Seguindo a classificação de Pedro Domingos, consideramos cinco classes principais de algoritmos de IA. Para cada tribo, introduzimos a área, analisamos alguns dos seus principais tópicos, indicamos aplicações e fornecemos uma visão geral. No final do curso, o/a estudante terá uma visão abrangente da área de IA, incluindo as principais abordagens, as possibilidades, limitações e desafios. Será também capaz de determinar quais abordagens são adequadas para problemas específicos do mundo real.

Principais competências a desenvolver: Instrumentais - análise e síntese, resolução de problemas; Pessoais - pensamento crítico Sistémicas - aplicação prática do conhecimento teórico; investigação. Competências secundárias: Instrumentais - organização e planeamento; Pessoais - trabalho em equipa Sistémicas - aprendizagem autónoma; criatividade.

Programa:

1. Introdução à Inteligência Artificial

2. IA Simbólica

3. IA Conexionista

4. IA Bayesiana

5 Visão Geral da Área

6. IA Evolucionária

A UC pretende aprentar ao aluno uma visão geral da área, dos seus princípios metodológicos, dos seus desafios e das suas principais aplicações. Introduzir os algoritmos básicos de um pipeline de análise de dados: preparação dos dados, extração atributos e de redução da dimensionalidade, modelos com base em técnicas de aprendizagem computacional e respetiva validação.

Programa:

1| Objetivos da aprendizagem computacional. Pipeline de análise de dados. Tipo de dados, tipos de aprendizagem, problemas típicos e aplicações.

2| Preparação de dados. Análise de dados preliminar. Problemas dos dados: tratamento de valores em falta, outliers, desbalanceamento, normalização. Tipos de atributos e conversão de atributos Binning. Outliers univariado e multivariado, imputação de dados contínuos e categóricos, deteção de duplicados e medidas de semelhança.  

3| Redução de dimensionalidade: métodos de ranking. Seleção de atributos.

4| Classificação e regressão. Estimação de Distância Mínima KNN.

A disciplina é uma continuação da disciplina de Aprendizagem Computacional - I com o intuito de aprofundar os tópicos já abordados, explorar novos conceitos e introduzir conceitos avançados de classificação e regressão. 

Programa:

1-Introdução

i. Revisão da pipeline

ii. Conceitos sobre modelos supervisionados e não-supervisionados

2-Aprendizagem não supervisionada

i. Clustering baseado em modelos gaussianos combinados

ii. Métodos de avaliação: Intrínsecas e Extrínsecos

3-Modelos supervisionados não conexionistas

i. Discriminantes Lineares (Euclidian e Mahalanobis) e de Fisher

ii. Classificação de Bayes; Estimação Bayes e Risco; Máximo A Posteriori (MAP).

iii. Máquinas de Vetores de Suporte iv. Combinação de classificadores

4-Modelos supervisionados conexionistas

i. Redes neuronais não recorrentes: MLP e RBF

ii. Redes neuronais recorrentes

5-Modelos baseados em regras

i. Árvores de decisão

6-Aspetos complementares

i. Aprendizagem semi-supervisionada.

Fornecer aos estudantes conceitos, princípios e teorias avançadas necessárias para o desenvolvimento de aplicações reais.

Programa:

