Ambient Intelligence – Instituto Politécnico de Coimbra

Conhecimentos de Base Recomendados

Serão utilizados conceitos aprendidos na unidade curricular de Machine Learning.

Métodos de Ensino

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 = 0.4 * Exame + 0.6 * Trabalho Prático

Sendo assim, numa escala de 0 a 20 valores, as componentes possuem pesos diferenciados:

Exame: 8 Valores
Trabalho Prático: 12 Valores

Exame

Exame escrito, com consulta condicionada, que incidirá sobre os conteúdos lecionados nas aulas teóricas e práticas.
É obrigatória a obtenção de uma classificação igual ou superior a 35%. 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. O 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.
Existem 3 perfis para o tema do trabalho prático: (1) Análise de Dados, (2) Desenvolvimento ou (3) AutoProposto (tema livre validado).
Serão realizados 3 elementos de avaliação:
- Apresentação da Proposta de forma remota numa aula teórica (para os temas livres) – 1 valor (não aplicável para quem optar por tema proposto pela docente)
- Pesquisa, partilha e escrita do trabalho relacionado num artigo a descrever a aplicação/análise a desenvolver – 5 valores (4 para quem optar por tema livre)
- Apresentação final num seminário com demonstração e submissão da versão final do artigo – 7 valores (o mesmo peso e obrigatória para todos).
- O trabalho é indivisível, ou seja, apenas será lançada com os elementos mencionados acima entregues.
- Em cada um dos momentos 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 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.

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)

Ana Cristina Costa Oliveira Alves

Estágio(s)

NAO