Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Investigação Operacional

Departamento / Department

Departamento de Métodos Quantitativos

Ano letivo / Execution Year

2026/2027

Pré-requisitos / Pre-Requisites

Conceitos base de Python, estatística e probabilidades

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. Algoritmos de aprendizagem por reforço (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 por reforço e sua utilização adequada OA3. Aplicar e avaliar os algoritmos de aprendizagem por reforço para situações reais OA4. Adquirir novos conhecimentos em Inteligência Artificial e vibe coding em Python

Conteúdos Programáticos / Syllabus

P1. Estratégias orientadas por dados e sua implementação numa empresa/organização P2. Revisão de conceitos base de estatística e probabilidades P3. Processos de Markov, Otimização dinâmica e Equação de Bellman P4. Ambiente, agentes, estratégias, ações, ganhos e perdas, aprendizagem baseada na experiência P5. Algoritmos de Aprendizagem Reforçada: Q-learning, Multi-Armed Bandits, Value and Policy Iteration P6. Exemplos e casos de estudo

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 coerência entre os conteúdos programáticos (P) e os objetivos de aprendizagem (OA) da UC é clara. O OA1 é alcançado por meio de P1, que introduz práticas de tomada de decisão orientada por dados na empresa. O OA2 é desenvolvido em P3-P5, com a exploração de vários modelos e técnicas de optimização e de aprendizagem por reforço, e em P6, com estudos de caso aplicados. O OA3 é abordado em P3-P6 com aplicações práticas associadas aos modelos apresentados. O OA4 é garantido pelas aplicações práticas em Python presentes em P2-P6.

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 (mín. 10 valores) b). Trabalho de grupo /projeto com apresentação oral individual, 80% (50%+30%) da nota final (mín. 10 valores) 2). Trabalho individual com apresentação oral (100% da nota final, 60% + 40%) (mín. 10 valores). A avaliação da segunda época consiste em um trabalho individual com apresentação oral (100% da nota final, 60% + 40%) (mín. 10 valores). O/A coordenador/a da unidade curricular pode determinar a realização de uma discussão oral complementar relativamente a qualquer elemento/instrumento de avaliação previsto na presente Ficha de Unidade Curricular, sempre que tal se revele necessário para aferir a autoria dos trabalhos apresentados, confirmar a aquisição dos conhecimentos e competências avaliados, ou esclarecer discrepâncias entre diferentes elementos de avaliação. A discussão oral complementar não constitui um instrumento autónomo de avaliação, não tem ponderação própria na classificação final da unidade curricular e destina-se exclusivamente à validação da classificação do respetivo elemento/instrumento de avaliação. A classificação anteriormente atribuída a esse elemento/instrumento tem natureza provisória até à realização da discussão oral complementar, podendo ser confirmada ou revista em função da validação realizada e dos critérios de avaliação aplicáveis. A convocatória para a discussão oral complementar será comunicada ao/à estudante com antecedência mínima de 24 horas, indicando a data e a hora de realização. A não comparência, sem justificação atendível, implica a impossibilidade de validação do respetivo elemento/instrumento de avaliação, aplicando-se as consequências previstas para a sua não realização ou desistência.

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/projeto 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 (ME) visam o desenvolvimento das principais competências dos estudantes, que lhes permitam cumprir cada um dos objectivos de aprendizagem. De modo geral, os objetivos de aprendizagem centram-se no desenvolvimento da capacidade dos estudantes de resolver um conjunto de problemas, analisar resultados e formular recomendações adequadas. Cada metodologia de aprendizagem contribui para a concretização de todos os objetivos de aprendizagem. A metodologia expositiva (ME1) será utilizada para apresentar os conceitos teóricos e os métodos de resolução de problemas necessários à unidade curricular. A metodologia prática/laboratorial (ME2 e ME4) será implementada através da utilização de software de uso geral e da resolução de exercícios práticos. A metodologia baseada na discussão (ME2) promoverá a capacidade dos estudantes para interpretar e analisar criticamente os resultados, bem como para formular recomendações fundamentadas. Dada a natureza da unidade curricular, o estudo autónomo (ME3, ME4 e ME5) desempenha um papel fundamental no desenvolvimento das competências de resolução de problemas e de análise. Adicionalmente, a aprendizagem baseada em projetos (ME5) permitirá aos estudantes aplicar os conhecimentos e competências adquiridos a problemas realistas, promovendo o trabalho em equipa, o pensamento crítico e a integração entre os conhecimentos teóricos e práticos. A tabela seguinte resume as principais relações entre as metodologias de aprendizagem (ME) e os respetivos objetivos 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). Richard S. Sutton and Andrew G. Barto, (2018), Reinforcement Learning. An Introduction, The MIT Press. (2). Jonas Hellgren and Johannes Lindgrenm, (2026), Reinforcement Learning Explained: A Practical Problem-Solving Approach, CRC Press. - Several scientific papers by topic and project (ArXiV)

Bibliografia Secundária / Secondary Bibliography

(1). Diana Mendes, (2026), Slides e Notebooks (Moodle) (2). Osborne, P., Singh, K., Taylor, M., (2022), Applying Reinforcement Learning on Real-World Data with Practical Examples in Python, Springer. (3). Hadi Aghazadeh, (2026), Applied Reinforcement Learning, Manning.

Data da última atualização / Last Update Date

2026-05-15