1. Agentes

1.1 Racionalidade e agentes inteligentes

1.2 Agentes, tarefas e ambientes

1.3 PEAS 

1.4 Propriedades dos ambientes

1.5 Estrutura/Arquitetura e Taxonomia dos agentes

2. Sistema Multiagente

2.1 Arquiteturas de Multiagentes

2.2 Cooperação

2.3 Colaboração

2.4 Negociação

2.5 Comunicação

3. Conhecimento e Raciocínio Incertos

3.1 Abordagens de representação do ambiente/mundo

3.2 Quantificação da incerteza

3.3 Raciocínio probabilístico

4. Conhecimento e Raciocínio Incertos com Dimensão Temporal

4.1 Tempo e Incerteza

4.2 Modelos de transição e sensores

4.3 Hidden Markov Models

4.4 Redes Bayesianas Dinâmicas

5. Tomada de Decisão Individual e Complexa/Sequencial

5.1 Teoria da Utilidade

5.2 Tomada de decisão sequencial em representações atómicas

5.3 Tomada de decisão sequencial em representações fatorizadas 

5.4 Teoria dos Jogos

Dotar o estudante de conhecimentos teóricos e ferramentas que permitam extrair, selecionar, fundir e transformar informação, por forma a que esta possa ser usada, de forma eficiente, por algoritmos de análise e aprendizagem computacional.

O aluno deve estar apto a:-analisar a qualidade da informação;

- extrair atributos de diferentes tipos e domínios;

- desenvolver estratégias para anotação de dados;

- converter dados;

- fundir informação de diferentes fontes a três níveis diferentes: dados, atributos e decisão.

Programa:

Capítulo 1: Introdução à EA e FI.

Capítulo 2: Tratamento de dados em bruto

Capitulo 3: Extração de atributos-Atributos-Extração de Atributos específicos ao domínio:

Capitulo 4: Fusão de dados-Ao nível dos dados: média ponderada, Kalman Filter, filtragem de partículas.

Ferramentas e técnicas avançadas de visualização de dados; 

Técnicas de análise exploratória de dados;

Técnicas de interação de última geração;

Conhecimentos e experiência no desenvolvimento de visualizações para IA.

Programa:

• Os princípios da visualização eficaz;

• Representação de diferentes tipos de dados;

• Perceção e cognição Visualização interativa;

• Bibliotecas e ferramentas para visualização;

• Aplicações e dashboards interativos;

• Princípios para design centrado no humano;

• Análise exploratória de dados;

• Análise de dados e visualização estatística;

• Visualização para algoritmos e modelos de IA;

• Interpretação dos modelos;

• Visualização para entender modelos de ML;

• Visualização de processos de treino;

• Visualização no Processamento de LN;

• Visualização de dados;

• Técnicas para visualizar dados de alta dimensão e redução de dimensionalidade;

• Visualização da seleção e extração de características;

• Ética na visualização de dados.

Dotar os alunos de competências metodológicas e aplicacionais na área dos modelos e métodos de otimização e de apoio à tomada de decisões, sobretudo no contexto de problemas de planeamento ou operacionais em que os impactes ambientais sejam relevantes, incluindo identificar tipos de problemas, construir modelos matemáticos que incluam as respetivas características fundamentais, em especial com múltiplos critérios, aplicar algoritmos que produzam soluções para os modelos, e proceder a uma análise crítica das soluções obtidas.

Programa:

1. Introdução à programação linear. Construção de modelos matemátcos. O método simplex.

2. Programação inteira. Construção de modelos matemátcos. O método branch and bound.

3. Programação linear e inteira multiobjetivo.

4. Análise de decisão multicritério: Problemas de escolha, seriação e classificação; Noção de preferências; Relações de prevalência (outranking); Funções de valor.

Apresentar, discutir e desenvolver métodos computacionais para soluções de inteligência artificial de inspiração natural (i.e., biológica, social) para problemas de elevada complexidade que, ou não têm solução analítica, ou são computacionalmente intratáveis. Aquisição de competências para avaliar de modo rigoroso as soluções alternativas para os problemas.

Aquisição de competências em análise e síntese, comunicação oral e escrita, conhecimentos informáticos e de análise estatística, resolução de problemas, conhecimento de uma língua estrangeira, raciocínio crítico, trabalho em grupo, aprendizagem autónoma, criatividade, aplicação prática dos conhecimentos, investigação.

