Conhecimentos de Base Recomendados
Serão utilizados conceitos aprendidos na unidade curricular de Machine Learning.
Métodos de Ensino
As aulas teóricas são aulas expositivas mas contam com a participação do alunos nomeadamente através de questões interativas realizadas em algumas aulas.
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 conhecimentos 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
- Conhecer e compreender as diferentes dimensões de contexto, em particular, a dimensão espacial, através da manipulação, visualização e análise de dados georreferenciados
- Selecionar e aplicar as técnicas de machine learning adequadas sobre os dados recolhidos para inferir padrões sobre contexto e as suas dimensões
- Capacitar a implementção de agentes inteligentes capazes de interpretar dados, raciocinar sobre informação contextual e atuar de forma pró-ativa
- 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. Inteligência Artificial & AmI
- Algoritmos espaciais inteligentes e estruturas de dados que utilizam contexto: Map Matching, Routing, Diagramas de Voronoi.
- Fusão de dados e Clustering
- Classificação de dados de contexto
- Agentes inteligentes
- 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 espaciais 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. Inteligência Artificial & AmI
- Pré-processamento e fusão de dados para a aprendizagem automática de contexto
- Análise Exploratória de Dados (EDA)
- Classificação e Clustering
- Agentes inteligentes
Docente(s) responsável(eis)
Ana Cristina Costa Oliveira AlvesMétodos de Avaliação
Avaliação periódica onde a nota final da disciplina é obtida através da seguinte expressão, considerando que cada componente é avaliado de 0 a 100%:
Nota final = 0.5 * Exame + 0.5 * Trabalho Prático
Sendo assim, numa escala de 0 a 20 valores, as componentes possuem os seguintes pesos:
- Exame: 10 Valores
- Trabalho Prático: 10 Valores
Exame
Exame escrito, com consulta física (e não digital) condicionada, que incidirá sobre os conteúdos lecionados nas aulas teóricas e práticas.
É permitida a substituição de uma pergunta do exame pela realização com sucesso de questões interativas apresentadas em algumas aulas teóricas. O desempenho nestas questões será divulgado atempadamente antes do início da época normal de exames.
É obrigatória a obtenção de uma classificação igual ou superior a 25%. A não obtenção desta classificação mínima implica a reprovação à disciplina.
Não são permitidos quaisquer processos informais de melhoria de classificação entre épocas de exame.
O exame será realizado nos períodos destinados às épocas de exame (Normal, Recurso, Especial).
Trabalho Prático
Trabalho prático de tema livre sujeito à aprovação ou 1 proposto pela docente. A escolha de realização do tema proposto pela docente, implica uma assiduidade mínima de 75% às aulas práticas.
Os alunos devem preferencialmente formar grupos de 2 alunos. No entanto, são permitidos trabalhos individuais. As classificações atribuídas poderão diferir entre os elementos de cada grupo.
Existem 3 perfis para o tema do trabalho prático: (1) Análise de Dados, (2) Desenvolvimento ou (3) Auto-Proposto (tema livre validado).
Serão realizados 3 elementos de avaliação:
- a) Apresentação da Proposta numa aula teórica (para os temas livres) – 0,75 valores (elemento apenas aplicável a quem optar por tema livre)
- b) Pesquisa, partilha e resumo do trabalho relacionado num template a descrever a aplicação/análise a desenvolver – 3 valores (2,25 para quem optar por tema livre)
- c) Apresentação final com demonstração e submissão da versão final do documento baseado no template previamente fornecido – 7 valores (o mesmo peso e obrigatória para todos).
O trabalho é indivisível, ou seja, apenas será lançada com os elementos mencionados acima entregues.
No momento b) de avaliação, os alunos terão de estar preparados para responder a questões sobre o trabalho e opções tomadas na aula seguinte.
Todas as datas de entrega/apresentação serão oportunamente divulgadas/confirmadas.
O trabalho apenas será realizado em grupos de 2 alunos durante a época normal/recurso. Na época especial, onde o acesso é limitado aos alunos elegíveis, o trabalho é feito individualmente.
Assim que é entregue, a nota do trabalho prático será considerada em todas as épocas de exame subsequentes a realizar durante o ano letivo (Normal, Recurso, Especial). Como tal, não existirá nova oportunidade para melhoria dos elementos de avaliação prática.
Cada elemento de avaliação poderá estar sujeito a uma avaliação oral.
Para os alunos trabalhadores estudantes ou com algum estatuto especial previsto na lei, aplica-se o disposto na lei. A situação tem de ser confirmada a partir da informação fornecida pelos Serviços Académicos, até ao último dia de aulas.
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] Hernández-Torres, GA., Sánchez-DelaCruz, E. Challenges and opportunities of ambient intelligence (AmI) in the 21st century: a historical review. Evolutionary Intelligence. 18, 80 (2025). https://doi.org/10.1007/s12065-025-01067-1
[3] Bimpas, A., Violos, J., Leivadeas, A., & Varlamis, I. (2024). Leveraging pervasive computing for ambient intelligence: A survey on recent advancements, applications and open challenges. Computer Networks, 239, 110156. https://doi.org/10.1016/J.COMNET.2023.110156
[4] 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)
[5] 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)
[6] Tissaoui, A. (2026). From prompt to persona: a literature review on LLMs as single cognitive agents. Journal of Ambient Intelligence and Humanized Computing 17, 205–221. https://doi.org/10.1007/s12652-025-05029-4
Opcional:
[7] 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)
[8] 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).
[9] Ubiquitous Computing Fundamentals. (2010). Edited by John Krumm, ISBN: 978-1420093605, CRC Press. [1A-21-1 (ISEC) – 18970]
[10] 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]
Outros artigos relevantes (disponíveis online via b-on)