Acreditações
Propinas UE (2025/2026)
Propinas fora da UE (2025/2026)
Plano de Estudos para 2025/2026
Unidades curriculares | Créditos | |
---|---|---|
Algoritmia e Estrutura de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Programação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Trabalho, Organizações e Tecnologia
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Planeamento e Gestão de Projetos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Estatística e Probabilidades
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Complementos de Matemática Aplicada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Matemática Aplicada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Fundamentos de Análise de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Inteligência Artificial
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Apresentações em Público com Técnicas Teatrais
2.0 ECTS
|
Competências Transversais | 2.0 |
Introdução ao Design Thinking
2.0 ECTS
|
Competências Transversais | 2.0 |
Trabalho Académico com Inteligência Artificial
2.0 ECTS
|
Competências Transversais | 2.0 |
Programação Orientada para Objectos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Empreendedorismo e Inovação I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Empreendedorismo e Inovação II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projetos em Ambientes Web e Cloud
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Programação e Análise de Dados em Excel
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Aprendizagem Automática Não Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Aprendizagem Automática Supervisionada
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Sistemas de Informação Analíticos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Bases de Dados e Gestão de Informação
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Agentes Autónomos
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Algoritmos Avançados de Procura
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado de Inteligência Artificial II
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Projeto Aplicado de Inteligência Artificial I
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Big Data
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Tecnologia, Economia e Sociedade
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Text Mining
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Algoritmia e Estrutura de Dados
OA1: Criar e manipular estruturas de dados
OA2: Aplicar os algoritmos de ordenação e de pesquisa mais apropriados para um determinado problema
OA3: Analisar a complexidade e o desempenho de um algoritmo
OA4. Identificar, implementar e analisar as estruturas de dados e os algoritmos mais adequados a um determinado problema
CP1. A estrutura de dados Union-Find
CP2. Análise de algoritmos
CP3: Estruturas de dados: pilhas, filas, listas, sacos
CP4: Ordenação elementar: selectionsort, insertionsort, shellsort
CP5: Ordenação avançada: mergesort, quicksort, heapsort
CP6. Complexidade dos problemas de ordenação
CP7: Filas com prioridade
CP8. Tabelas de símbolos elementares
CP9. Árvores de pesquisa binária
CP10. Árvores de pesquisa equilibradas
CP11. Tabelas de dispersão
Época 1: Avaliação ao longo do semestre ou Exame Final
Avaliação ao longo do semestre, sendo exigida a presença em pelo menos 3/4 das aulas:
- 2 testes práticos (60%), com nota mínima de 7,5 em cada um.
- 2 testes teóricos (40%), com nota mínima de 7,5 em cada um.
A média final ponderada entre os testes teóricos e prático terá de ser igual ou superior a 9,5.
Avaliação por Exame:
- (100%) Exame Final com componente teórica e prática
Os estudantes têm acesso à avaliação por Exame na Época 1 se a escolherem no início do semestre ou se reprovarem na avaliação ao longo do semestre.
Época 2: Exame Final
- (100%) Exame Final com componente teórica e prática
Época Especial: Exame Final
- (100%) Exame Final com componente teórica e prática
Title: Cormen, T. H., Leiserson, C. E., Rivest, R. L., Stein, C. (2022). Introduction to Algorithms, Fourth Edition. Estados Unidos: MIT Press.
Rocha, A. (2011). Estruturas de Dados e Algoritmos em Java. Portugal: FCA.
Sedgewick, R., Wayne, K. (2014). Algorithms, Part II. Reino Unido: Pearson Education.
Authors:
Reference: null
Year:
Fundamentos de Programação
No final da UC, o aluno deverá estar apto a:
OA1: Aplicar os conceitos fundamentais de programação.
OA2: Criar procedimentos e funções com parâmetros.
OA3: Compreender a sintaxe da linguagem de programação Python.
OA4: Desenvolver soluções com programação para problemas de complexidades intermédia.
OA5: Explicar, executar e depurar fragmentos de código desenvolvido em Python.
OA6: Interpretar os resultados obtidos com a execução de código desenvolvido em Python .
OA7: Desenvolver projetos de programação.
CP1. Ambientes integrados de desenvolvimento. Introdução à programação: Sequência lógica e instruções, Entrada e saída de dados.
CP2. Constantes, variáveis e tipos de dados. Operações lógicas, aritméticas e relacionais.
CP3. Estruturas de controlo.
CP4. Listas e matrizes (listas de listas).
CP5. Procedimentos e funções. Referências e parâmetros.
CP6. Objetos e classes de objetos.
CP7. Manipulação de ficheiros.
CP8: Interface Gráfica.
A UC segue o modelo de avaliação ao longo do semestre por projeto pelo seu carácter eminentemente prático, não contemplando exame final.
O estudante é avaliado de acordo com os seguintes parâmetros:
A1 (30% da nota final): Tarefas de Aprendizagem validadas pelos docentes, com nota mínima de 8 valores na média das tarefas. São 10 tarefas de aprendizagem e contam as 8 melhores notas.
A2 (70% da nota final): Projeto Obrigatório em Grupo (máximo 3 integrantes) com discussão teórico-prática (Entrega: 30%, Prático-oral: 40% com nota mínima de 8). O componente A2 possui nota mínima de 9,5 valores.
O estudante que não atingir nota mínima poderá fazer um Projeto Prático a 100% com discussão oral.
É exigida uma assiduidade mínima não inferior a 2/3 das aulas.
Title: Portela, Filipe, Tiago Pereira, Introdução à Algoritmia e Programção com Python, FCA, 2023, ISBN: 9789727229314
Sónia Rolland Sobral, Introdução à Programação Usando Python, 2a ed., Edições Sílabo, 2024, ISBN: 9789895613878
Nilo Ney Coutinho Menezes, Introdução à Programação com Python: Algoritmos e Lógica de Programação Para Iniciantes. Novatec Editora, 2019. ISBN: 978-8575227183
John Zelle, Python Programming: An Introduction to Computer Science, Franklin, Beedle & Associates Inc, 2016, ISBN-13 : 978-1590282755
Ernesto Costa, Programação em Python: Fundamentos e Resolução de Problemas, 2015, ISBN 978-972-722-816-4,
Authors:
Reference: null
Year:
Title: João P. Martins, Programação em Python: Introdução à programação com múltiplos paradigmas, IST Press, 2015, ISBN: 9789898481474
David Beazley, Brian Jones, Python Cookbook: Recipes for Mastering Python 3, O'Reilly Media, 2013, ISBN-13 ? : ? 978-1449340377
Kenneth Reitz, Tanya Schlusser, The Hitchhiker's Guide to Python: Best Practices for Development, 1st Edition, 2016, ISBN-13: 978-1491933176, https://docs.python-guide.org/
Eric Matthes, Python Crash Course, 2Nd Edition: A Hands-On, Project-Based Introduction To Programming, No Starch Press,US, 2019, ISBN-13 : 978-1593279288
Authors:
Reference: null
Year:
Trabalho, Organizações e Tecnologia
OA1: Conhecer as principais teorias, conceitos e problemáticas relacionados com o Trabalho, as Organizações e a Tecnologia;
OA2: Compreender os principais processos da transição digital diretamente relacionados com o mundo do trabalho e as suas organizações;
OA3: Analisar as múltiplas implicações sociais, económicas e políticas trazidas pela transição digital;
OA4: Explorar casos, estratégias e métodos de aplicação que permitam compreender os reais impactos da transição digital nas profissões, empresas e organizações.
CP1. O trabalho é hoje diferente do que foi no passado?
CP2. Que direitos e deveres no mundo do trabalho?
CP3. Como é que a teoria tem olhado para a tecnologia?
CP4. Que tecnologias digitais estão a mudar o trabalho?
CP5. Que futuro para o trabalho?
CP6. A inteligência artificial é assim tão inteligente?
CP7. Onde começa e termina a precariedade?
CP8. De quem é a culpa quando a máquina erra?
CP9. As tecnologias digitais alteram a relação entre sindicatos e empresas?
CP10. Que transformação digital em Portugal?
Avaliação ao longo do semestre:
Cada estudante realiza uma Aula Invertida, que representa 20% da nota final.
Realização de um trabalho individual, representando 35% da nota final.
Realização de um trabalho de grupo, representando no total 35% da nota final (10% a apresentação de grupo e 25% o trabalho escrito).
Assiduidade e participação nas aulas, que representa 10% da nota final. É exigida uma assiduidade mínima não inferior a ⅔ das aulas.
Cada elemento de avaliação tem a nota mínima de 8 valores. A média final dos vários elementos terá de ser igual ou superior a 9,5 valores.
Avaliação por exame (1ª Época em caso de escolha do estudante, 2ª Época e Época Especial): exame presencial, representando 100% da nota final, e nota mínima de 9,5.
Title: Autor, David H., "Why Are There Still So Many Jobs? The History and Future of Workplace Automation.", 2015, Journal of Economic Perspectives, 29 (3): 3-30.
Benanav, A, Automation and the Future of Work, 2020, London: Verso
Boreham, P; Thompson, P; Parker, R; Hall, R, New Technology at Work, 2008, Londres: Routledge.
Crawford, C, The Atlas of AI. Power, Politics, and the Planetary Costs of Artificial Intelligence, 2021, Yale University Press.
Edgell, S., Gottfried, H., & Granter, E. (Eds.). (2015). The Sage Handbook of the sociology of work and employment.
Grunwald, A. (2018). Technology Assessment in Practice and Theory. London: Routledge.
Huws, U. (2019) Labour in Contemporary Capitalism, London, Palgrave.
OIT (2020), As plataformas digitais e o futuro do trabalho
Agrawal A, Gans J, Goldfarb A (2018), Prediction Machines, Boston, Massachusetts, Harvard Business Review Press.
Autor D (2022), The labour market impacts of technological change, Working Paper 30074, NBER Working Paper Series.
Authors:
Reference: null
Year:
Title: ✔ Autor D (2022), The labour market impacts of technological change, Working Paper 30074, NBER Working Paper Series.
✔ Braun J, Archer M, Reichberg G, Sorondo M (2021), Robotics, AI and Humanity, Springer.
✔ Cedefop (2022). Setting Europe on course for a human digital transition: new evidence from Cedefop’s second European skills and jobs survey, Publications Office of the European Union.
✔ Eurofound (2020), New forms of employment: 2020 update, Publications Office of the European Union.
✔ ILO (2018), The economics of artificial intelligence: Implications for the future of work, International Labour Office.
✔ ILO (2019), Work for a Brighter Future – Global Commission on the Future of Work. International Labour Office.
✔ Nowotny H (2021), “In AI we trust: how the Covid-19 Pandemic Pushes us Deeper into Digitalization”, Delanty G (ed.) (2021), Pandemics, Politics and Society, De Gruyter, 107-121.
✔ OECD (2019b), How’s Life in the Digital Age?, OECD Publishing.
✔ Wilkinson A, and Barry M (eds) (2021), The Future of Work and Employment, Edward Elgar.
✔ Zuboff S (2019), The Age of Surveillance Capitalism, PublicAffairs.
Authors:
Reference: null
Year:
Planeamento e Gestão de Projetos
O objetivo da UC é desenvolver um projeto tecnológico com alinhamento no âmbito do Curso. Ao longo desta UC será estabelecido o contato com planeamento do projeto com as fases principais de análise de requisitos , desenvolvimento, testes parciais e testes finais e alterações. O contato com equipamento laboratorial e ferramentas é um dos objetivos para a concepção do projeto de software, hardware ou ambos.
I. Introdução à inovação tecnológica de acordo com os eixos da Europa
II. Planeamento de um projeto tecnológico e as suas fases
III. Aspetos essenciais para o desenvolvimento de um projeto
IV. Definição de recursos materiais
V. Orçamento de um projeto
VI. Plano de Testes parciais e de conjunto
VII. Apresentação de um projeto tecnológico
VIII. Demonstração de projeto tecnológico
IX. Elaboração de Relatório Técnico
Avaliação periódica:
- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação e demonstração: 40%; relatório final: 30%; As apresentações, demonstração e defesa são em grupo.
Title: Lester A. / 7th edition, Elsevier Science & Technology., Project Management Planning and Control, 2017, ·, ·
Tugrul U. Daim, Melinda Pizarro, e outros / Spinger, Planning and Roadmapping Technological Innovations: Cases and Tools (Innovation, Technology, and Knowledge Management), 2014, ·, ·
Authors:
Reference: null
Year:
Estatística e Probabilidades
OA1 - Conhecer e utilizar os principais conceitos utilizados estatística descritiva, escolhendo adequadamente as medidas e as representações gráficas para descrever os dados
OA2 - Aplicar os conceitos básicos da teoria das probabilidades, nomeadamente calcular probabilidades condicionais, e analisar a independência de acontecimentos
OA3 - Trabalhar com variáveis aleatórias discretas e contínuas
OA4 - Trabalhar e perceber as distribuições de Bernoulli, binomial, Poisson, Normal, assim como as distribuições do Qui-Quadrado e t de Student
OA5- Saber estimar parâmetros pontualmente e saber distinguir entre estimadores e parâmetros
OA6 - Construir e interpretar intervalos de confiança para os estimadores de parâmetros
OA7 - Entender os princípios dos testes de hipóteses
OA8 - Saber utilizar alguns softwares (tais como, Python ou R)
Conteúdos programáticos (CP):
CP1 - Noções de Estatística Descritiva: Tipos de variáveis. Tabelas de frequências e representações gráficas. Medidas de tendência central, de dispersão, de assimetria e de curtose.
CP2 - Conceitos da teoria das probabilidades: definições, axiomas, teorema da probabilidade total e fórmula de Bayes
CP3 - Variáveis aleatórias univariadas e bivariadas: funções massa e densidade de probabilidade, função distribuição, função probabilidade conjunta, valor esperado, variância, desvio padrão, covariância, correlação
CP4 - Distribuições discretas e contínuas: Uniforme discreta e contínua, Bernoulli, binomial, Poisson, Normal, Qui-Quadrado e t-Student
CP5 - Amostragem: noções básicas. Distribuições amostrais mais utilizadas
CP6 - Estimação pontual e por intervalos
CP7 - Testes de hipóteses: tipo de erros, nível de significância e p-values.
Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 miniteste realizado em aula (15%) + Prova escrita final realizada na data da 1ª época (60%) + trabalho autónomo (5%) + projeto realizado em grupo (20%),
Todos os elementos de avaliação são obrigatórios e têm nota mínima de 8 valores.
É exigida uma assiduidade mínima não inferior a 2/3 das aulas.
ou
- Avaliação por Exame (100%).
Title: E. Reis, P. Melo, R. Andrade & T. Calapez (2015). Estatística Aplicada (Vol. 1) - 6ª ed, Lisboa: Sílabo. ISBN: 978-989-561-186-7.
Reis, E., P. Melo, R. Andrade & T. Calapez (2016). Estatística Aplicada (Vol. 2), 5ª ed., Lisboa: Sílabo. ISBN: 978-972-618-986-2.
Afonso, A. & Nunes, C. (2019). Probabilidades e Estatística. Aplicações e Soluções em SPSS. Versão revista e aumentada. Universidade de Évora. ISBN: 978-972-778-123-2.
Ferreira, P.M. (2012). Estatística e Probabilidade (Licenciatura em Matemática), Instituto Federal de Educação, Ciência e Tecnologia do Ceará – IFCE III, Universidade Aberta do Brasil – UAB.IV. ISBN: 978-85-63953-99-5.
Farias, A. (2010). Probabilidade e Estatística. (V. único). Fundação CECIERJ. ISBN: 978-85-7648-500-1
Authors:
Reference: null
Year:
Title: Haslwanter, T. (2016). An Introduction to Statistics with Python: With Applications in the Life Sciences. Springer. ISBN: 978-3-319-28316-6
Authors:
Reference: null
Year:
Complementos de Matemática Aplicada
OA1 Dominar os conceitos de sucessão e de série numérica
OA2 Calcular limites de sucessões e, relativamente a uma série, averiguar a existência de soma
OA3 Entender a generalização do conceito de série a séries de funções e obter o domínio de convergência
OA4 Compreender a definição de integral como limite de somas de Riemann
OA5 Calcular primitivas e aplicar ao cálculo de integrais
OA6 Aplicar integrais no cálculo de áreas, de comprimentos e de valores médios
OA7 Resolver equações diferenciais ordinárias (EDOs) lineares de 1ª ordem por separação de variáveis
OA8 Calcular derivadas parciais e segundo qualquer vetor não-nulo
OA9 Interpretar o vetor gradiente como direcção de máximo crescimento da função
OA10 Decidir sobre a existência de plano tangente
OA11 Obter o desenvolvimento de Taylor de 1ª ordem e, explorar numericamente em ordem superior
OA12 Determinar extremos livres e condicionados (otimização)
OA13 Articular as várias abordagens dos conteúdos, gráfica, numérica e algébrica
CP1 Sucessões. Monotonia. Majorantes e minorantes. Progressão geométrica.
CP2 Sucessões enquadradas. Convergência.
CP3 Séries numéricas, somas parciais e soma.
CP4 Critérios de convergência de séries de termos não-negativos.
CP5 Convergências simples e absoluta de séries alternadas. Critério de Leibniz.
CP6 Séries de potências e domínio de convergência.
CP7 Integral definido à Riemann. Teorema fundamental do cálculo e primitivas.
CP8 Integração por partes e mudança de variável. Decomposição em frações simples.
CP9 Aplicações do integral (área, comprimento, valor médio).
CP10 Integrais impróprios e convergência.
CP11 EDO de 1ª ordem linear.
CP12 Funções reais multivariável. Curvas de nível. Limites e continuidade.
CP13 Derivadas parciais num ponto e vetor gradiente. Aproximação linear, plano tangente e diferenciabilidade.
CP14 Derivada direcional. Regra da cadeia. Polinómios e série de Taylor.
CP15 Formas quadráticas em problemas de otimização.
Aprovação com classificação >= 10 valores numa das modalidades seguintes:
- Avaliação periódica: Teste 1 (20%) + Teste 2 (20%) + trabalho prático em Python (10%) + trabalho autónomo (10%) + Teste Final (40%). A média dos testes 1 e 2, assim como a nota do teste final têm uma nota mínima de 7 valores (escala 1-20). Em caso de disparidade nas notas dos testes e teste final, há possibilidade de realização de orais.
- Avaliação por Exame (100%), em qualquer uma das épocas.
Title: [1] Stewart, J. (2013). Cálculo, Vol I, Cengage Learning, (7ª Ed.)
[2] Campos Ferreira, J. (2018). Introdução à Análise Matemática, Fundação Calouste Gulbenkian
[3] Lipsman, R.L., Rosenberg, J.M. (2018) Multivariable Calculus with MATLAB, Springer
[4] Hanselman, D., Littlefield, B. and MathWorks Inc. (1997) The Student Edition of MATLAB, 5th Version, Prentice-Hall
Authors:
Reference: null
Year:
Matemática Aplicada
OA1. Rever o conceito de função e as propriedades. Rever tipos de funções. Rever operações entre funções.
OA2. Conhecer o gráfico de funções elementares e aplicar transformações ao gráfico.
OA3. Calcular limites, resolver indeterminações e interpretar graficamente. Continuidade.
OA4. Calcular derivadas e interpretar resultados em aplicações.
OA5. Determinar aproximações lineares e de ordem superior.
OA6. Aplicar a derivação em funções compostas e inversas.
OA7. Operar com matrizes (e vetores).
OA8. Calcular determinantes e aplicar propriedades.
OA9. Apreender o conceito de transformação linear e a representação matricial.
OA10. Calcular valores e vetores próprios.
CP1. Conceito de função. Funções elementares em R. Tipo de funções. Operações entre funções. Funções logarítmicas e trigonométricas inversas.
CP2. Limite de uma função num ponto. Continuidade num ponto. Retas assíntotas.
CP3. Derivada num ponto e reta tangente. Regras de derivação. Problemas de otimização.
CP4. Derivada da função composta - regra da cadeia. Derivada da função inversa.
CP5. Aproximações linear de Taylor e ordem superior.
CP6. Resolução de sistemas de equações lineares. Matrizes e operações. Inversa de uma matriz. Determinante de matrizes quadradas e propriedades. Transformações lineares.
CP7. Espaço vetorial real. Produto interno. Paralelismo e perpendicularidade.
CP8. Valores e vetores próprios e diagonalização de matrizes.
Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação ao Longo do Semestre:
* 8 trabalhos/minifichas realizados em aulas. Contam as 6 melhores, com um peso de 5% cada (total de 30%).
* trabalho autónomo, com um peso de 5%.
* projeto em matemática aplicada, com um peso de 5%.
* frequência a realizar na data da 1.ª época, com peso de 60% e nota mínima de 8 valores
ou
- Avaliação por Exame (100%).
Há a possibilidade de realização de orais.
Notas superiores a 17 valores têm de ser defendidas em oral.
É exigida uma assiduidade mínima não inferior a 2/3 das aulas.
Title: Stewart, J. (2022). Cálculo, Vol I, Cengage Learning, (9a Ed.)
Cabral I., Perdigão, C. e Saiago, C. (2018). Álgebra Linear: Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções, Escolar Editora
Magalhães, L.T. (2004). Álgebra Linear como Introdução a Matemática Aplicada, 8ª edição, Texto Editora
Authors:
Reference: null
Year:
Title: Campos Ferreira, J. (2018). Introdução à Análise Matemática, Fundação Calouste Gulbenkian
Goldstein, L. (2011). Matemática Aplicada a Economia. Administração e Contabilidade, (12a edição) Editora Bookman
Strang, G., (2007) Computational Science and Engineering, Wellesley-Cambridge Press.
Authors:
Reference: null
Year:
Fundamentos de Análise de Dados
Após frequência bem sucedida na unidade curricular, os estudantes deverão ser capazes de:
OA1. Conhecerem e ficarem familiarizados com diferentes formatos de dados.
OA2. Conhecer um ciclo completo de análise dos dados.
OA3. Saber fazer uma analise exploratória de dados usando o R.
OA4. Saber modelar um conjunto de dados.
OA5. Implementar uma solução de análise de dados com vista ao estudo de um determinado problema.
CP1. Introdução à análise de dados
CP2. Introdução ao R e RStudio
CP3. Conhecimento dos problemas em análise de dados, exemplos de aplicação
CP4. O ciclo completo da análise de dados
CP5. Dados e formatos dos dados
CP6. Preparação dos dados
CP7. Probabilidades; estatística descritiva de dados e análise exploratória de dados
CP8. Visualização dos dados
CP9. Modelação e aprendizagem automática de modelos de dados
CP10. Métodos de avaliação dos modelos
CP11. Reporte e publicação de resultados
A avaliação na modalidade 'ao longo do semestre' resulta da efetivação de dois testes individuais : um teste intercalar e um outro no final do semestre (20% cada um) , e um trabalho em grupo (máximo de 3 alunos) com elaboração de dois relatórios (20% cada um) e uma apresentação oral (20%) a efetuar pelo grupo e esta com classificação individual.
É exigida uma assiduidade mínima não inferior a 2/3 das aulas (os alunos podem faltar 4 aulas em 12).
O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria. Realiza exame final, na época 1, 2 ou especial, quem não tenha concluído com sucesso a avaliação ao longo do semestre, com uma nota média superior ou igual a 10 (em 20).
Title: Hadley Wickham, Mine Çetinkaya-Rundel, Garrett Grolemund, 'R for Data Science', 2nd Edition, O'Reilly Media, Inc. 2023.
Cole Nussbaumer Knaflic, 'Storytelling with data: a data visualization guide for business professionals', John Wiley & Sons, Inc., 2015.
Authors:
Reference: null
Year:
Title: Torgo, Luis. 'Data mining with R: learning with case studies' (2nd Edition), chapman and hall/CRC, 2016.
C. O'Neil, R. Schutt. 'Doing Data Science: Straight Talk from the Frontline', O'Reilly, 2013.
T. W. Miller, 'Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python?' O'Reilly, 2015.
Aggarwal, C. C. , 'Data mining: the textbook' (Vol. 1), Springer, 2015.
Han, J., Pei, J., & Tong, H. 'Data mining: concepts and techniques', Morgan Kaufmann, 2022.
P. Tattar, T. Ojeda, S. P. Murphy B. Bengfort, A. Dasgupta, 'Practical Data Science Cookbook', Second Edition, Packt Publishing, 2017.
Authors:
Reference: null
Year:
Inteligência Artificial
Após a conclusão da UC, os alunos devem:
OA1: Reconhecer as vantagens e desafios da utilização de técnicas e abordagens de IA, demonstrando consciência crítica sobre métodos de procura informados e não informados.
OA2: Selecionar e justificar as abordagens tecnológicas e algoritmos mais apropriados, incluindo métodos de procura, representação e lógicas de raciocínio.
OA3: Aplicar os conceitos e técnicas abordadas na conceção e desenvolvimento de sistemas baseados em IA, bem como na modelação de exemplos baseados em cenários reais.
OA4: Desenvolver, implementar e avaliar soluções que envolvam a lógica de predicados e a programação em lógica.
OA5: Compreender os fundamentos dos algoritmos genéticos, sendo capazes de implementá-los e adaptá-los para resolver problemas específicos.
OA6: Trabalhar de forma autónoma e em grupo para desenvolver projetos que aplicam os conhecimentos adquiridos, mostrando capacidade de adaptação e resolução de problemas complexos na área de IA.
CP1: Noções fundamentais de IA com destaque para a abordagem baseada em procura.
CP2: Algoritmos de procura: profundidade primeiro e largura primeiro, A*, greedy BFS, Dijkstra.
CP3: Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em Cconhecimento.
CP4: Lógica de predicados de primeira ordem: representação e dedução.
CP5: Conhecimento declarativo representado em Programação em Lógica.
CP6: Algoritmos genéticos.
A avaliação ao longo do semestre é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 4 mini-tarefas [7,5% cada mini-tarefa * 4 = 30%]
- BA2: 2 mini-testes [20% cada mini-teste * 2 = 40%]
- BA3: 1 projeto em Inteligência Artificial [30%]
Avaliação por exame:
- 1ª Época [100%]
- 2ª Época [100%]
Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual para aferir conhecimentos.
A avaliação por exame consiste num exame escrito que abrange todos os conhecimentos previstos nos conteúdos programáticos da UC, e possui uma ponderação de 100%.
A presença nas aulas não é obrigatória.
Title: Bishara, M. H. A., & Bishara, M. H. A. (2019). Search algorithms types: Breadth and depth first search algorithm
Brachman, R., & Levesque, H. (2004). Knowledge representation and reasoning. Morgan Kaufmann
Clocksin, W. F., & Mellish, C. S. (2003). Programming in Prolog. Springer Berlin Heidelberg.
Russell, S. & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Prentice Hall.
S., V. C. S., & S., A. H. (2014). Artificial intelligence and machine learning (1.a ed.). PHI Learning.
Authors:
Reference: null
Year:
Apresentações em Público com Técnicas Teatrais
OA1. Desenvolver competências técnicas específicas da comunicação oral para apresentações em público.
OA2. Conhecer e identificar estratégias para a utilização eficaz do aparelho vocal.
OA3. Identificar e melhorar a expressão corporal. OA4. Aprender técnicas de performance.
Os objetivos de aprendizagem serão alcançados através de atividades práticas e reflexivas, apoiadas no método de ensino ativo e participativo que privilegia a aprendizagem experiencial. Os conhecimentos adquiridos envolvem quer a teoria teatral, quer as técnicas específicas de comunicação oral. Os estudantes aprenderão sobre os fundamentos da expressão vocal, interpretação de personagens e improvisação, adaptando esses conhecimentos ao contexto das apresentações em público.
CP1: Preparação para a apresentação.
CP2: Técnicas da Comunicação não verbal.
CP3: Comunicação voz e corpo, o envolvimento da audiência. CP4: Prática de apresentação e feedback. Os objetivos de aprendizagem serão alcançados através de atividades práticas e reflexivas, apoiadas no método de ensino ativo e participativo que privilegia a aprendizagem experiencial. As aulas serão compostas por atividades, tais como: Vivências teatrais e discussões em grupo; Atidades práticas; Apresentações e exposição de trabalhos autónomos; Reflexão individual.
A avaliação da UC de Apresentações em Público com Técnicas Teatrais (APTT) visa aferir o desenvolvimento das competências dos estudantes em aspetos essenciais para apresentações em público. A estrutura da avaliação contempla atividades, abrangendo diferentes aspetos do processo de aprendizagem experiencial que envolvem quer as técnicas teatrais, quer as técnicas específicas da comunicação.
A Avaliação ao Longo do Semestre contempla atividades que abrangem diferentes aspetos do processo da elaboração de uma apresentação em público, incluindo atividades de trabalho em grupo e individual:
Atividades em grupo (50%) [os estudantes são desafiados a atuarem em grupos de/até 5 elementos, constituídos de forma aleatória e de acordo com cada proposta de atividade].
1-Apresentações Práticas: os estudantes serão avaliados com base nas suas apresentações em público:
Descrição: cada grupo recebe uma proposta de apresentação devendo identificar os elementos da atividade e atuar em conformidade com o objetivo.
Os resultados do trabalho realizado são apresentados em sala aos colegas (Tempo/grupo: AP – 5 a 10 min. reflexão - 5 min.).
Avaliação (oral): baseada na participação ativa, organização das ideias e a objetividade na comunicação, expressão vocal e corporal, o uso de técnicas teatrais e a performance. As apresentações poderão ser individuais ou em grupo, dependendo das atividades propostas.
