Inteligência Artificial

Os métodos de ensino (ME) a utilizar estão balanceados 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 balanceados entre tradicionais e
ativos.
As aulas incluem a apresentação de conceitos e metodologias e procedem com a sua discussão, assim como a demonstração da
resolução de problemas aplicados. Nas aulas apresentam-se conceitos e metodologias, discutem-se conteúdos e demonstra-se a

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 balanceados entre tradicionais e ativos e são listados no Tópico 8.

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

NAO

Adamson, J. (2021). Minding the Machines: Building and Leading Data Science and Analytics Teams. John Wiley & Sons.
Berry, Michael J, & Linoff, Gordon. (1997). Data Mining Techniques: For Marketing, Sales, and Customer Support. New York, USA: John
Wiley & Sons, Inc.
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. Burlinghton, 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/
Kelleher, J. D., Mac Namee, B., & D’arcy, A. (2015). Fundamentals of machine lea