2023
Tópicos de Inteligência Artificial e Ciência de Dados
Nome: Tópicos de Inteligência Artificial e Ciência de Dados
Cód.: INF14727M
6 ECTS
Duração: 15 semanas/156 horas
Área Científica:
Informática, Matemática
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português, Inglês
Regime de Frequência: Presencial
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Fornecer uma visão abrangente e atualizada dos tópicos fundamentais em Inteligência Artificial e Ciência de Dados nas perspetivas da estatística e da computação. Será dado ênfase aos fundamentos bem como às técnicas e métodos da Inteligência Artificial e Ciência dos Dados.
No final da unidade curricular, os alunos deverão ser capazes de:
* conhecer os conceitos gerais fundamentais das áreas de Inteligência Artificial e Ciência de Dados
* conhecer abordagens, técnicas e métodos básicos de análise de dados, resolução de problemas específicos e avaliação de desempenho
* analisar criticamente o desempenho de possíveis propostas de solução
* saber desenhar e desenvolver soluções para resolver um problema específico
No final da unidade curricular, os alunos deverão ser capazes de:
* conhecer os conceitos gerais fundamentais das áreas de Inteligência Artificial e Ciência de Dados
* conhecer abordagens, técnicas e métodos básicos de análise de dados, resolução de problemas específicos e avaliação de desempenho
* analisar criticamente o desempenho de possíveis propostas de solução
* saber desenhar e desenvolver soluções para resolver um problema específico
Conteúdos Programáticos
Introdução à Inteligência Artificial (IA)
Paradigmas: Indução e dedução e abdução
tipos de problemas e abordagens
Exemplos de métodos e aplicações de IA
Introdução à Ciência de Dados
Projeto de sistemas de aprendizagem automática
- Enquadramento do problema
- Obtenção de dados
- Descoberta e visualização de dados .
- Pre Processamento de dados para aprendizagem automática
- Seleção e treino de modelos
- Afinação de modelos
- Lançamento monitorização e manutenção de sistemas de aprendizagem automática
Estudos de caso
-Aprendizagem supervisionada
-Aprendizagem não-supervisionada
-Aprendizagem semi-supervisionada
-Aprendizagem por reforço
-Aprendizagem ativa
-Dados não estruturados
-Data Streams
-BigData
Paradigmas: Indução e dedução e abdução
tipos de problemas e abordagens
Exemplos de métodos e aplicações de IA
Introdução à Ciência de Dados
Projeto de sistemas de aprendizagem automática
- Enquadramento do problema
- Obtenção de dados
- Descoberta e visualização de dados .
- Pre Processamento de dados para aprendizagem automática
- Seleção e treino de modelos
- Afinação de modelos
- Lançamento monitorização e manutenção de sistemas de aprendizagem automática
Estudos de caso
-Aprendizagem supervisionada
-Aprendizagem não-supervisionada
-Aprendizagem semi-supervisionada
-Aprendizagem por reforço
-Aprendizagem ativa
-Dados não estruturados
-Data Streams
-BigData
Métodos de Ensino
Ao longo das aulas teóricas será efetuada a exposição, tão detalhada quanto possível, dos conteúdos programáticos definidos, reforçando o diálogo com os alunos sobre a importância da utilização dos conhecimentos adquiridos.
O contacto e interatividade com os alunos, bem como a disponibilização dos materiais de apoio será usada a plataforma de aprendizagem da Universidade de Évora (moodle). Para a resolução de problemas e desafios será utilizada uma plataforma de gestão de desafios e competições de ciência de dados (kaggle: https://www.kaggle.com/).
O contacto e interatividade com os alunos, bem como a disponibilização dos materiais de apoio será usada a plataforma de aprendizagem da Universidade de Évora (moodle). Para a resolução de problemas e desafios será utilizada uma plataforma de gestão de desafios e competições de ciência de dados (kaggle: https://www.kaggle.com/).
Avaliação
Avaliação contínua:
teórica(50%): obtida através de 2 frequências
prática(50%): trabalho/projeto em grupo
Avaliação final:
teórica(50%): obtida através um exame
prática(50%): trabalho/projeto em grupo
teórica(50%): obtida através de 2 frequências
prática(50%): trabalho/projeto em grupo
Avaliação final:
teórica(50%): obtida através um exame
prática(50%): trabalho/projeto em grupo
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/
Andreas C. Müller and Sarah Guido. Introduction to Machine Learning with Python. O'Reilly Media, Inc.
Aurélien Géron. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc.
Rafael A. Irizarry, Introduction to Data Science Data Analysis and Prediction Algorithms with R, https://rafalab.github.io/dsbook/
Andreas C. Müller and Sarah Guido. Introduction to Machine Learning with Python. O'Reilly Media, Inc.
Aurélien Géron. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc.
Equipa Docente
Certificações
