6 ECTS; 1º Ano, 1º Semestre, 28,0 T + 28,0 TP + 5,0 OT , Cód. 814341.
Docente(s)
- Fernando Sérgio Hortas Rodrigues (1)(2)
(1) Docente Responsável
(2) Docente que lecciona
Pré-requisitos
Não aplicável.
Objetivos
1. Adquirir conhecimentos introdutórios sobre o tema da Inteligência Artificial, tais como: Agentes, ambientes, algoritmos básicos de procura e de procura advesária.
2. Adquirir conhecimentos introdutórios sobre o tema da Ciência de Dados, tais como:
e Ciência de Dados, abordando matérias introdutórias destes temas, tais como: Obtenção de dados, pré-processamento de dados, visualização de dados e modelos de aprendizagem supervisionada.
Programa
Parte I - Introdução à Inteligência Artificial
1. Introdução à Inteligência Artificial (IA):
1.1 O que é e para que serve.
1.2 As fundações e a sua história
1.3 O estado da arte
1.4 Riscos e vantagens
2. Agentes Inteligentes:
2.1 Agentes e Ambientes
2.2 Agentes inteligentes racionais
2.3 A natureza dos Ambientes
2.3 A estrutura dos Agentes
3. Resolução de problemas através de algoritmos de procura:
3.1 Agentes de procura de soluções
3.2 Algoritmos de procura
3.3 Estratégias de procura não-informada: Best-first search; Breath-3. first search; Dijkstra/uniform-cost search; Depth-first search
3.4 Estratégias de procura informada (heurísticas): Greedy best-first search; A*
3.5 Funções heurísticas
4. Procura Adversária e Jogos:
4.1 Algoritmo de procura Minimax
4.2 Minimax com cortes Alpha-Beta
Parte II - Introdução à Ciência dos Dados
5. Recolha de dados:
5.1 Fontes: Ficheiros de Texto; Web; APIs; Bases de Dados
5.2 Formatos: JSON; XML; CSV; Apache Parquet
6. Pré-processamento dos dados:
6.1 Exploração de dados em várias dimensões: Vetores; Matrizes e 6. 6.2 dimensões superiores
6.3 Técnicas de limpeza de dados
6.4 Técnicas de tratamento de dados
6.5 Mudança de Escala
6.6 Redução dimensional
7. Visualização de dados:
7.1 A importância da visualização dos dados
7.2 Bibbliotecas de visualização: MAtplotlib, Seaborn e Ploty
7.3 Representação de gráficos básicos: Barras, linha e pie
7.4 Visualização de dados multi-dimensionais
7.5 Visualização interativa
8. Aprendizagem supervisionada:
8.1 Modelos de regressão
8.2 Modelos de classificação
8.3 Métricas de avaliação
Metodologia de avaliação
Época de Frequência:
Mini-Testes (MT1 e MT2), com peso 20% cada
Trabalho Prático (TP), com peso 60%
NotaFinal = (MT1*0,2 + MT2*0,2 + TP*0,6)
Outras épocas:
Exame (E), com peso 40%
Trabalho Prático (TP), com peso 60%
NotaFinal = (E*0,4 + TP*0,6)
Obs:
- É condição necessária, mas não suficiente, a obtenção da nota mínima de 7,5 valores em cada uma das componentes de Mini-Testes/Exame e Trabalho Prático, caso contrário o aluno reprova nessa época de avaliação.
- O não cumprimento da condição necessária anterior, mesmo que a média final obtida seja maior ou igual a 9,5 valores implica a reprovação à UC nessa época de avaliação, sendo que neste caso a nota final que constará na pauta será de 9 valores.
- A obtenção de nota mínima na componente Teste em época de Frequência, em caso de reprovação nessa época, pode ser aproveitada para época Normal de Exame.
- A obtenção de nota mínima na componente Trabalho Prático em qualquer época, em caso de reprovação nessa época, pode ser aproveitada para a época de exame seguinte.
- O aluno obtém aprovação à UC, de acordo com o disposto nos Pontos 11 e 12 do Artigo 11º do Regulamento Académido do IPT
Bibliografia
- Grus, J. (2019). Data Science from Scratch: First Principles with Python. 2nd Ed. ISBN: 9781492041139: O'Reillly
- Russell, S. e Norvig, P. (2021). Artificial Intelligence: A Modern Approach. 4th Global Edition, ISBN: 9781292401133: Pearson
- Simões, A. e Costa, E. (2008). Inteligência Artificial . 2ª Ed. ISBN: 9789727223404: FCA
Método de Ensino
Aulas teóricas expositivo-participativas onde se descrevem e discutem com os alunos os conceitos fundamentais. Aulas práticas de resolução de: casos práticos; exercícios; aplicação dos conceitos apreendidos a cenários de utilização real.
Software utilizado nas aulas
Python
Jupyter Lab
Aprovado em Conselho Técnico Cientifico: 05 de dezembro de 2024
Download da Ficha da Unidade Curricular (FUC)
