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
2023/2024
Pré-requisitos / Pre-Requisites
R ou 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. O custo de não fazer nada numa empresa/organização 2. Estratégias orientadas por dados 3. Processos de Markov, Otimização dinâmica e Equação de Bellman 4. Princípios base de Inteligência Artificial 5. Ambiente, agentes, estratégias, acções, ganhos e perdas, aprendizagem baseada na experiência 6. Algoritmos de Aprendizagem Reforçada: Q-learning, Multi-Armed Bandits, value and Policy Iteration 7. Otimização da tomada de decisão 8. 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, CP2, CP3, CP4, CP8 OA2: CP3, CP4, CP5, CP6 OA3: CP3, CP4, CP5, CP6, CP7, CP8 OA4: CP2, CP3, CP4, CP5, CP6, CP7, CP8
Avaliação / Assessment
Quiz semanal 4x5%=20% da nota final (min. 10 valores) Trabalho de grupo /projeto com apresentação oral individual, 80% 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
Osborne, P., Singh, K., Taylor, M., Applying Reinforcement Learning on Real-World Data with Practical Examples in Python, 2022, ., Richard S. Sutton and Andrew G. Barto / The MIT Press., Reinforcement Learning. An Introduction, 2018, ·, · ·
Bibliografia Secundária / Secondary Bibliography
Enes Bilgin, Mastering Reinforcement Learning with Python, 2020, ., Chan, L., Hogaboam, L., Cao, R., Applied Artificial Intelligence in Business, 2022, .,
Data da última atualização / Last Update Date
2024-02-16