Atividades individuais (50%)
1-Exercícios e Tarefas Escritas (Trabalhos Autónomos):
Descrição: além das apresentações práticas, os estudantes serão solicitados a realizar exercícios e tarefas escritas relacionadas com os conteúdos abordados em cada aula. Estas atividades incluem reflexões sobre técnicas aprendidas, criação de um vision board, análise de objetivos académicos, autoavaliação do estudante ao longo do semestre, respostas a perguntas teóricas e elaboração de guiões de apresentação. Avaliação: (Componente oral e conteúdos em suporte escrito), organização, conteúdo, uso correto da estrutura e dos procedimentos dos trabalhos autónomos propostos em cada aula, capacidade de resposta às perguntas colocadas por colegas e docente. As competências de comunicação e a qualidade do trabalho escrito serão avaliadas, com foco na clareza da apresentação. Essas atividades ajudarão a aferir a compreensão conceitual dos conteúdos lecionados.
Não haverá avaliação por exame final, sendo a aprovação determinada pela média ponderada das avaliações ao longo do semestre.
Considerações Gerais: na avaliação será dado o feedback aos estudantes sobre o desempenho em cada atividade.
Para concluir a UC nesta modalidade o estudante tem de estar presente em 80% das aulas e ter mais de 7 valores em cada uma das avaliações.
Title: Prieto, G. (2014). Falar em Público - Arte e Técnica da Oratória. Escolar Editora.
Authors:
Reference: null
Year:
Title: Anderson, C. (2016). TED Talks: o guia oficial do TED para falar em público. Editora Intrinseca.
Luiz, P. (2019). Manual de Exercícios Criativos e Teatrais. Showtime. Rodrigues, A. (2022). A Natureza da Atividade Comunicativa. LisbonPress.
Authors:
Reference: null
Year:
Introdução ao Design Thinking
OA1. Adquirir conhecimentos sobre os fundamentos e etapas do processo de Design Thinking
OA2. Desenvolver competências como pensamento crítico, colaboração, empatia e criatividade.
OA3. Aplicar o Design Thinking na resolução de problemas em diversas áreas, promovendo a inovação e a melhoria contínua.
CP1. Introdução ao Design Thinking e Etapa 1: Empatia (3h)
CP2. Etapas 2 e 3: Definição do problema e Ideação (3h)
CP3. Etapa 4: Prototipagem (3h)
CP4. Etapa 5: Teste e aplicação do Design Thinking em diferentes áreas (3h)
Modalidade de Avaliação ao Longo do Semestre
• Participação em aula (20%): avalia a presença, envolvimento e contribuição dos estudantes nas discussões e atividades em sala de aula.
• Trabalho individual (40%): os estudantes irão desenvolver um projeto individual aplicando o Design Thinking para resolver um problema específico. Serão avaliados quanto à aplicação das etapas do Design Thinking, qualidade das soluções propostas e criatividade.
• Trabalho em grupo (40%): os estudantes formarão grupos para desenvolver um projeto conjunto, aplicando o Design Thinking na resolução de um desafio real. A avaliação será baseada na aplicação das etapas do Design Thinking, qualidade das soluções e colaboração entre os membros do grupo.
Para poder concluir a unidade curricular na modalidade de Avaliação ao Longo do Semestre o/a estudante tem de estar presente em 75% das aulas e não pode obter menos de 7 valores em nenhuma das componentes de avaliação.
A forte orientação para aprendizagem através de atividades práticas e de projeto justifica que nesta UC não esteja prevista a modalidade de avaliação final.
Title: Brown, T. (2008). Design Thinking. Harvard Business Review, 86(6), 84–92.
Lewrick, M., Link, P., & Leifer, L. (2018). The design thinking playbook: Mindful digital transformation of teams, products, services, businesses and ecosystems. John Wiley & Sons.
Lockwood, T. (2010). Design Thinking: Integrating Innovation, Customer Experience and Brand Value. Allworth Press.
Stewart S.C (2011) “Interpreting Design Thinking”. In: https://www.sciencedirect.com/journal/design-studies/vol/32/issue/6
Authors:
Reference: null
Year:
Title: Brown, T., & Katz, B. (2011). Change by design. Journal of product innovation management, 28(3), 381-383.
Brown, T., Katz, B. M. Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation. HarperBusiness, 2009.
Liedtka, J. (2018). Why Design Thinking Works. Harvard Business Review, 96(5), 72–79.
Gharajedaghi, J. (2011). Systems thinking: Managing chaos and complexity. A platform for designing business architecture. Google Book in: https://books.google.com/books?hl=en&lr=&id=b0g9AUVo2uUC&oi=fnd&pg=PP1&dq=design+thinking&ots=CEZe0uczco&sig=RrEdhJZuk3Tw8nyULGdi3I4MHlQ
Authors:
Reference: null
Year:
Trabalho Académico com Inteligência Artificial
OA1. Conhecer a estrutura, linguagem e procedimentos éticos e normativos (APA) para elaboração de textos académicos.
OA2. Aprender como utilizar os modelos generativos para a elaboração de trabalhos académicos.
OA3. Discutir procedimentos de análise, pertinência e fiabilidade dos dados gerados por IA.
OA4. Reconhecer implicações éticas na utilização de IA Generativa em contexto académico. Os objetivos de aprendizagem serão alcançados através de atividades práticas e reflexivas, tais como:
• Discussões em grupo;
• Análise de textos;
• Defesa oral;
• Exercícos práticos.
CP1. Introdução: escrita académica e modelos generativos:
- Perceber como funciona a Inteligencia Atificial Generativa: o caminho que se percorre para o uso de IA generativa no ambiente académico.
CP2. Procedimentos de planeamento e construção de textos argumentativos com auxílio de IA:
- Identificar as possibilidades e as alucinações nas respostas produzidas por IA Generativa.
CP3. Análise crítica de textos produzidos: identificação e referenciação de fontes de dados e análise da sua relevância face aos objetivos dos trabalhos académicos:
- Explorar as possibilidades de validação dos dados e o potencial de uso das ferramentas de IA Generativa na produção de trabalhos académicos.
CP4. Oportunidades e riscos de utilização de IA: guia de boas práticas para acesso, partilha e utilização de IA Generativa em contexto académico:
- Compreender as dinâmicas na utilização responsável e eticamente comprometida ao realizar trabalhos académicos com ferramentas de IA Generativa.
A avaliação da UC visa aferir o desenvolvimento das competências dos estudantes na utilização informada de modelos generativos enquanto auxiliares de produção de trabalho académico. A Avaliação ao Longo do Semestre contempla as seguintes atividades:
1.Atividades individuais (50%)
1.1Participação nas atividades ao longo do semestre (10%).
Descrição: esta componente visa aferir os contributos específicos de cada estudante nas atividades realizadas.
Avaliação: intervenções em sala de aula; pertinência dos contributos específicos do estudante nos debates.
1.2 Simulações de prompts com ferramentas de IA em contexto académico (20%).
Descrição: o estudante deve criar uma prompt clara/justificada, bem estruturada, de acordo com o guião proposto pelo docente em aula.
Avaliação: (submeter no moodle), competências de comunicação e do trabalho em equipa com base na qualidade das simulações de prompts realizadas.
1.3 Defesa Oral - apresentação do grupo -5 min. debate -5 min.(20%).
Descrição: cada estudante deve apresentar à turma, os seus contributos no trabalho realizado.
Avaliação: após a apresentação do estudante, haverá uma sessão de perguntas e respostas.
2. Atividades em grupo (50%) [os estudantes são organizados em grupos de/até 5 elementos, constituídos de forma aleatória]
2.1 Apresentações em grupo, revisões, edições e validações dos conteúdos produzidos por IA (20%):
Descrição: formação de grupos de trabalho para rever e editar os textos, utilizando os modelos generativos.
Avaliação: (submeter no moodle),recolha de informações relevantes, a clareza e o caráter inovador da utilização de promts estruturadas.
2.2 Desenvolvimento de estratégias para fazer as revisões, edições e validações dos conteúdos produzidos por IA (10%).
Descrição: ao final de cada etapa da atividade, os estudantes terão de promover avaliações críticas, pela reflexão sobre os desafios éticos da integração da IAG em ambiente académico.
Avaliação: (submeter no moodle), os trabalhos serão corrigidos e avaliados com base na precisão e conformidade com a qualidade das revisões, edições e a participação dos estudantes nos feedbacks fornecidos aos colegas.
2.3 Simulações de Apresentações dos Projetos Finais (20%):
Descrição: os grupos elegem um tema e criam um projeto fictício seguindo a estrutura de um relatório técnico ou texto científico, fazendo uma apresentação do seu projeto em sala de aula (5 min.) e debatem o tema (5 min.).
Avaliação: (submeter no moodle): organização, conteúdo, uso correto da estrutura e procedimentos do trabalho académico.
Considerações Gerais: na Avaliação ao Longo do Semestre será dado o feedback sobre o desempenho do estudante em cada atividade. Para fazer a avaliação ao longo do semestre, os estudantes devem estar presentes em 80% das aulas e terem mais de 7 valores em cada uma das avaliações.
Havendo dúvidas sobre a participação nas atividades realizadas, o docente pode solicitar uma discussão oral. Avaliação final: Teste escrito presencial (100%).
Title: Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2023). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 1-12.
D'Alte, P., & D'Alte, L. (2023). Para uma avaliação do ChatGPT como ferramenta auxiliar de escrita de textos académicos. Revista Bibliomar, 22 (1), p. 122-138. DOI: 10.18764/2526-6160v22n1.2023.6.
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., ... & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.
