Currículo
Inteligência Artificial Aplicada à Educação 04098
Contextos
Groupo: Tecnologias Digitais Educativas - 2023 > 1º Ciclo > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
OA1: Reconhecer tipos de dados OA2: Enfrentar desafios de dados OA3: Aplicar IA para Extração de Conhecimento OA4: Melhorar a qualidade dos dados OA5: Implementar Técnicas de IA OA6: Navegar por aspectos éticos e legais OA7: Comunicar Insights Efetivamente OA8: Colaborar em projectos de IA OA9: Integrar ferramentas e bibliotecas de IA OA10: Aplicações no sector da educação
Programa
CP1: Introdução aos dados * Definição e conceitos chave CP2: Desafios dos dados na área da educação CP3: Fundamentos de IA para extração de conhecimentos CP4: Técnicas de IA para análise de dados CP5: Considerações éticas e jurídicas CP6: Comunicação eficaz dos resultados CP7: Projectos colaborativos de IA na área da educação CP8: Ferramentas e bibliotecas para dados CP9: Aplicações de IA na área da educação CP10: Apresentação e reflexão do projeto
Método de Avaliação
Avaliação ao longo do semestre (só disponível na 1ª Época): Realização de 3 trabalhos ao longo do semestre e um teste no fim: os trabalhos são realizados em grupo, sendo um em aula e os restantes autonomamente. O trabalho de aula representa 10% da nota final, e os autonomos 20% cada, com nota mínima de 9,5 valores. O teste representa 50% da nota, com nota mínima de 8 valores. A média das avaliações terá de ser igual ou superior a 9,5 valores em cada um dos trabalhos. As notas dos trabalhos poderão variar pelo desempenho demonstrado individualmente numa discussão oral, a ocorrer (para o grupo) no caso da nota (de um dos elementos) entre o teste e o trabalho tiver uma diferença superior a 3 valores. É exigida uma assiduidade mínima não inferior a 2/3 das aulas. Dado o caráter prático da UC não há lugar a avaliação por exame. Melhoria de nota só pode ser feita repetindo o processo de avaliação no ano seguinte.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 113.0
Carga Total -
Bibliografia
Principal
- Wes Mckinney, Python for Data Analysis, 2e: Data Wrangling with Pandas, NumPy, and IPython - Publisher: O'Reilly Media; Publication date: November 2017 Chris Albon, Machine Learning with Python Cookbook: Practical solutions from preprocessing to deep learning - Publisher: O'Reilly Media; Publication date: May 2018 Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. - Publisher: O'Reilly Media; Publication date: September 2019 Daniel Nelson, Data Visualization in Python - Publisher: Independently; Publication date: September 2020 O'Reilly, T. (2010). Open Government: Collaboration, Transparency, and Participation in Practice - Publisher: O'Reilly Media; Publication date: February 2010 OpenCV: Open Source Computer Vision Library. (https://opencv.org/) TensorFlow: An Open Source Machine Learning Framework for Everyone. (https://www.tensorflow.org/):
Secundária
- Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education. Boston: Center for Curriculum Redesign. Furey, H., & Martin, F. (2019). AI education matters: A modular approach to AI ethics education. AI Matters, 4(4), 13-15. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. Ieee Access, 8, 75264-75278. Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial Intelligence trends in education: a narrative overview. Procedia Computer Science, 136, 16-24. Nkambou, R., Mizoguchi, R., & Bourdeau, J. (Eds.). (2010). Advances in intelligent tutoring systems (Vol. 308). Springer Science & Business Media.: