ISLA IPGT 26724

Artificial Intelligence Project

• ApresentaçãoPresentation

  The Artificial Intelligence Project curricular unit aims to consolidate, in an integrated and applied manner, the knowledge acquired in Artificial Intelligence and Machine Learning. Each student individually develops a technological project, from conceptualisation to implementation, following project planning practices and the CRISP-DM phases. The work includes problem formulation, research, data preparation, development and comparison of supervised or unsupervised models, validation, results analysis, explainability, ethics, prototyping, testing and preparation for implementation. The course adopts a project-based learning approach, promoting practical work, autonomy, critical thinking, documentation, presentation and the technical defence of the solutions developed.
• ProgramaProgramme

  Syllabus 1. Plan and develop solutions to medium- to large-scale problems as part of a team. 2. Conceptualise a project. 3. Document and present the work carried out, as well as draw up a detailed budget for the proposed solutions. 4. Develop a project. 5. Prototyping. 6. Prepare the project outcome for practical implementation. 7. Implement a project in practice. 8. Defend the project.
• ObjectivosObjectives

  Name the project development cycle. Develop a technology project in the field of Artificial Intelligence and Machine Learning, from conception through to implementation. Independently develop a supervised or unsupervised algorithm model using Machine Learning techniques.
• BibliografiaBibliography

  António Miguel, Gestão Moderna de Projetos - Melhores Técnicas e Práticas, FCA, 2024 Bibliografia técnica relacionada com as aplicações e equipamentos utilizados por cada um dos grupos. Bibliografia indicada nas restantes unidades curriculares.  
• MetodologiaMethodology

  The curricular unit uses active and innovative teaching and learning methodologies, with particular emphasis on Project-Based Learning, through which each student individually develops a Machine Learning solution applied to a real or plausible problem. This process is complemented by short theoretical presentations, demonstrations, practical laboratory work, tutorial guidance, technical reviews and intermediate presentations. Learning by doing, problem-oriented learning and continuous formative feedback are also incorporated. The progressive production of project evidence, prototyping, validation, explainability and the critical and documented use of generative AI tools strengthen autonomy, critical thinking, decision-making skills and the practical consolidation of learning.
• LínguaLanguage

  Português
• TipoType

  Semestral
• ECTS

  6
• NaturezaNature

  Mandatory
• EstágioInternship

  Não
• AvaliaçãoEvaluation

  Metodologia de avaliação: - Avaliação contínua

  A avaliação contínua é individual e integra duas componentes: (i) trabalhos desenvolvidos em sala de aula, com evidências cumulativas do projeto, correspondentes a 30% da classificação final; e (ii) trabalho final individual, correspondente a 70%, incluindo o projeto técnico e respetivo código/protótipo (25%), relatório técnico final (20%), apresentação e demonstração (10%) e defesa oral individual (15%). A entrega do trabalho final e a defesa oral são obrigatórias. O estudante deve demonstrar domínio do problema, estado da arte, dados, metodologia, algoritmos, código, métricas, resultados, decisões, limitações e trabalho futuro. Se não evidenciar conhecimentos suficientes ou não conseguir explicar e defender o trabalho, o projeto final não será validado, independentemente da qualidade formal da entrega. A utilização de IA generativa deve ser declarada, documentada e criticamente verificada, não substituindo o domínio pessoal exigido na defesa oral.

  Avaliação final:

  Os estudantes que não tenham tido aproveitamento na Unidade Curricular têm direito a um exame final com peso de 100%.

  O exame consta do seguinte: um projeto individual delimitado (60%), prova prática/demonstração presencial (20%) e defesa oral (20%). O enunciado deve fornecer ou aprovar um dataset, exigir baseline e dois modelos, relatório conciso e repositório reproduzível. A prova e a defesa oral confirmam a autoria.