Ribeiro, A. & Rosa, A. (2024). Descobrindo o potencial do CHATGPT em sala de aula: guia para professores e alunos. Atlantic Books. "
Authors:
Reference: null
Year:
Title: Cowen, T., & Tabarrok, A. T. (2023). How to learn and teach economics with large language models, including GPT. GMU Working Paper in Economics No. 23-18, http://dx.doi.org/10.2139/ssrn.4391863 Lund, B. D., Wang, T., Mannuru, N. R., Nie, B., Shimray, S., & Wang, Z. (2023). ChatGPT and a new academic reality: Artificial Intelligence‐written research papers and the ethics of the large language models in scholarly publishing. Journal of the Association for Information Science and Technology, 74(5), 570-581. Strunk, William (1918) Elements of Style Korinek, A. (2023). Language models and cognitive automation for economic research (No. w30957). National Bureau of Economic Research. https://www.nber.org/papers/w30957
Authors:
Reference: null
Year:
Programação Orientada para Objectos
OA1 Estruturar o pensamento lógico dos alunos com vista à resolução de problemas de programação.
OA2 Capacitar os estudantes com a capacidade de perceção do paradigma de programação orientada a objetos.
OA3 Usar uma linguagem de programação orientada para objetos e as ferramentas necessárias, para desenhar, desenvolver, testar e depurar pequenas aplicações.
OA4. Entender e aplicar os conceitos de abstração, encapsulamento, herança e polimorfismo.
OA5 Saber utilizar as estruturas de dados fundamentais de uma biblioteca (pilhas, filas, árvores, tabelas de dispersão).
OA6. Aplicar mecanismos de controlo de erros.
OA7 Explicar a utilidade da utilização de padrões de desenho de software e demonstrar a sua utilização em casos simples.
OA8 Desenvolver a criatividade, inovação tecnológica e pensamento crítico.
OA9 Desenvolver a autoaprendizagem, revisão por pares, trabalho em equipa, expressão oral.
C1 Classes e Objetos
C2 Herança e polimorfismo
C3 Classes abstratas
C4 Interfaces e comparadores
C5 Coleções: listas, conjuntos, mapas
C6 Classes anónimas e lambdas
C7 Leitura e escrita de ficheiros
C8 Exceções e tratamento de erros
C9 Genericidade e padrões de desenho
C10 Testes JUnit e Documentação
UC com Avaliação Periódica, sem Exame Final:
• 8 Trabalhos práticos individuais (10%), nota min de 9,5 valores;
• Projeto em grupo, com discussão oral (45%), nota min de 9,5 valores;
• 2 Mini-testes (45%), nota min de 9,5 valores.
Se reprova na 1ª época (< 10 val), acede à repetição do 1º e/ou 2º mini-testes (pode também repetir se tiver menos que a nota mínima nalgum deles ou nos dois) - 55% da nota, sendo obrigatória a aprovação no Projeto ou a realização de um projeto individual - 45%.
Title: F. Mário Martins, "Java 8 POO + Construções Funcionais", FCA - Editora de Informática, 2017. ISBN: 978-972-722-838-6
Y. Daniel Liang, "Introduction to Java Programming: Comprehensive Version" 10th Ed. Prentice-Hall / Pearson, 2015.
Recursos Java http://java.sun.com
Authors:
Reference: null
Year:
Title: Ken Arnold, James Gosling e David Holmes, "The JavaTM Programming Language", 3ª edição, Addison-Wesley, 2000.
ISBN: 0-201-70433-1
Bruce Eckel, "Thinking in Java", 3ª edição, Prentice Hall, 2002. ISBN: 0-13-100287-2
Gamma, Helm, Johnson & Vlissides (1994). Design Patterns. Addison-Wesley. ISBN 0-201-63361-2.
Authors:
Reference: null
Year:
Empreendedorismo e Inovação I
No final da UC, o aluno deverá estar apto a: OA.1. Perceber o que é o empreendedorismo; OA.2. Conceber ideias inovadoras, usando técnicas de ideação e de ?design thinking?;OA.3. Elaborar propostas de valor, modelos de negócio e planos de negócio;OA.4. Promover a empresa, produtos e serviços; OA.5. Desenvolver, testar e demonstar a funcionalidade de produtos, processos e serviços de base tecnológica; OA.6. Analisar a escalabilidade do negócio; OA.7. Preparar planos de internacionalização e de comercialização; OA.8. Procurar e analisar as fontes de financiamento
I. Introdução ao Empreendedorismo;
II. Técnicas de geração e discussão de ideias;
III. Criação de Propostas de Valor;
IV. Comunicação de ideias de negócio;
V. Desenho de Modelos de Negócio;
VI. Elaboração de Planos de Negócio;
VII. Teste e avaliação de protótipos de produtos, processos e serviços;
VIII. Análise de escalabilidade;
IX. Internacionalização e comercialização;
X. Fontes de financiamento
Avaliação periódica:- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação: 30%; relatório final: 40%; As apresentações, demonstrações e defesa são em grupo.
Title: A. Osterwalder, Y. Pigneur / John Wiley & Sons, Value Proposition Design: How to Create Products and Services Customers Want, 2014, ·, ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers., 2010, ·, ·
P. Burns / Palgrave Macmillan, Entrepreneurship and Small Business, 2016, ·, ·
S. Mariotti, C. Glackin / Global Edition. Pearson; Dorf. R., Byers, T. Nelson, A. (2014). Technology Ventures: From Idea to Enterprise. McGraw-Hill Education, Entrepreneurship: Starting and Operating A Small Business, 2015, ·, ·
Authors:
Reference: null
Year:
Empreendedorismo e Inovação II
No final desta UC, o aluno deverá estar apto a:
OA.1. Apresentar a imagem do produto/serviço num sítio web
OA.2. Apresentar a imagem do produto/serviço em redes sociais
OA.3. Descrever as funcionalidades do produto/serviço
OA.4. Descrever as fases do plano de desenvolvimento
OA.5. Desenvolver a totalidade do protótipo
OA.6. Testar o protótipo em laboratório
OA.7. Realizar os ajustes para o funcionamento do produto, processo ou serviço
OA.8. Otimizar a produção do produto, processo ou serviço tendo em consideração aspetos económicos, impacto social e ambiental
OA.9. Rever o plano de negócio após desenvolvimento e testes, incluindo os vários aspetos de comercialização e imagem
OA.10. Definir o plano de manutenção e gestão de produto/serviço
I. Desenvolvimento da imagem do produto/serviço
II. Funcionalidades do produto/serviço
III. Plano de desenvolvimento
IV. Desenvolvimento do produto/serviço (web/mobile ou outro)
V. Revisão do plano de negócio
VI. Manutenção e gestão de produto/serviço
VII. Planos de certificação
VIII. Propriedade intelectual, patentes e documentação de suporte
IX. Principais aspetos para a criação de startup - jurídicos, contabilidade, registo, contratos, capital social, obrigações, impostos
Avaliação periódica:
- Realização de projeto em grupo: primeira apresentação: 30%; segunda apresentação: 30%; relatório final: 40%; As apresentações, Demonstrações e Defesa são em grupo.
Title: ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Value Proposition Design: How to Create Products and Services Customers Want, 2014, ·, ·
A. Osterwalder, Y. Pigneur / John Wiley & Sons, Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers, 2010, ·, ·
P. Burns / Palgrave Macmillan, Entrepreneurship and Small Business, 2016, ·, ·
R. Dorf, T. Byers, A. Nelson / McGraw-Hill Education, Technology Ventures: From Idea to Enterprise., 2014, ·, ·
S. Mariotti, C. Glackin / Global Edition. Pearson, Entrepreneurship: Starting and Operating A Small Business, 2015, ·, ·
Authors:
Reference: null
Year:
Projetos em Ambientes Web e Cloud
OA1: Compreender as tecnologias Web, linguagens de programação, e arquiteturas mais usuais
OA2: Identificar e analisar os diferentes tipos de arquitetura em Nuvem e suas principais características;
OA3: Identificar e utilizar as principais tecnologias que permitam a computação em Nuvem;
OA4: Propor arquiteturas em Nuvem apropriadas para uma determinada aplicação
CP1: Standard W3C e programação para a Web
CP2: Arquiteturas Cliente-Servidor
CP3: Model View Controler (MVC)
CP4: Fundamentos de Nuvem e Business Drivers;
CP5: Tecnologia Pré-Nuvem, Virtualização, Hipervisores, Xen, Clusters Virtuais;
CP6: XaaS, Nuvens Públicas, Privadas, e Híbridas, Exemplos;
CP7: Princípios básicos de desenvolvimento de aplicações na Nuvem
Esta UC é feita através de dois projetos que valem 50% cada:
(1) Desenvolvimento de uma aplicação Web
(2) Desenvolvimento de um projeto em cloud
No caso da 1ª época, o projeto é realizado em grupo com discussão individual (que conta 50% da nota em cada projeto). No caso das 2ª época e época especial, o projeto é individual.
Title: Buyya, R., Broberg, J, Goscinski, A., "Cloud Computing Principles and Paradigms", Wiley & Sons, 2011
Hwang, K., Fox, G., and Dongarra, J., "Distributed and Cloud Computing (From Parallel Processing to the Internet of Things)", Elsevier, 2011
Vincent W. S. (2018). Build websites with Python and Django. Ed: Independently published. ISBN-10: 1983172669. ISBN-13: 978-1983172663.
Authors:
Reference: null
Year:
Title: --
Authors:
Reference: null
Year:
Programação e Análise de Dados em Excel
Com esta unidade curricular o aluno deverá ficar apto a:
OA1: Descrever as variáveis e as fórmulas necessárias para construir um modelo de cálculo;
OA2: Utilizar funcionalidades básicas de uma folha de cálculo;
OA3: Utilizar funções para construção de modelos em folha de cálculo;
OA4: Construir modelos avançados aplicados à gestão em folha de cálculo;
OA5: Automatizar procedimentos com a utilização de VBA.
CP1: Introdução às folhas de cálculo
CP2: Construção de modelos de cálculo
CP3: Bases de dados, extração e pesquisa de Informação, importação
CP4: Introdução ao Visual Basic for Applications
Avaliação ao longo do semestre:
- Trabalho de grupo (40%) - Projeto realizado em grupo.
- Teste individual (60%) - Teste escrito, previsto para ser presencial, através da plataforma de e-learning. Este teste terá a nota mínima de 8 valores (em 20).
