Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Investigação Operacional

Departamento / Department

Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Conceitos base de Python, estatística, otimização

Objetivos Gerais / Objectives

O1. Business understanding e estratégias baseados em dados O2. Otimização dinâmica e Inteligência Artificial O3. Ambiente, agentes, estratégias, acções, ganhos e perdas, aprendizagem baseada na experiência O4. Algortimos de aprendizagem reforçada (q-learning, multi-armed bandits, value and policy iteration) O5. Casos de estudo (problemas de transportes, otimização de portefólios, sistemas de recomendação)

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

OA1. Compreender a tomada de decisão dirigida por dados OA2. Conhecer algoritmos de otimização dinâmica e de aprendizagem reforçada e sua utilização adequada OA3. Aplicar e avaliar os algoritmos de aprendizagem reforçado para situações reais OA4. Adiquirir novos conhecimentos em Python

Conteúdos Programáticos / Syllabus

1. Estratégias orientadas por dados e sua implementação numa empresa/organização 2. Revisão de conceitos base de estatística 3. Processos de Markov, Otimização dinâmica e Equação de Bellman 4. Ambiente, agentes, estratégias, ações, ganhos e perdas, aprendizagem baseada na experiência 5. Algoritmos de Aprendizagem Reforçada: Q-learning, Multi-Armed Bandits, value and Policy Iteration 6. Exemplos e casos de estudo

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

Esta "demonstração de coerência" decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: OA1: CP1, CP3, CP4, CP5, CP6 OA2: CP3, CP4, CP5, CP6 OA3: CP3, CP4, CP5, CP6 OA4: CP2, CP3, CP4, CP5, CP6

Avaliação / Assessment

A avaliação da primeira época pode ser uma das duas possibilidades: 1. Avaliação ao longo do semestre, que consta em: a). Quiz individual no meio-semestre 20% da nota final (min. 10 valores) b). Trabalho de grupo /projeto com apresentação oral individual, 80% (70%+10%) da nota final (min. 10 valores) 2). Trabalho individual (100% da nota final) (min. 10 valores). A avaliação da segunda época consta num trabalho individual (100% da nota final) (min. 10 valores).

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência ME2. Participativas, com análise de artigos científicos ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório de informática, realizando análises sobre dados reais ME5. Autoestudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento das aulas

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-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objectivos de aprendizagem. Na grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino-aprendizagem (ME) e os respectivos objectivos de aprendizagem (OA). ME1: OA1, OA2 ME2: OA1, OA2 ME3: OA1, OA2, OA3, OA4 ME4: OA1, OA2, OA3, OA4 ME5: OA1, OA2, OA3, OA4

Observações / Observations

·

Bibliografia Principal / Main Bibliography

(1). Diana Mendes, (2024), Slides e Notebooks (Moodle) (2). Richard S. Sutton and Andrew G. Barto, (2018), Reinforcement Learning. An Introduction, The MIT Press. (3). Osborne, P., Singh, K., Taylor, M., (2022), Applying Reinforcement Learning on Real-World Data with Practical Examples in Python, Springer.

Bibliografia Secundária / Secondary Bibliography

(1). Enes Bilgin, (2020), Mastering Reinforcement Learning with Python, Packt. (2). Chan, L., Hogaboam, L., Cao, R., (2022), Applied Artificial Intelligence in Business, Springer.

Data da última atualização / Last Update Date

2024-07-23