Ambient Intelligence

Conhecimentos de Base Recomendados

Serão utilizados conceitos aprendidos na unidade curricular de Machine Learning.

Métodos de Ensino

As aulas teóricas são aulas expositivas.

As aulas práticas baseiam-se em acompanhamento do trabalho prático intercaladas com resolução de exercícios. Algumas aulas serão exclusivamente dedicadas à resolução de exercícios.

Todos os elementos de apoio às aulas teóricas/práticas são disponibilizados aos alunos.

Resultados de Aprendizagem

Pretende-se que os alunos adquiram um conjunto de conhecimento e competências na área de Ambient Intelligence, nomeadamente:

  • Conhecer e compreender os conceitos e tecnologias
  • Conhecer, compreender e aplicar técnicas de aquisição e fusão de dados a partir de diferentes sensores
  • Selecionar e aplicar as técnicas de machine learning adequadas sobre os dados recolhidos para inferir padrões sobre contexto e as suas dimensões
  • Compreender o requisito de adaptabilidade das interfaces às necessidades do utilizador
  • Conhecer e promover a privacidade na aquisição, salvaguarda e manuseamento de dados recolhidos

Programa

Componente Teórica:

1. Introdução

  • Comparação e Definição AmI & Computação ubíqua
  • Visão de Mark Weiser. A visão do ISTAG.
  • Introdução aos conceitos fundamentais de AmI

2. Sistemas Baseados em Localização

  • Bases de Dados Espaciais
  • Sistemas de Informação Geográfica
  • Análise Geoespacial de Dados

3. Sensores, Atuadores e Modelação

  • Sensores oportunísticos e sensores privados
  • Internet das Coisas (IoT)
  • Computação Sensível ao Contexto
  • Computação Sensível ao Contexto para IoT

4. Aprendizagem automática para AmI

  • Algoritmos inteligentes e estruturas de dados que utilizam contexto: Map Matching, Routing, Diagramas de Voronoi.
  • Fusão de dados e Clustering
  • Classificação de dados de contexto
  • Inteligência das Coisas

5. Privacidade

  • Segurança vs. privacidade
  • Regulamento Geral de Proteção de Dados
  • Soluções técnicas

6. Experiência do Utilizador em AmI

  • Interação Pessoa-Máquina e Adaptabilidade
  • Interfaces inteligentes
  • Design de Estudos de campo

7. Aplicações de Ambient Intelligence

  • Sistemas Inteligentes de Transporte
  • Cidades Inteligentes e Computação Urbana
  • Ambientes Inteligentes
  • Agricultura de Precisão
  • Indústria 4.0

Componente Prática:

1. Recolha de dados por meio de dispositivos móveis

  • Diferentes sensores de contexto (Localização, Movimento, Orientação, Temporal, Ambientais)
  • Plataformas de Dados Abertos
  • Conjunto de dados contextuais disponíveis

2. Armazenamento, Visualização e aplicação de algoritmos sobre dados de contexto

  • Bases de dados espaciais
  • Sistema de Informação Geográfica
  • Map Matching, Routing e criação de Diagramas de Voronoi
  • Técnicas de Anonimização de Dados

3. Aprendizagem automática sobre dados de contexto

  • Pré-processamento e limpeza dos dados
  • Análise Exploratória de Dados (EDA)
  • Classificação e Clustering

 

 

Docente(s) responsável(eis)

Estágio(s)

NAO

Bibliografia

Obrigatória:
[1] Augusto, J., Callaghan, V., Cook, D., Kameas, A., Satoh, I. (2013). Intelligent Environments: a Manifesto. Human-centric Computing and Information Sciences, 3:12 (https://doi.org/10.1186/2192-1962-3-12 )

[2] Ubiquitous Computing Fundamentals. (2010). Edited by John Krumm, ISBN: 978-1420093605, CRC Press. [1A-21-1 (ISEC) – 18970]

[3] Chin, J., Callaghan, V., & Allouch, S. B. (2019). The Internet-of-Things: Reflections on the past, present and future from a user-centered and smart environment perspective. Journal of Ambient Intelligence and Smart Environments, 11(1), 45-69 (https://doi.org/10.3233/AIS-180506)

[4] Gams, M., Gu, I. Y. H., Härmä, A., Muñoz, A., & Tam, V. (2019). Artificial intelligence and ambient intelligence. Journal of Ambient Intelligence and Smart Environments, 11(1), 71-86 (https://doi.org/10.3233/AIS-180508)

[5] Dunne, R., Morris, T., & Harper, S. (2021). A Survey of Ambient Intelligence. ACM Computing Surveys, 54, 4, Article 73 (May 2022), 27 pages (https://doi.org/10.1145/3447242)

Opcional:
[6] Elazhary, H. (2019). Internet of Things (IoT), mobile cloud, cloudlet, mobile IoT, IoT cloud, fog, mobile edge, and edge emerging computing paradigms: Disambiguation and research directions. Journal of Network and Computer Applications, 128, 105-140 (https://doi.org/10.1016/j.jnca.2018.10.021).

[7] Müller, A., C., & Guido, S. (2017). Introduction to machine learning with Python : a guide for data scientists. ISBN 978-1-449-36941-5, O’Reilly.  [ 1A-4-197 (ISEC) – 18236] 
 
[8] Witten, I., Frank, E., Hall, M., Pal, C. (2016). Data Mining: Practical Machine Learning Tools and Techniques. ISBN: 978-0128042915, Morgan Kaufmann, 4th Edition.

[9] Ferraro, R., Aktihanoglu, M. (2011) Location Aware Applications. ISBN: 978-1935182337, Manning Publications. 
 
Outros artigos relevantes (disponíveis online via b-on)