ISLA IPGT 2129

Inteligência Artificial

• ApresentaçãoPresentation

  A Unidade Curricular de Inteligência Artificial tem como objetivo proporcionar aos estudantes uma visão integrada dos principais conceitos, métodos e aplicações da IA. Serão abordados os fundamentos da Inteligência Artificial, a sua relação com Data Science e Machine Learning, os principais tipos de aprendizagem automática e a implementação de algoritmos em Python. A UC inclui ainda conteúdos de Deep Learning, visão computacional, processamento de linguagem natural, LLM, IA generativa, engenharia de prompts e RAG. Serão também analisadas as diferenças entre chats, assistentes e agentes inteligentes, bem como temas relacionados com explicabilidade, segurança, privacidade, ética e utilização responsável da IA.
• ProgramaProgramme

  Introdução à IA: evolução, benefícios, limitações, aplicações e problemas abordados. 2. IA em Data Science: relação entre IA, dados, aprendizagem automática, conhecimento e decisão. 3. Tecnologias de IA: preparação de dados, cloud, Python, bibliotecas, frameworks, APIs e ambientes de desenvolvimento. 4. Machine Learning: definição do problema, exploração e preparação dos dados, treino, validação, teste, avaliação e CRISP-DM. 5. Tipos de ML: aprendizagem supervisionada, não supervisionada, semissupervisionada e por reforço. 6. Algoritmos: regressão, classificação, Random Forest, vizinhança, SVM, ensembles, clustering, redução de dimensionalidade, associação e anomalias. 7. Implementação em Python: métricas, validação cruzada, hiperparâmetros, sobreajustamento e explicabilidade. 8. Deep Learning e IA generativa: redes neuronais, visão, NLP, transformers, LLM, prompts e RAG. 9. Chats, assistentes, agentes e IA responsável: memória, planeamento, segurança, ética e governação.
• ObjectivosObjectives

  No final da unidade curricular, o estudante deverá ser capaz de compreender os fundamentos, benefícios, limitações e principais problemas da Inteligência Artificial (IA), relacionando-a com Data Science e com as tecnologias, dados e recursos que suportam o seu funcionamento. Deverá compreender o processo de aprendizagem automática e distinguir aprendizagem supervisionada, não supervisionada e por reforço; selecionar, implementar, avaliar e comparar, em Python, algoritmos de regressão, classificação, agrupamento, redução de dimensionalidade e deteção de anomalias; compreender os fundamentos da aprendizagem profunda e aplicações em visão computacional, NLP, LLM e IA generativa; distinguir chats, assistentes e agentes inteligentes; e desenvolver, documentar, apresentar e defender uma solução funcional de IA, considerando qualidade, explicabilidade, segurança, ética e conformidade jurídica.
• BibliografiaBibliography

  Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson. Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems (3rd ed.). O'Reilly Media. Chollet, F. (2025). Deep learning with Python (3rd ed.). Manning Publications. Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press. Jurafsky, D., & Martin, J. H. (2026). Speech and language processing: An introduction to natural language processing, computational linguistics, and speech recognition (3rd ed., online manuscript). https://web.stanford.edu/~jurafsky/slp3/  
• MetodologiaMethodology

  Podem ser utilizadas metodologias como Project-Based Learning, Problem-Based Learning, Flipped Classroom, Learning by Doing, Challenge-Based Learning, Live Coding, laboratórios interativos em Jupyter/Colab, Peer Learning, gamificação e aprendizagem assistida por IA generativa. Estas abordagens promovem experimentação, programação em Python, resolução de problemas, pensamento crítico, autonomia, colaboração e aplicação prática dos conceitos de Inteligência Artificial.
• LínguaLanguage

  Português
• TipoType

  Semestral
• ECTS

  6
• NaturezaNature

  Obrigatório
• EstágioInternship

  Não
• AvaliaçãoEvaluation

  Descrição dos instrumentos de avaliação (individuais e de grupo)  - testes, trabalhos práticos, relatórios, projetos... respetivas datas de entrega/apresentação... e ponderação na nota final.

   

  Descrição	Data limite	Ponderação
  Prova de avaliação	13-01-2027	60%
  Trabalho prático de avaliação (individual)	06-01-2027	30%
  Assiduídade e participação (minimo de 70% de presenças)	-----	10%

   

  Avaliação Especial

  Os estudantes a quem tenha sido reconhecido estatuto especial, nos termos do Regulamento Geral de Avaliação - incluindo trabalhador-estudante, dirigente associativo, atleta de alta competição, atleta em representação da instituição no desporto universitário, atleta federado, membro das forças de segurança, militar, estudante com necessidades educativas especiais e outros legalmente previstos - podem requerer, mediante pedido devidamente fundamentado dirigido ao Diretor do Ciclo de Estudos, a aplicação do regime especial de avaliação previsto no artigo 6.º.