2023
Princípios de Inteligência Artificial e Ciência de Dados
Nome: Princípios de Inteligência Artificial e Ciência de Dados
Cód.: INF14386L
6 ECTS
Duração: 15 semanas/156 horas
Área Científica:
Informática
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Regime de Frequência: Presencial
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Esta unidade curricular oferece uma visão geral abrangente dos tópicos fundamentais em Ciência de Dados e Inteligência Artificial, tanto de uma perspetiva matemática como de uma perspetiva computacional. É dada especial ênfase às classes básicas de técnicas e métodos, aos fundamentos teóricos da Ciência dos Dados e da Inteligência Artificial. Deste modo, fornece uma panorâmica de diversos tópicos que serão abordados em muito mais detalhe ao longo da licenciatura.
Conteúdos Programáticos
Introdução à Ciência de Dados
- Implementação de soluções de Ciência de Dados, análise e visualização de dados básicos.
- Introdução ao processo de Ciência de Dados e metodologia apropriada.
- Exemplos de métodos básicos de Ciência de Dados com estudos de caso, como agrupamento, classificação e regressão.
Inteligência artificial
- Introdução à IA clássica e Aprendizagem Automática (AA), incluindo o relacionamento com áreas como algoritmos e otimização, e filosofia de IA.
- Exemplos de métodos e aplicações de IA, em IA clássica (pesquisa e satisfação de restrições) e baseada em AA (motores de pesquisa, naive Bayes e redes neuronais).
- Implementação de soluções de Ciência de Dados, análise e visualização de dados básicos.
- Introdução ao processo de Ciência de Dados e metodologia apropriada.
- Exemplos de métodos básicos de Ciência de Dados com estudos de caso, como agrupamento, classificação e regressão.
Inteligência artificial
- Introdução à IA clássica e Aprendizagem Automática (AA), incluindo o relacionamento com áreas como algoritmos e otimização, e filosofia de IA.
- Exemplos de métodos e aplicações de IA, em IA clássica (pesquisa e satisfação de restrições) e baseada em AA (motores de pesquisa, naive Bayes e redes neuronais).
Métodos de Ensino
Metodologias de ensino:
Aulas teóricas; aulas práticas laboratoriais com problemas que acompanham a matéria teórica.
Disponibilização de exercícios, de dificuldade gradual, cobrindo os tópicos ensinados, para os alunos praticarem o domínio da matéria.
Aulas teóricas; aulas práticas laboratoriais com problemas que acompanham a matéria teórica.
Disponibilização de exercícios, de dificuldade gradual, cobrindo os tópicos ensinados, para os alunos praticarem o domínio da matéria.
Avaliação
Avaliação contínua - constitída por 2 componentes:
* duas frequências (40% cada)
* projeto (20%)
Avaliação final - constitída por 2 componentes:
* exame (80% cada)
* projeto (20%)
A nota final é obtida através da média ponderada das 2 componentes. O aluno tem aprovação se a nota final for igual ou superior a 10.
* duas frequências (40% cada)
* projeto (20%)
Avaliação final - constitída por 2 componentes:
* exame (80% cada)
* projeto (20%)
A nota final é obtida através da média ponderada das 2 componentes. O aluno tem aprovação se a nota final for igual ou superior a 10.
Bibliografia
S. Russell and P. Norvig (2010): Artificial Intelligence, A Modern Approach. Third edition, Pearson Education, ISBN 978-0-13-207148-2.
Rafael A. Irizarry, Introduction to Data Science Data Analysis and Prediction Algorithms with R, https://rafalab.github.io/dsbook/
Rafael A. Irizarry, Introduction to Data Science Data Analysis and Prediction Algorithms with R, https://rafalab.github.io/dsbook/
Equipa Docente
Certificações
