2) são suportados pelas sessões tutorais e pela participação em seminários online, onde se aprofundam metodologias de Aprendizagem Automática, critérios de rigor científico e práticas de análise de dados. Estas atividades permitem ao estudante selecionar, adaptar e aplicar metodologias adequadas, reforçando a resposta a desafios concretos de investigação. A pesquisa bibliográfica e a integração de conhecimentos multidisciplinares (OA3) são estimuladas ao longo de todo o processo, através de atividades autónomas de leitura, experimentação e comparação de resultados. O sistema de seminários e debates virtuais proporciona um ambiente de discussão contínua, incentivando a reflexão crítica e a geração de soluções inovadoras. Os feedbacks formativos fornecidos pelo orientador e pelos pares contribuem para a consolidação teórica e metodológica, permitindo o refinamento das hipóteses e a validação empírica. A redação e estruturação da dissertação, bem como a sua defesa pública (OA4), beneficiam das metodologias focadas em trabalho autónomo orientado, apresentação de resultados parciais e feedback colaborativo. O estudante é desafiado a organizar o conhecimento adquirido, a articular os conceitos de forma sistemática e a apresentar de modo convincente os resultados do seu estudo. As simulações de apresentação e o treino de argumentação em videoconferência reforçam as competências de comunicação científica e a capacidade de enfrentar questionamentos técnicos, contribuindo para uma defesa sólida e bem fundamentada. Em suma, as metodologias de ensino e de avaliação — que englobam sessões tutorais individualizadas, seminários temáticos, fóruns de discussão e trabalhos de pesquisa autónoma — coadunam-se com os objetivos de aprendizagem, culminando na realização e defesa de uma dissertação de mestrado em Aprendizagem Automática Aplicada. O perfil reflexivo, crítico e tecnicamente sólido desenvolvido durante este percurso assegura que os diplomados estejam preparados para contribuir de forma significativa e inovadora na investigação, desenvolvimento e aplicação de técnicas de IA em contextos multidisciplinares.
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