- É exigida uma assiduidade mínima não inferior a 2/3 das aulas.
Exame Final:
Exame escrito individual, sem consulta, e que engloba toda a matéria. Realiza exame final quem não tenha feito ambas as avaliações previstas, ou não tenha obtido uma média superior ou igual a 10 (em 20), no conjunto das duas avaliações.
Title: Maxwell, Daniel (2024). Excel 2024 Bible: A comprehensive step by step guide from Beginner to Expert. Unlock Simple Strategies to Boost Productivity, Save Time, and Excel in Your Career, ISBN 979-832-120-814-4.
Peres, Paula (2014). Excel Avançado (3ª Edição). Lisboa: Sílabo.
Authors:
Reference:
Year:
Title: Dreher, Gil (2023). Excel 2023: The Must-Have Guide to Master Microsoft Excel - From Beginner to Pro in less than 7 Days - Step-by-step Formulas and Functions with Tutorials and Illustration, Gil Dreher, Author edition, ISBN 979-837-552-249-4.
Harvey, Greg (2016). Excel 2016 All-in-One for Dummies. New Jersey: John Wiley & Sons.
Laudon, Kenneth, & Laudon, Jane (2014). Essentials of Management Information Systems (11th ed.). London, New York: Pearson.
Lemonde, Carlos (2024). Python com Excel – Automação e Análise de Dados. Lisboa: FCA. ISBN 978-972-722-936-9.
Monk, Ellen F.; Brady, Joseph A. & Mendelsohn, Emilio I. (2017). Problem-Solving Cases in Microsoft Access And Excel, 15th Edition, Course Technology, Cengage Learning, Boston, USA., ISBN 978-133-710-133-2.
Price, Michael, & McGrath, Mike (2016). Excel 2016 in easy steps. Warwickshire: In Easy Steps Limited.
Walkenbach, John (2015). Excel 2016 Bible - The Comprehensive Tutorial Resource. Indianapolis: John Wiley & Sons.
Winston, Wayne L. (2019). Microsoft Excel 2019: Data Analysis and Business Modeling, 6th Edition, Pearson Education, USA, ISBN 978-150-930-588-9.
Authors:
Reference:
Year:
Aprendizagem Automática Não Supervisionada
OA1. Compreender os principais métodos de aprendizagem não supervisionada
OA2: Avaliar, validar e interpretar os resultados de modelos não supervisionados
OA3: Desenvolver projetos de descoberta de conhecimento a partir de dados utilizando modelos de aprendizagem não supervisionada
OA4: Conhecer, através da abordagem de vários contextos de problemas (por exemplo, segmentação de clientes) nos quais a aprendizagem não supervisionada pode efetivamente proporcionar soluções relevantes para esses problemas
OA5. Compreender os fundamentos teóricos e práticos da aprendizagem por reforço
OA6. Implementar e testar algoritmos de aprendizagem por reforço em ambientes simulados para entender a dinâmica entre as ações e consequentes recompensas
OA7. Avaliar e otimizar o desempenho de modelos de aprendizagem por reforço, utilizando métricas apropriadas
OA8. Aprender e aplicar os algoritmos não supervisionados e por reforço em casos de estudo práticos
CP1: Introdução à aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas.
CP2: Redução de dimensionalidade e visualização de dados: Análise de Componentes Principais (PCA), t-SNE e UMAP para redução de dimensionalidade e interpretação visual.
CP3: Clustering e técnicas de segmentação: exploração de algoritmos como K-Means, DBSCAN, Expectation-Maximization (EM), clustering hierárquico.
CP4: Análise e deteção de outliers através de técnicas não supervisionadas: KNN, LOF, iForest
CP5: Mapas Self-Organizing (SOMs): aplicação de mapas auto-organizáveis para visualização e análise de padrões complexos em grandes volumes de dados.
CP6: Regras de associação e algoritmo de Apriori.
CP7: Técnicas de aprendizagem por reforço: Q-Learning, SARSA. Introdução aos conceitos e implementação prática.
CP8: Exploration vs. exploitation na aprendizagem por reforço: estratégias para equilibrar a tomada de decisão.
Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação ao longo do semestre a 100% por projeto, pelo que esta UC não contempla exame final. A avaliação é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 1ª tutoria + 1º mini-teste [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%]
- BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%]
- BA3: 1 projeto final [40%]
Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual para aferição de conhecimentos.
As tutorias consistem em discussões orais individuais que permite avaliar o desempenho dos alunos nos projetos propostos para a realização da tutoria.
Os mini-testes permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados também em tutoria.
O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre, onde poderá haver participação de organizações externas / empresas no desafio proposto.
A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.
A presença nas aulas não é obrigatória.
Title: Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature.
Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer.
Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC.
Szepesvari, C. (2010). Algorithms for reinforcement learning (R. Brachman & T. Dietterich, Eds.; 1.a ed.). Morgan & Claypool.
Authors:
Reference: null
Year:
Title: Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda.
Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer.
Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning, second edition: An Introduction (2.a ed.). MIT Press.
Authors:
Reference: null
Year:
Aprendizagem Automática Supervisionada
OA1. Conhecer a história da aprendizagem automática; conhecer e compreender os diferentes tipos de aprendizagem automática: conceitos, fundamentos e aplicações
OA2. Conhecer os conceitos que permitem realizar uma Análise Exploratória de Dados (EDA), como também compreender a importância na resolução de problemas e na tomada de decisão
OA3. Aprender mecanismos de Data Wrangling - preparação de dados para serem alvo de input para um algoritmo supervisionado
OA4. Conhecer a utilização de variáveis contínuas e categóricas; distinguir classificação e regressão
OA5. Conhecer e analisar os resultados através da aplicação de métricas de avaliação de desempenho
OA6. Compreender os algoritmos supervisionados: árvores de decisão, regressão linear e logística, SVMs, Naive-Bayes e k-NN
OA7. Compreender algoritmos de ensemble: bagging e boosting
OA8. Conhecer e compreender o funcionamento das Redes Neuronais Artificiais (RNA)
OA9. Conhecer e compreender a otimização de hiperparâmetros
CP1. Introdução à Aprendizagem Automática: A história, fundamentos e conceitos base
CP2. Análise Exploratória de Dados (EDA): Data Wrangling e Data Visualization
CP3. Classificação e Regressão; Variáveis contínuas e categóricas / discretas; métricas de avaliação de performance
CP4. Aprendizagem supervisionada: SVM, Árvores de Decisão, Regressões Linear e Logística, Naive-Bayes e k-NN.
CP5. Bagging e Boosting em algoritmos supervisionados
CP6. Redes Neuronais Artificiais
CP7. Otimização de hiperparâmetros
Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação ao longo do semestre a 100% por projeto, pelo que esta UC não contempla exame final. A avaliação é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:
- BA1: 1ª tutoria + 1º mini-teste [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%]
- BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%]
- BA3: 1 projeto final em grupo [40%]
Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual para aferição de conhecimentos.
As tutorias consistem em discussões orais individuais que permite avaliar o desempenho dos alunos nos projetos propostos para a realização da tutoria.
Os mini-testes permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados também em tutoria.
O projeto final consiste no desenvolvimento de um trabalho prático em grupo que agrega os conhecimentos e competências adquiridos ao longo do semestre, onde poderá haver participação de organizações externas / empresas no desafio proposto.
A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.
A presença nas aulas não é obrigatória.
Title: McMahon, A. (2023). Machine learning engineering with python - second edition: Manage the lifecycle of machine learning models using MLOps with practical examples.
McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3.a ed.). O’Reilly Media.
Burkov, A. (2019). The hundred-page machine learning book. Andriy Burkov.
Mueller, J. P. (2019). Python for Data Science for Dummies, 2nd Edition (2.a ed.). John Wiley & Sons.
VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.
Authors:
Reference: null
Year:
Title: Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc.
Avila, J. (2017). Scikit-Learn Cookbook - Second Edition. Birmingham: Packt Publishing.
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss Intelligence and Analytics: Systems for Decision Support. Prentice Hall.
Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O'Reilly.
Authors:
Reference: null
Year:
Sistemas de Informação Analíticos
Pretende introduzir-se os conceitos e conhecimentos práticos fundamentais ao desenho e implementação de um sistema de informação analítico para uma organização:
(OA1) Planear e gerir o ciclo de vida de um projeto de armazém de dados, desenho lógico e físico;
(OA2) Identificar os requisitos e as fontes de dados e projetar um modelo dimensional adequado;
(OA3) Modelar um Sistema de Informação Analítico;
(OA4) Desenhar e implementar um processo de extração, transformação e carregamento de dados;
(OA5) Analisar dados num sistema de data warehousing, ter a noção de Business Intelligence e sua aplicabilidade; o que são relatórios padrão e indicadores de desempenho (KPIs);
(CP1) Introdução aos Sistemas de Informação Analíticos (SIA)
(CP2) Revisão de SQL
(CP3) Introdução ao Power BI
(CP4) Modelação de Dados no Power BI
(CP5) Análise de Dados com DAX (Data Analysis Expressions)
(CP6) Visualização de Dados no Power BI
(CP7) Processos de ETL
(CP8) Publicação de Relatórios e Dashboards
A avaliação na modalidade 'ao longo do semestre' resulta da efetivação de dois testes individuais : um teste intercalar e um outro no final do semestre (20% cada um) , e um trabalho em grupo (máximo de 3 alunos) com elaboração de dois relatórios (20% cada um) e uma apresentação oral (20%) a efetuar pelo grupo e esta com classificação individual.
É exigida uma assiduidade mínima não inferior a 2/3 das aulas (os alunos podem faltar 4 aulas em 12).
O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria. Realiza exame final, na época 1, 2 ou especial, quem não tenha concluído com sucesso a avaliação ao longo do semestre, com uma nota média superior ou igual a 10 (em 20).