Programa:

1. Introdução

2. Meta-Heurísticas Clássicas 

3. Algoritmos Evolucionários 

4. Programação Genética 

5. Estratégias Evolutivas 

6. Evolução Diferencial

7. Inteligência coletiva 

8. Coevolução

9. Otimização multiobjetivo

10. Aprendizagem Máquina Evolutiva

11. Desenho de Experiências e Avaliação

Esta UC procura que os alunos adiquiram conhecimento sobre tópicos avançados de aprendizagem computacional e competências para o desenvolvimento de soluções que envolvam: redes de aprendizagem computacional profundas, modelos generativos e, modelos de aprendizagem por reforço. No final deverão ter capacidade de analisar, modelar, implementar, treinar e executar: - redes totalmente conectadas, convolucionais, sequênciais, recursivas, de grafos e "transformers" - autoencoders, variational autoencoders, generative adversarial networks and diffusion models - model free q-learning e deep q-networks.

Programa:

1. Treino de modelos

2. Aprendizagem Profunda

3. Aprendizagem computacional generativa

4. Aprendizagem por Reforço

Estudo e desenvolvimento de modelos generativos de IA seguindo abordagens, conexionistas, evolucionárias e biológicas.

Análise dos principais desafios e oportunidades. Aprendizagem pela prática seguindo uma abordagem de Project Based Learning.

 O/A estudante terá uma visão da área da IA generativa e será capaz de desenvolver e/ou adaptar sistemas generativos por forma a dar resposta a necessidades reais.

Principais competências:

Instrumentais - análise e síntese, resolução de problemas

Pessoais - pensamento crítico Sistémicas - aplicação prática do conhecimento teórico; investigação.

Competências secundárias:

Instrumentais - organização e planeamento;

Pessoais - trabalho em equipa Sistémicas.

Programa:

1. Introdução à Inteligência Artificial Generativa 

2. Métodos Clássicos 

3. Modelos Generativos Evolutivos

4. Técnicas de Exploração 

5. Estado da Arte em IA Generativa 

6. Criatividade Computacional 

7. Aplicações 

Considerações Éticas, Desafios e Oportunidades.

Conhecimentos de gestão de serviços e infraestruturas informáticas de alto desempenho para suporte de processamento massificado de dados em aplicações de IA.

Conhecimentos de computação no edge para técnicas de aprendizagem distribuída.

Planeamento e administração de infraestruturas para suporte de processamento massificado de dados em aplicações de IA.

Modelos de computação no edge em hardware low-power e System-On-Chip.

Planeamento e administração de infraestruturas de computação centralizada e no edge. 

Programa:

1. Infraestruturas de suporte para Inteligência Artificial;

2. Gestão de infraestruturas centralizadas/data center;

3. Sistemas de orquestração de containers para cloud e para o edge ;

4. Arquiteturas de big data em tempo real: Kappa e Lambda;

5. Transporte escalável e fiável em ambientes distribuídos; 

6. Soluções para Big Data;

7. Plataformas de computação no edge em hardware e software de última geração;

8. Computação em GPUs e System-on-Chips no edge.

Conceitos fundamentais relativos à teoria, ao projecto e à implementação de métodos de análise de séries temporais;

Técnicas lineares e não lineares de análise de séries temporais;

Compreender, identificar, seleccionar e implementar métodos de análise de séries temporais e de previsão adequados aos problemas concretos a resolver.

Aquisição de competências:

1. Instrumentais: capacidade de análise e de síntese em problemas complexos; competência de resolução de problemas concretos no âmbito da previsão de séries temporais;

2. Pessoais: trabalho em grupo; raciocínio critico;

3. Sistémicas: auto-aprendizagem; investigação.

Programa:

1. Conceitos básicos sobre séries temporais e previsão

2. Processos estocásticos

3. Técnicas de descrição básicas:

4. Modelos lineares para dados estacionários:

5. Modelos lineares para dados não-estacionários

6. Forecasting:

7. Modelos multivariados clássicos

8. Modelos não-lineares

Os robôs inteligentes são sistemas robóticos autónomos capazes de processar informação sensorial de modo a percecionarem o ambiente em que operam. Construção de representações de uma base de conhecimento que permitam raciocinar, planear e tomar decisões. Utilização de técnicas de AI.

