2025

Laboratório de Inteligência Artificial e Ciência de Dados

Nome: Laboratório de Inteligência Artificial e Ciência de Dados
Cód.: INF14384L
6 ECTS
Duração: 15 semanas/156 horas
Área Científica: Informática, Matemática

Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Regime de Frequência: Presencial

Objetivos de Desenvolvimento Sustentável

Objetivos de Aprendizagem

Aprofundar e aplicar técnicas e métodos de ciências dos dados, desenvolvendo nos alunos a capacidade para, de uma forma crítica, analisar problemas, extrair e transformar informação passível de ser utilizada por técnicas estatísticas e de aprendizagem automática, pesquisar os modelos mais adequados ao problema e interpretar os resultados obtidos.

No final da unidade curricular, pretende-se que os alunos sejam capazes de, para um problema concreto:
- pesquisar e identificar os métodos mais adequados para a resolução do problema
- analisar a informação disponível, aplicar as transformações dos dados necessárias, construir modelos adequados ao problema
- analisar criticamente o desempenho dos modelos criados e decidir qual o mais adequado

Conteúdos Programáticos

- Apresentação de problemas concretos de aplicação de técnicas de Ciências dos Dados e Inteligência Artificial (IA e CD) para tipos de informação diversos, incluindo: dados nominais e numéricos, texto, imagens e áudio
- Revisão dos conceitos, técnicas e algoritmos mais adequados a cada problema concreto
- Desenvolvimento de sistemas de IA e CD

Métodos de Ensino

O ensino assenta em aulas práticas-laboratoriais (PL) onde os alunos aplicarão os princípios e conceitos adquiridos em UC anteriores e aprofundado de acordo com os problemas de IA e CD em estudo.

Os alunos têm uma participação ativa e cooperativa nas aprendizagens propostas e realizam uma série de tarefas no desenvolvimento de pequenos projetos.


Avaliação

Avaliação contínua - constituída por 2 projetos (cada um com peso de 50%).

Avaliação final - constituída por um exame (50%) e dois projetos (cada um com peso de 25%).

O aluno tem aprovação se a nota final for igual ou superior a 10.

Bibliografia

Introduction to Machine Learning with Python. A. Muller, S. Guido. O’Reilly (2016)
Data Mining: Practical Machine Learning Tools and Techniques. IH. Witten, E. Frank, MA. Hall and CJ. Pal. Morgan Kaufmann. (2017)