Title: Greg Deckler, Brett Powell (2022) Mastering Microsoft Power BI: Expert techniques to create interactive insights for effective data analytics and business intelligence, 2nd Edition. Packt Publishing
Authors:
Reference:
Year:
Title: R. Kimball, M. Ross (2013) The Data Warehouse Toolkit - the definitive guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA
Doan, A., Halevy, A., & Ives, Z. (2012). Principles of data integration. Elsevier.
Authors:
Reference:
Year:
Bases de Dados e Gestão de Informação
OA 1. Explicar o que são bases de dados e sistemas de informação, caracterizando-os tanto na vertente tecnológica como quanto à sua importância para as organizações.
OA 2. Representar formalmente requisitos de informação elaborando modelos de dados conceptuais.
OA 3. Explicar o que é o Modelo Relacional e a normalização de dados, salientando as suas vantagens e em que situações devem ser aplicados.
OA 4. Desenhar bases de dados relacionais que respondam a requisitos especificados através de modelos de dados conceptuais.
OA 5. Construir e programar uma base de dados relacional usando a linguagem SQL.
OA 6. Manipular dados – i.e., inserir, consultar, alterar e apagar – usando a linguagem SQL.
OA 7. Explicar em que consiste a administração de bases de dados, porque é necessária e como são realizadas as suas tarefas mais essenciais.
CP1. Introdução aos Sistemas de Informação e ao seu papel nas organizações.
CP2. Introdução à Análise de Sistemas de Informação com linguagem UML: Introdução, análise de requisitos, modelos de dados, esquemas e diagramas UML.
CP3. Desenho de Base de Dados. Modelo Relacional: relações, atributos, chaves primárias, chaves estrangeiras, regras de integridade, normalização e optimizações.
CP4. Linguagem SQL. Tabelas, álgebra relacional, queries simples, subqueries, operadores (SELECT, Insert, delete, update), views, índices, triggers, stored procedures e transações.
CP5. Administração e Segurança em Sistemas de Gestão de Bases de Dados (SGBD).
Avaliação ao longo do semestre:
- 3 frequências a realizar ao longo do semestre (individual) (70%)
- 1 projeto de modelação e de implementação (em grupos de até 3 pessoas) (30%)
Ambas as frequências têm a nota mínima de 8 valores e a realização do projeto é obrigatória para efeitos de aprovação. A nota mínima do projeto é de 13 valores.
Avaliação por exame:
- 1 Prova escrita com ponderação de 100%
A nota mínima de aprovação à unidade curricular é de 10 valores. A presença a 2/3 das aulas previstas é obrigatória para efeitos de aprovação.
Title: Elmasri Ramez, Navathe Shamkant, "Fundamentals Of Database Systems", 7th Edition, Pearson, 2016
Damas, L., SQL - Structured Query Language, FCA Editora de Informática, 3ª Edição,2017
Authors:
Reference: null
Year:
Title: Ramos, P, Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos, Editora Sílabo, 2ª Edição, 2007
Nunes, O´Neill, Fundamentos de UML, FCA Editora de Informática, 3ª Edição, 2004
C. J. Date, "SQL and Relational Theory: How to Write Accurate SQL Code", 3rd Edition, O'Reilly Media, 2011
Churcher, Clare, “Beginning Database Design: From Novice to Professional”, 2ª edição, Apress. 2012.
Ramakrishnan, R., Gehrke, J. “Database Management Systems”, 3ª edição, McGrawHill, 2003.
Authors:
Reference: null
Year:
Agentes Autónomos
Pretende introduzir-se os conceitos e conhecimentos práticos fundamentais à utilização e ao desenvolvimento de agentes de software. Após a conclusão da UC, os alunos devem:
(OA1) Ter consciência das vantagens e desafios da utilização e desenvolvimento de agentes imersos numa sociedade de atores humanos e de outros agentes artificiais;
(OA2) Saber identificar os requisitos relativamente aos agentes a desenvolver, em termos dos papéis de agente (agente roles) e de comunicação;
(OA3) Escolher e implementar as abordagens mais adequadas ao controlo autónomo do comportamento;
(OA4) Dominar a linguagem de comunicação de agentes e a linguagem de conteúdo usada nessa comunicação.
(OA5) Conhecer mecanismos necessários à coordenação de agentes em sociedade, tendo em vista os objetivos dos utilizadores;
(OA6) Identificar necessidades que possam ser satisfeitas através da utilização de agentes de software e analisar criticamente os benefícios e desvantagens esperados no uso desta tecnologia.
(P1) Programação orientada a agentes. Simulação baseada em agentes versus sistemas multiagente. Ferramentas para desenvolvimento de sistemas multiagente e para simulação baseada em agentes.
(P2) Agentes e ambientes. Tipos básicos de agentes: dedutivos; reativos; deliberativos; emocionais, adaptativos. Agentes com aprendizagem por reforço; agentes com prospeção incremental de dados; agentes híbridos.
(P3) Sistemas multiagente. Coordenação, estigmeria, auto-organização, emergência e comunicação. Atos de discurso – ACL e FIPA.
(P4) Tomada de decisão multiagente. Teoria de jogos. Utilidades e preferências. Estratégias dominantes. Equilíbrio de Nash. Ótimo de Pareto. Incerteza. Jogos cooperativos. Agentes negociadores. Agentes leiloeiros. Desenho de mecanismos. Agentes argumentativos.
(P5) Introdução à simulação baseada em agentes. Modelação e simulação baseada em agentes (ABMS). Modelos baseados em agentes e sistemas complexos adaptativos.
(P6) Questões éticas na construção de agentes.
A avaliação periódica resulta dos seguintes componentes:
- Um teste intercalar (20% da nota final) e um outro no final do semestre (20% da nota final);
- Um trabalho em grupo (máximo de 3 alunos) na qual o grupo desenvolverá o protótipo de um sistema multiagente com elaboração de um relatório envolvendo 3 entregáveis a submeter ao longo do semestre (30% da nota final, 10% cada entregável) e uma apresentação oral com demonstração do funcionamento do software desenvolvido (30% da nota final).
Em alternativas os alunos poderão optar por avaliação em exame final (100% da nota final)
São aprovados os alunos que obtenham uma classificação final superior 9.5 valores.
Title: Wooldridge, M. (2009). An Introduction to MultiAgent Systems - 2nd Edition. In ACM SIGACT News (Vol. 41, Issue 1)
Authors:
Reference: null
Year:
Title: Vlassis, N. (2007). A Concise Introduction to Multiagent Systems and Distributed Artificial Intelligence. In Synthesis Lectures on Artificial Intelligence and Machine Learning (Vol. 1, Issue 1). https://doi.org/10.2200/s00091ed1v01y200705aim002
Leyton-brown, K. (2009). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations.
Gerhard, W. (n.d.). Multiagent systems (2nd ed). MIT press.
Authors:
Reference: null
Year:
Algoritmos Avançados de Procura
No final desta UC, o aluno deverá ser capaz de:
OA1 Identificar classes de problemas suscetíveis de solução com algoritmos avançados de procura
OA2 Dominar e aplicar os principais tipos de algoritmos avançados de procura
OA3 Dominar e aplicar heurísticas como solução, de acordo com o tipo de problema a solucionar
OA4 Identificar e avaliar diferentes estratégias a aplicar, olhando à complexidade e natureza do problema
CP1 HEURÍSTICAS E REPRESENTAÇÃO DE PROBLEMAS
a Tipos de problemas para utilização de heurísticas
b Espaço de procura e representação de problemas
c Tarefas de optimização, satisfação,e semi-optimização
d Procura sistemática e o paradigma de dividir e podar
e Representação do espaço de estados
f Representação problema-redução e grafos e/ou
CP2 ESTRATÉGIAS DE PESQUISA HEURÍSTICA BÁSICA
a Procura local
b Procura sistemática não informada
c Procura sistemática informada
d Estratégias melhor primeiro especializadas
e Estratégias híbridas
CP3 ESTRATÉGIAS DE PESQUISA HEURÍSTICA AVANÇADA
a Estratégias limitadas pela memória
b Estratégias limitadas pelo tempo
CP4 ESTRATÉGIAS COM ALGORITMOS GENÉTICOS
a O apelo da evolução
b Terminologia biológica
c Procura no espaço de estados
d Elementos de algoritmos genéticos (funções de avaliação e operadores genéticos)
e Um algoritmo genético simples
f Algoritmos genéticos face aos métodos de procura tradicionais
Avaliação Periódica:
- Projeto de Grupo até 3 alunos (40%)
- Teste Individual (60%)
Avaliação Final:
- Exame Individual (100%)
Os alunos que reprovarem na avaliação contínua possuem duas épocas de exame (2ª e Especial).
A nota do projeto não é considerada para alunos que optem por fazer exame.
Quem optar por fazer a avaliação contínua terá que realizar obrigatoriamente as duas componentes da mesma.
Title: An Introduction to Genetic Algorithms, Mitchell M. 1999 MIT Press
Heuristics, intelligent search strategies for computer problem-solving: Pearl J. 1984 Addison-Wesley
Authors:
Reference: null
Year:
Title: Artificial Intelligence: A Modern Approach, 3rd edition: Stuart Russel and Peter Norvig 2010 Pearson / Prentice Hall
Authors:
Reference: null
Year:
Projeto Aplicado de Inteligência Artificial II
OA1: Corrigir o problema do utilizador e/ou da organização identificado na UC de Projeto Aplicado I do 1º Semestre, desenvolvendo, de forma iterativa, um projeto integrado com todas as suas componentes, incluindo levantamento de requisitos, prototipagem da solução (lo-fi, hi-fi, MVP), e avaliação e implantação no terreno da solução inovadora, relativa a produto, processo ou serviço (PPS).
OA2: Produção de documentação de desenho da solução de inovação PPS, incluindo, quando aplicável, arquitetura, configuração hardware e software, manuais de instalação, operação e utilização.
OA3: Produzir soluções com potencial para serem triplamente sustentáveis no terreno, tendo em conta o enquadramento legal aplicável.
OA4: Produzir conteúdos audiovisuais sobre os resultados alcançados, para serem explorados em diversos canais de comunicação: redes sociais, landing page web, apresentação para atores relevantes, workshop de demonstração.
