Métodos de Ensino
As aulas teóricas são maioritariamente expositivas, com apresentação e discussão dos temas do programa.
São também usadas para apresentação e discussão de trabalhos e exemplos práticos de aplicação das tecnologias, incluindo palestras de convidados.
Nas aulas práticas são realizados exercícios, trabalhos práticos e apresentações.
Resultados de Aprendizagem
1. Conhecer técnicas e ferramentas de apoio à previsão na manutenção e gestão de operações
2. Aplicar técnicas e ferramentas de apoio à simulação na manutenção e gestão de operações
Programa
1 Predição na manutenção e gestão de operações
1.1 Previsão, predição e prognóstico
1.2 Modelos clássicos e estatísticos
1.3 Predição com modelos LSTM, GRU,seq2seq e transformadores.
2 Introdução à simulação
2.1 Comportamento de variáveis aleatórias
2.2 Simulação de processos, análise e validação de resultados
2.3 Pesquisa em espaço de estados, decisão com incerteza e teoria de jogos
2.4 Aplicações industriais na resolução de problemas usando agentes baseados em pesquisa, regras ou aprendizagem
2.5 Modelação de sistemas univariados – trepa-colinas e esfriamento simulado
2.6 Sistemas multiobjetivo. Frente de Pareto e métodos evolucionários
2.7 Simulação com SimPy e AnyLogic.
Docente(s) responsável(eis)
Mateus Daniel Almeida MendesMétodos de Avaliação
- - Trabalho Individual e/ou de Grupo - 40.0%
- - Exame - 60.0%
Estágio(s)
NAO
Bibliografia
1. Juan Martin Garcia. Agent-Based Modeling and Simulation I: Practical guide to the analysis of complex systems (System Dynamics Modeling with Vensim), 2021.
2. Harry Munro. Simulation in Python with SimPy: A Gentle Introduction to the World of SimPy, 2025.
3. Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson, 2021.
4. Daniel Shiffman. The Nature of Code: Simulating Natural Systems with Processing 1st Edition, 2012.
5. Luis R. Izquierdo, Segismundo S. Izquierdo, William H. Sandholm. Agent-Based Evolutionary Game Dynamics: A guide to implement and analyze Agent-Based Models within the framework of Evolutionary Game Theory. Independently published, 2024.
6. Christopher M. Bishop, Hugh Bishop. Deep Learning: Foundations and Concepts. Springer, 2024.
7. Richard Lyons. Understanding Digital Signal Processing 3rd Edition. Pearson, 2010.
8. F. Chollet. Deep learning with Python. Shelter Island, NY : Manning, 2021.