Ambient Intelligence – Instituto Politécnico de Coimbra

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)

Ana Cristina Costa Oliveira Alves

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)