Conhecimentos para projetar e implementar algoritmos, baseados em robôs inteligentes.

Programa:

1. Ciclo de percepção-raciocínio-acção ROS, simuladores de robôs móveis.

2. Extracção de informação a partir de dados sensoriais.

3. Representação do ambiente, localização e SLAM Mapas probabilísticos.

4. Planeamento, raciocínio e tomada de decisão sob incerteza. Planeamento de movimentos com amostragem. Planeamento e exploração baseada na teoria da informação. Raciocínio usando lógica formal. Processos de Markov parcialmente observáveis.

5. Interação Homem-Robô. Modalidades de interação. Princípios e teorias da interação homem-robot. 

6. Estudos de casos de aplicação Robôs de serviço. 

Os objectivos incluem a aquisição de conhecimentos relativos à execução de aplicações de Visão por Computador usando ferramentas de “Deep Learning”.

Na sequência da conclusão desta unidade curricular o estudante adquirirá competências que lhe permitirão aplicar técnicas de “machine learning” e, em particular, “deep learning”, em aplicações de visão por computador que requeiram detecção e reconhecimento de entidades/objects, segmentação semântica, análise de movimento e fluxo óptico, estimação de pose e “SfM-Structure from Motion”.

Programa:

Introdução a Visão por Computador. Revisão dos fundamentos de “Deep Learning”.

Classificação de entidades e de imagens.

Detecção e reconhecimento de objectos.

Fluxo óptico.

Seguimento Visual de Objectos.

Estimação de pose.

Recuperação de Estrutura por Movimento (SFM).

Prevê-se a aquisição das seguintes competências:

- Métodos para representação e manipulação computacional de linguagem natural;

- Aplicação de diversas técnicas para interação em linguagem natural, nomeadamente na pesquisa de documentos, na obtenção de respostas a perguntas, e em diálogo.

Prevê-se a aquisição dos seguintes conceitos:

- Processamento de Linguagem Natural

- Word e Sentence Embedding

- Recuperação de Informação

- Atos de Diálogo

- Fluxos de Diálogo

- Modelação de Linguagem

- Large Language Model

- Prompt Engineering

Programa:

1. Introdução ao Processamento de Linguagem Natural;

2. Semântica Vetorial;

3. Resposta Automática a Perguntas;

4. Sistemas de Diálogo;

5. Modelos de Linguagem;

6. Avaliação.

A unidade curricular tem como objetivo fornecer aos alunos uma compreensão abrangente da IA confiável e responsável, dotando-os com capacidades de pensamento crítico e habilitando-os a projetar e implementar sistemas de IA que estejam alinhados com princípios éticos, imparcialidade, transparência, responsabilidade, privacidade, segurança e sustentabilidade.

1. Introdução à IA Responsável e Confiável;

2. Agência e Supervisão Humana;

3. Transparência e Interpretabilidade/Explicabilidade em Sistemas de IA;

4. Diversidade, Não-discriminação e Justiça em Sistemas de IA;

5. Responsabilidade em Sistemas de IA;

6. Robustez e Segurança em Sistemas de IA;

7. Privacidade e Governança de Dados em Sistemas de IA;

8. Bem-estar Societal e Ambiental em Sistemas de IA;

9. Ética e Moralidade em Sistemas de IA;

10. Estruturas e Diretrizes.

Compreensão dos conceitos da criatividade computacional, bem como do seu enquadramento multidisciplinar.

Conhecer e compreender os principais modelos e técnicas que suportam a investigação atual em criatividade computacional, designadamente os oriundos da Inteligência Artificial.

