Currículo

Introdução à Inteligência Artificial 04914

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

Após a conclusão da UC, os alunos devem: OA1: Reconhecer os fundamentos da IA, relacionando lógica de predicados e sistemas baseados em conhecimento. OA2: Construir e interpretar modelos simples de aprendizagem automática, distinguindo algoritmos de classificação e regressão, definindo métricas de avaliação adequadas. OA3: Aplicar métodos de raciocínio dedutivo e indutivo, compreendendo como a representação de conhecimento e heurísticas apoiam a tomada de decisão. OA4: Analisar criticamente a adequação de abordagens de IA a contextos específicos, considerando dados, desempenho, e implicações éticas. OA5: Implementar estratégias iniciais de IA Generativa, enfatizando engenharia de prompts e geração de conteúdos inovadores. OA6: Demonstrar capacidade de investigação e experimentação autónoma, integrando conceitos de IA em projetos colaborativos. OA7: Refletir sobre limitações e impactos socioeconómicos da IA, adotando uma postura responsável na seleção e aplicação de metodologias.

Programa

CP1: Conceitos essenciais de IA: definição, evolução histórica e relevância multidisciplinar. CP2: Lógica de predicados e sistemas baseados em conhecimento: representação, dedução e aplicações. CP3: Métodos de raciocínio e heurísticas: procura informada e não informada, seleção de estratégias adequadas. CP4: Introdução à aprendizagem automática: noções básicas, algoritmos de classificação e regressão, métricas de avaliação. CP5: Modelos preditivos simples: conceção, implementação e análise de resultados em cenários reais. CP6: IA Generativa: fundamentos, engenharia de prompts e aplicações criativas. CP7: Abordagem crítica às limitações, desafios éticos e implicações socioeconómicas da IA.

Método de Avaliação

A avaliação desta UC segue o modelo de Avaliação ao Longo do Semestre (ALS), prevista no RGACC, e contempla vários momentos, organizados em três blocos de avaliação (BA), visando aferir o progresso e a consolidação dos conhecimentos. A sua composição é a seguinte: AB1 – Prova Escrita (40%): Incide sobre os conteúdos fundamentais de Inteligência Artificial, Aprendizagem de Máquina e Inteligência Artificial Generativa, avaliando a compreensão teórica e a aplicação prática dos conceitos. AB2 – Projeto Final em IA (60%): Pode ser realizado individualmente ou em grupo e compreende a conceção, implementação e avaliação de um protótipo ou estudo de caso, com base nos conteúdos da unidade curricular. A avaliação distribui-se entre relatório escrito (60%) e apresentação oral (40%), a realizar na última aula. Disposições complementares: Cada componente de avaliação requer nota mínima de 8,5 valores. Poderá ser realizada discussão oral individual, sempre que necessário, para confirmação de conhecimentos. A nota final resulta da soma ponderada das duas componentes, exigindo-se um mínimo de 10 valores para aprovação.

Carga Horária

Bibliografia

Principal

• Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. → Considerado a "bíblia" da IA, cobre desde fundamentos históricos até algoritmos modernos. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. → Introdução acessível e aprofundada ao deep learning. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. → Livro clássico sobre fundamentos de aprendizagem de máquina. Domingos, P. (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. → Introdução mais popular, sem fórmulas, ideal para contexto geral. Chollet, F. (2021). Deep Learning with Python (2nd ed.). Manning. → Didático, foca em exemplos práticos com Keras/TensorFlow.:

Secundária

• Haenlein, M., Kaplan, A., Tan, C. T., Tan, B. C., & Zhang, P. (2019). Artificial Intelligence (AI) and Management Analytics. Journal of the Academy of Marketing Science, 48(3), 411–431. Jordan, M. I., & Mitchell, T. M. (2015). Machine Learning: Trends, Perspectives, and Prospects. Science, 349(6245), 255–260. Topol, E. (2019). High-performance Medicine: The Convergence of Human and Artificial Intelligence. Nature Medicine, 25, 44–56.:

Disciplinas de Execução

2025/2026 - 1º Semestre