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

Erradicar a pobreza - Acabar com a pobreza em todas as suas formas, em todos os lugares

Educação de qualidade - Assegurar a educação inclusiva, e equitativa e de qualidade, e promover oportunidades de aprendizagem ao longo da vida para todos.

Igualdade de género - Alcançar a igualdade de gênero e empoderar todas as mulheres e meninas.

Reduzir as desigualdades - Reduzir as desigualdades dentro dos países e entre eles.

Objetivos de Aprendizagem

O objetivo geral desta unidade curricular é dotar o estudante de uma base sólida nos domínios da Inteligência Artificial (IA) e da Ciência de Dados (CD). De um modo mais específico, e separando por área, os objetivos são os seguintes:

1) Relativamente à Ciência de Dados, o estudante saberá implementar soluções de CD, utilizando as técnicas básicas de análise e visualização de dados. Além disso, saberá planificar processos de CD, utilizado para tal as metodologias mais adequadas da área. Por último, terá a capacidade de resolver problemas simples e práticos, usado técnicas standard de CD.

2) Relativamente à Inteligência Artificial, o estudante saberá identificar e caracterizar os principais domínios desta área do conhecimento, com especial relevo para a IA clássica e para a Aprendizagem Automática. Por último, saberá aplicar métodos de IA, quer a clássicos que de Aprendizagem Automática a diferentes casos de uso.

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, Naïve Bayes e redes neuronais).

Métodos de Ensino

Metodologias de ensino:

Aulas teóricas; aulas práticas laboratoriais com problemas e exercícios que acompanham a matéria teórica.

Utilização de LMS (Moodle) como recurso para a organização e acesso aos materiais de aprendizagem e comunicação com o docente e colegas.

Disponibilização de exercícios, de dificuldade gradual, cobrindo os tópicos ensinados, para o estudante praticar o domínio da matéria.

Trabalho colaborativo (em grupo) no âmbito do desenvolvimento de um projeto.

Avaliação

Avaliação contínua - constituída por 2 componentes:
* duas frequências (40% cada)
* projeto (20%)

Avaliação final - constituída 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.
- VanderPlas, Jake (2017). Python data science handbook : essential tools for working with data. Sebastopol, CA : O'Reilly.
Irizarry, R.A. (2019). Introduction to Data Science: Data Analysis and Prediction Algorithms with R (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429341830