Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Código :
IND706
Acrónimo :
IND706
Ciclo :
Desconhecida
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :

Carga Horária / Course Load

Semestre :
1
Créditos ECTS :
0.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
12.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
0.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
12.0h/sem
Trabalho Autónomo :
0.0
Horas de Trabalho Total :
12.0h/sem

Área científica / Scientific area

Área Científica INDEG-IUL

Departamento / Department

Ano letivo / Execution Year

2023/2024

Pré-requisitos / Pre-Requisites

Objetivos Gerais / Objectives

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

1. Compreender os Fundamentos de Processamento de Linguagem Natural (PLN): Adquirir conhecimento sobre os princípios básicos do processamento de linguagem natural e text mining, incluindo as definições, importância e aplicações. 2. Dominar Técnicas de Preparação de Texto: Aprender a realizar a tokenização e transformação de texto para a preparação de dados para modelos de PLN. 3. Explorar Modelos de IA Generativa: Entender os fundamentos e aplicações de modelos de inteligência artificial generativa para PLN. 4. Desenvolver Competências Práticas em PLN: Adquirir experiência prática através da implementação de projetos de PLN utilizando ferramentas de IA recentes. 5. Compreender as principais tendências do uso do PLN em contextos empresariais: Compreender como aplicar soluções de PLN para resolver problemas empresariais e gerar valor em diversas indústrias.

Conteúdos Programáticos / Syllabus

1. Introdução ao Text Mining e ao Processamento de Linguagem Natural (PLN): a. Principais definições de Text Mining e PLN b. Aplicações e casos de uso no mundo empresarial 2. Técnicas para recolha de dados não estruturados 3. Conceito de corpus, tokens e tipos de tokens (n-gramas) 4. Importância da limpeza de dados no PLN. a. Preparação do Texto b. Técnicas de normalização de texto. c. Remoção de stop words, stemming e lematização. d. Classificação das classes gramaticais das palavras (part-of-speech) 5. Visualização de dados não estruturados 6. IA Generativa e Modelos de Linguagem: a. Introdução aos modelos de linguagem de grande dimensão (LLMs) como GPT e BERT. b. Prompt Engineering para PLN c. Utilização de IA generativa em texto para criação e análise de conteúdo. 7. Análise de Sentimentos, classificação de texto. 8. Aplicações Práticas de PLN para o ambiente empresarial

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

Avaliação / Assessment

Teste - 50% Trabalho de Grupo - 50%

Metodologias de Ensino / Teaching methodologies

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

Observações / Observations

Bibliografia Principal / Main Bibliography

Unlocking the Secrets of Prompt Engineering: Master the art of creative language generation to accelerate your journey from novice to pro. Packt Edition

Bibliografia Secundária / Secondary Bibliography

Text Analytics with Python: A Practitioner's Guide to Natural Language Processing.

Data da última atualização / Last Update Date

2024-06-27