Compreender técnicas de desenvolvimento de sistemas de criatividade computacional em alguns domínios de aplicação relevantess como Design, Arte, Imagem, Música e Som, Poesia e Texto em geral.

1. Teorias e modelos de Criatividade;

2. Caraterização formal de Criatividade;

3. Teorias e modelos de criatividade computacional;

4. Avaliação de criatividade computacional: métricas e modelos;

5. Tópicos de investigação atuais em criatividade computacional (p.ex., criação de conceitos, co-criatividade, aspetos sociais);

6. Técnicas computacionais (p.ex., algoritmos evolucionários, redes neuronais, programação por restrições);

7. Aplicações (p.ex., em Design, Arte e Imagem, Música e Som, Poesia e Texto).

Os objetivos principais do estágio são os seguintes:

- Técnicas de projeto e desenvolvimento de software e sistemas para inteligência artificial;

- Realização de projetos de desenvolvimento tecnológico;

- Contacto com a elaboração de projetos em ambiente empresarial;

- Iniciação a atividades de investigação de base e aplicada;

- Integração no mercado laboral;

- Realização de um documento com a proposta de estágio incluindo os seguintes aspetos:

- Análise do estado da arte;

- Escolha justificada das ferramentas e metodologias a utilizar;

- Análise de requisitos relativamente ao tema a desenvolver;

- Especificação de alto nível do sistema a desenvolver / trabalho a realizar incluindo objetivos concretos e calendarização para o segundo semestre.

A unidade curricular de estágio/dissertação pretende ser o veículo de consolidação, aplicação e integração dos conhecimentos adquiridos ao longo do curso.

Esta unidade curricular corresponde a 42 ECTS, divididos em dois semestres de 12 ECTS + 30 ECTS.

O trabalho pode ser desenvolvido na FCTUC ou em alguma entidade externa, sob orientação de um professor da FCTUC.

O relatório final pode ser redigido em Português ou Inglês.

a) Ter uma visão geral do ciclo da comunicação em ciência e dos objetos científicos e tecnológicos que produz;

b) Compreender as alterações no modo de comunicar a ciência;

c) Compreender como a investigação pode beneficiar da Ciência Aberta;

d) Ser capaz de determinar a via mais apropriada para a publicação em Acesso Aberto;

e) Compreender a importância dos dados de investigação e as questões da partilha e reutilização;

f) Compreender o contributo dos dados abertos para a Ciência Cidadã

g) Compreender as principais questões relativas à propriedade intelectual;

h) Ser capaz de conceber estratégias para aumentar a visibilidade da investigação

i) Compreender as limitações das métricas convencionais e o papel das métricas de nova geração.

Programa:

1. A ciência como sistema de comunicação;

2. A abertura na comunicação da ciência;

3. Os dados de investigação;

4. A avaliação da investigação;

5. A disseminação da investigação.

Compreender os conceitos envolvidos na área do empreendedorismo; desenvolver capacidades de análise e ideias;

Aplicar os conceitos envolvidos ao estruturar um Plano de Negócios;

Competência em organização e planificação;

Capacidade de decisão;

Entender a linguagem de outros especialistas;

Iniciativa e espírito empreendedor;

Capacidade negocial.

Programa:

O Desafio Empresarial e o Perfil do Empreendedor

Técnicas Cognitivas: Criatividade Inovação e Empreendedorismo: a “Economia do Conhecimento”;

“Criar para Inovar”: os Primeiros Passos para o Desenvolvimento de uma Ideia de Negócio, análise SWOT; Proteção da Propriedade Intelectual; Análise de Oportunidade de Negócio; Proposta de Valor; Aspetos Legais com a Criação de Empresas; Fontes de Financiamento para a “Criação do Próprio Emprego”,

Elaboração de um Plano de Negócios:

(1) Análise e definição das necessidades do cliente e do mercado;

(2) Especificação de metas;

(3) Estudos de viabilidade e defesa do Plano de Negócios.