ISLA IPGT 2129

Inteligência Artificial

• ApresentaçãoPresentation

  Esta cadeira apresenta os conceitos e técnicas básicas da Inteligência Artificial (IA), com as subáreas da IA, Machine Leasrning e DeepLearning. Destaca-se o trabalho a realizar pelos estudantes com a utilização das técnicas de Machine Learning (ML) e o desenvolvimento de algoritmos supervisionados e não supervisionados.
• ProgramaProgramme

  1. Introdução à Inteligência Artificial: motivação, benefícios e o tipo de problemas que pretende resolver. 2. Inteligência Artificial em Data Science. 3. Inteligência Artificial - Tecnologias que permitem o funcionamento. 4. Machine Learning - processo de aprendizagem. 5. Tipos de Machine Learning. 6. Machine Learning - Tipologias de Algoritmos.      6.1. Algoritmos Supervisionados.      6.2. Algoritmos Não Supervisionados. 7. Desenvolvimento e implementação de algoritmos de aprendizado de máquina.
• ObjectivosObjectives

  Pretende-se transmitir aos estudantes os princípios e as caraterísticas da Inteligência Artificial e respetivamente o Machine Learning, destacando-se a Procura, Representação do Conhecimento e Raciocínio, Planeamento e Aprendizagem Automática. É Introduzido o conceito de Inteligência Artificial com Machine Learning. As bases essenciais de inteligência artificial nos domínios de machine learning e data science. O Aprendizado de Máquina ou Machine Learning: algoritmos supervisionados e algoritmos não supervisionados.
• BibliografiaBibliography

  Oliveira, A. (2019). Inteligência Artificial. Ensaios da Fundação, Edição 2019, ISBN: 9789898943309, Fundação Francisco Manuel dos Santos. Costa, E., Simões, A. (2008). Inteligência Artificial ? Fundamentos e Aplicações, 2ª Ed. At. e Aum., Edição 2008, ISBN: 978-972-722-340-4, Editora: FCA. Russell R. & Norvig P. (2010) Artificial Intelligence: A Modern Approach. Third Edition, Prentice Hall. Nilsson, N. J. (2014). Principles of artificial intelligence. Morgan Kaufmann. Mitchell, M. (1998). An introduction to genetic algorithms. MIT press, 1998. Michalewicz, Z. (1996). Genetic Algorithms + data Structures = Evolution Programs , 3 rd edition, Springer Verlag, ISBN 3540606769, 1996.  
• MetodologiaMethodology

  A metodologia de ensino consiste na apresentação e discussão dos temas, e sempre que possível apresentar tecnologias existentes, através da concretização de exemplos de aplicações que demonstrem os conceitos envolvidos. No final de cada tema, são propostos exercícios para consolidar a aprendizagem. Também, são exploradas novas metodologias de ensino com os estudantes a envolverem-se com a exploração de novas técnicas de desenvolvimento e implementação com suporte ao aprendizado de máquina. Metodologia de avaliação: Avaliação Curricular: Teste de avaliação a realizar no dia 06/01/2025, com peso de 60% na nota final, e nota mínima de 8 valores. Trabalho prático com um peso de 30% na nota final. Assiduidade e participação nas aulas com uma valorização de 10%. Mínimo de 70% de presenças nas aulas. Avaliação Final: Todos os estudantes terão direito a um exame final.
• LínguaLanguage

  Português
• TipoType

  Semestral
• ECTS

  6
• NaturezaNature

  Obrigatório
• EstágioInternship

  Não