Currículo

Otimização de Estratégias Orientada por Dados OEOD

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

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

Programa

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

Método de Avaliação

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.

Carga Horária

Bibliografia

Principal

• (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):

Secundária

• (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.:

Disciplinas de Execução