Conhecimentos de Base Recomendados
Não Aplicável.
Métodos de Ensino
Os métodos de ensino (ME) a utilizar estão equilibrados entre tradicionais e ativos e são os seguintes:
ME1 Exposição de conteúdos pelo professor (compatível com objetivos de aprendizagem 1 a 7)
ME2 Testar os conteúdos apreendidos pelos alunos (compatível com objetivos de aprendizagem 1 a 7)
ME3 Resolução de problemas pelos alunos (compatível com objetivos de aprendizagem 4 a 8)
ME4 Interação e partilha de ideias pelos alunos (compatível com o objetivo de aprendizagem 8)
ME5 Desenvolvimento do pensamento crítico pelos alunos (compatível com objetivos de aprendizagem 7 e 8)
ME6 Investigação feita pelos alunos (compatível com objetivos de aprendizagem 4 a 8)
ME7 Criação feita pelos alunos (compatível com objetivos de aprendizagem 8)
A unidade curricular baseia-se em aulas teóricas-práticas. Os métodos de ensino (ME) a utilizar estão equilibrados entre tradicionais e ativos.
As aulas incluem a apresentação de conceitos e metodologias, seguida da sua discussão, assim como a demonstração da resolução de problemas aplicados. Os conceitos e metodologias são apresentados, os conteúdos são discutidos e a resolução de problemas é demonstrada durante as aulas. O conteúdo é ensinado e discutido num ambiente de sala de aula.
Para além do método expositivo tradicional, a metodologia incluirá a aprendizagem baseada em projetos (PBL). Como o nome indica, é uma metodologia de aprendizagem ativa que visa associar o aprender ao fazer. Este método baseia-se na construção coletiva do conhecimento, afastando-se do modelo convencional de sala de aula onde o professor ensina um tema e os alunos demonstram o que aprenderam numa atividade avaliativa final. O projeto proposto para ser desenvolvido, de preferência em grupo, visa passar pelas várias fases de um projeto de inteligência artificial.
Resultados de Aprendizagem
Os principais objetivos de aprendizagem (AO) definidos são os seguintes:
OA1 – Conhecer os princípios da inteligência artificial
OA2 – Conhecer os princípios da representação de conhecimento e inferência
OA3 – Compreender os princípios de funcionamento dos sistemas especialistas
OA4 – Conhecer as principais tarefas e atividades da inteligência artificial
OA5 – Conhecer as principais técnicas e algoritmos da inteligência artificial
OA6 – Conhecer algumas ferramentas e tecnologias e saber utilizar algumas delas
OA7 – Saber avaliar a qualidade de soluções e saber validar essas soluções
OA8 – Saber aplicar num projeto prático alguns dos principais conceitos e abordagens apreendidas
Os métodos de ensino (ME) a utilizar estão equilibrados entre tradicionais e ativos e são listados no Tópico 8.
Programa
1 Introdução à inteligência artificial
1.1 História da inteligência artificial
1.2 Princípios da inteligência artificial, aprendizagem máquina e aprendizagem profunda
1.3 Inteligência artificial fraca, forte e superinteligência
1.4 Descoberta de conhecimento em bases de dados e mineração de dados
2 Conhecimento e inferência
3 Sistemas especialistas
4 Principais tarefas e atividades
4.1 Atividades preditivas (ou supervisionadas)
4.2 Atividades descritivas (ou não-supervisionadas)
4.3 Atividades prescritivas
5 Principais técnicas e algoritmos
5.1 Indução de árvores de decisão
5.2 Redes neuronais artificiais
5.3 Algoritmos genéticos
5.4 Indução de regras
5.5 Conjuntos difusos
5.6 Redes de Bayes
5.7 Outras técnicas e algoritmos
6 Ferramentas e Tecnologias
7 Qualidade e validação de soluções
Docente(s) responsável(eis)
Dora Regina Oliveira MeloEstágio(s)
NAO
Bibliografia
- Adamson, J. (2021). Minding the Machines: Building and Leading Data Science and Analytics Teams. John Wiley & Sons.
- Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies (2.ª ed.). Cambridge, MA: The MIT Press.
- Linoff, Gordon S., & Berry, Michael J. A. (2011). Data mining techniques: For marketing, sales, and customer relationship management (3.ª ed.). Indianapolis, IN: Wiley.
- Luger, G. F. (2008). Artificial intelligence: Structures and strategies for complex problem solving (6.ª ed.). Pearson (Addison‑Wesley), Boston, MA
- Bigus, Joseph P. (1996). Data Mining with Neural Networks: Solving Business Problems from Application Development to Decision Support. Crawfordsville, Indiana, USA: McGraw-Hill, Inc.
- Chakrabarti, Soumen, Cox, Earl, Frank, Eibe, Güting, Ralf Hartmut, Han, Jiawei, Jiang, Xia, Neapolitan, Richard E. (2008). Data Mining: Know It All. Burlington, Massachusetts: Morgan Kaufmann Publishers.
- Fernandes, Anita Maria da Rocha. (2005). Inteligência Artificial: Noções Gerais. Brasil: Visual Books.
- Hotz, N. (2022, October 7). What is a Data Science Life Cycle?. Data Science Process Alliance. https://www.datascience-pm.com/datascience-life-cycle/