C1. Espaço da solução: ideação da melhor solução tecnológica relativa ao projeto, desenvolvimento de requisitos de utilizador, storyboarding, jornada do utilizador, ciclos iterativos de prototipagem (baixa fidelidade – lo-fi, alta fidelidade – hi-fi, produto mínimo viável - MVP), avaliação heurística da solução com peritos e avaliação com utilizadores finais.
C2. Produção de documentação de desenho da solução, incluindo, quando aplicável, arquitetura, especificações técnicas, configuração hardware e software, manuais de instalação, operação e utilização.
C3. Implantação experimental da solução com potencial para ser triplamente sustentável (com criação de valor económico, social e ambiental), salvaguardando o enquadramento legal aplicável.
C4. Comunicação audiovisual na Web e nas redes sociais. Comunicação em público e sua estrutura. Apresentação para atores relevantes.
C5. Demonstração em workshop com atores relevantes na área da Inteligência Artificial.
UC em avaliação periódica, não contemplando exame final, dada a adoção ao método de ensino por projeto aplicado a situações reais. As apresentações, demonstrações e discussão são realizadas em grupo.
Pesos da avaliação:
R1. Relatório de Ideação da Solução, com Storyboard, Jornada de Utilizador, Requisitos do Utilizador, Especificações Técnicas e sua apresentação audiovisual: 20%
R2. Prototipagem da Solução: Protótipos Lo-fi e Hi-fi e Protótipo Mínimo Viável – MVP (no GitHub), sua Demonstração e Relatório de Avaliação: 40%
R3. Relatório de Desenho da Solução com os seguintes elementos (se aplicável): Arquitetura (UML Package Diagram, UML Component Diagram), Configuração Hardware e Software, Manual de Instalação (UML Deployment Diagram, Tutorial de Configuração), Manual de Operação, Manual de Utilizador: 20%
R4. Apresentação audiovisual da solução e sua demonstração em Workshop: 20%
Title: T. Brown, HarperCollins, 2009, ISBN-13: 978-0062856623, Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, 2009, ·, ·
M. Lewrick, P. Link, L. Leifer / Wiley, ISBN 9781119629191, The Design Thinking Toolbox, 2020, ·, ·
J. Knapp, J. Zeratsky, B. Kowitz / Bantam Press., Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days., 2016, ·, ·
Authors:
Reference: null
Year:
Title: ·
E. Ries, The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses, Capítulos 3 e 4, Penguin Group, 2017, ·, ·
Scrum Institute, The Kanban Framework 3rd Edition, 2020, ·, www.scrum-institute.org/contents/The_Kanban_Framework_by_International_Scrum_Institute.pdf acedido em 02/2023
Darrell Rigby, Sarah Elk, Steve Berez / The Scrum Framework 3rd Edition, Doing Agile Right: Transformation Without Chaos HardcoverScrum Institute, 2020, ·, www.scrum-institute.org/contents/The_Scrum_Framework_by_International_Scrum_Institute.pdf
Jeff Sutherland, J.J. Sutherland, Scrum: The Art of Doing Twice the Work in Half the Time, 2014, ·, ·
Project Management Institute. / 6th ed. Newton Square, PA: Project Management Institute, A guide to the project management body of knowledge (PMBOK guide)., 2017, ·, ·
M. Gwaldis, How to conduct a successful pilot: Fail fast, safe, and smart / https://blog.shi.com/melissa-gwaldis/ acedido em 02/2023, 2019, ·, ·
Authors:
Reference: null
Year:
Projeto Aplicado de Inteligência Artificial I
No final da UC, o aluno deverá estar apto a:
OA1: Aplicar metodologias de cocriação no desenvolvimento de projetos inovadores triplamente sustentáveis (com valor económico, social e ambiental) em organizações.
OA2: Criar empatia com o utilizador e a sua organização (definir necessidades, obstáculos, objetivos, oportunidades, tarefas atuais e desejadas), definir o problema e as questões endereçadas pelo projeto.
OA3: Realizar uma revisão sistemática da literatura e uma análise do panorama competitivo (se aplicável), relacionados com o problema identificado e as questões levantadas.
OA4: Identificar os recursos digitais (incluindo a recolha de dados), computacionais e outros, necessários para abordar o problema.
OA5: Aplicar conhecimentos já consolidados de planeamento de projeto, gestão ágil e desenvolvimento do projeto
OA6: Participar em dinâmicas colaborativas e de cocriação e realizar apresentações escritas e orais
CP1. Metodologias de planeamento e gestão de projetos em IA
CP2. Apresentação de casos de estudo e temas de projeto de tecnologias digitais em inteligência artificial (produto, serviço ou processo)
CP3. Seleção do tema de projeto e enquadramento na organização
CP4. Espaço do problema: criação de empatia com o utilizador e com a sua organização, definição do problema e das suas questões relacionadas, considerando os requisitos de negócio, as necessidades dos clientes e utilizadores e os desafios tecnológicos
CP5. Aplicação de uma metodologia de revisão sistemática da literatura e sua análise crítica.
CP6. Identificação dos recursos digitais (incluindo a recolha de dados), computacionais e outros necessários para o desenvolvimento do projeto
CP7. Realização do proposto nos casos de estudo / projetos apresentados, adequados ao trabalho a desenvolver pelos alunos de inteligência artificial. Elaboração de relatórios e documentação final. Comunicação dos resultados.
Esta UC segue a tipologia de avaliação ao longo do semestre por projeto a 100%, não contemplando exame final, dada a adoção ao método de ensino aplicado a situações reais.
A avaliação ao longo do semestre tem a seguinte constituição:
- R1: Relatório - Definição do Tema de Projeto: 5%
- R2: Relatório - Empatia com o Utilizador e a Organização e Definição do Problema. Apresentação e discussão: 40%
- R3: Relatório - Planeamento do Desenvolvimento do Projeto. Resultados preliminares. Apresentação e discussão: 55%
Os relatórios (R1, R2 e/ou R3) poderão ser realizados individualmente ou em grupo, e dependem estritamente da natureza do projeto.
A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.
A presença nas aulas não é obrigatória.
Title: Dooley, J. F., & Kazakova, V. A. (2024). Software development, design, and coding: With patterns, debugging, unit testing, and refactoring. Apress.
Huyen, C. (2022). Designing machine learning systems: An iterative process for production-ready applications (1st ed.). O’Reilly Media.
Ford, N., Richards, M., Sadalage, P., & Dehghani, Z. (2021). Software architecture: The hard parts: Modern tradeoff analysis for distributed architectures. O’Reilly Media.
Lewrick, M., Link, P., & Leifer, L. (2020). The Design Thinking Toolbox: A guide to mastering the most popular and valuable innovation methods (1st ed.). John Wiley & Sons.
Knapp, J., Zeratsky, J., & Kowitz, B. (2016). Sprint: How to solve big problems and test new ideas in just five days. Simon & Schuster.
Osterwalder, A., Pigneur, Y., Bernarda, G., & Smith, A. (2014). Value Proposition Design: How to create products and services customers want. John Wiley & Sons.
Authors:
Reference: null
Year:
Title: Ries, E. / capítulos 3 e 4, Penguin Group, The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses, 2017
Scrum Institute, The Kanban Framework 3rd Edition, 2020, www.scrum-institute.org/contents/The_Kanban_Framework_by_International_Scrum_Institute.pdf
Darrell Rigby, Sarah Elk, Steve Berez / Scrum Institute, The Scrum Framework 3rd Edition, Doing Agile Right: Transformation Without Chaos Hardcover, 2020, www.scrum-institute.org/contents/The_Scrum_Framework_by_International_Scrum_Institute.pdf
Jeff Sutherland, J.J. Sutherland, Scrum: The Art of Doing Twice the Work in Half the Time, 2014
Project Management Institute / 6th ed. Newton Square, PA: Project Management Institute, A guide to the project management body of knowledge (PMBOK guide), 2017
Gwaldis M., How to conduct a successful pilot: Fail fast, safe, and smart, 2019, https://blog.shi.com/melissa-gwaldis/
Authors:
Reference: null
Year:
Big Data
No final da UC os alunos deverão ser capazes de:
OA1. Compreender e identificar os problemas associados ao processamento de grandes quantidades de informação
OA2. Compreender os conceitos e ecossistema da Big Data.
OA3. Saber desenhar e concretizar soluções de armazenamento de dados em ambiente distribuído e tolerantes a falhas.
OA4. Saber extrair, manipular e carregar grandes quantidades de informação de frontes de dados não estruturadas
OA5. Saber manipular e processar bases de dados não relacionais.
OA6. Compreender e saber aplicar os modelos de programação e computação distribuídos.
OA7. Compreender e saber aplicar técnicas para tratamento de estruturas JSON e fluxo de dados em tempo real.
OA8. Desenvolver a criatividade, inovação tecnológica, pensamento crítico.
OA9. Desenvolver a autoaprendizagem, revisão por pares, trabalho em equipa, expressão escrita e oral.
CP1. O conceito de Big Data, os problemas aplicáveis e o respetivo ecossistema.
CP2. Introdução às bases de dados não relacionais e ao MongoDB.
CP3. Arquitetura de computação para Big Data: (1) redundante e tolerante a falhas e (2) distribuída para suportar grandes volumes de dados. Exemplo da plataforma Hadoop e do seu sistema de ficheiros distribuído.
CP4. O modelo de programação MapReduce.
CP5. O desenho de bases de dados no MongoDB.
CP6. A manipulação de estruturas JSON e de dados em tempo real.
CP7. O processo de ETL (Extract, Transform and Load) aplicado a datasets com dados reais desnormalizados e desenvolvimento de aplicações de processamento de Big Data em ambientes Spark e MongoDB.
Esta UC segue o modelo de avaliação ao longo do semestre (ALS), o que não contempla um exame final com uma ponderação a 100%.
A ALS é constituída pelos seguintes elementos:
- 8 tarefas semanais [2,5% * 8 = 20% no total]
- 2 mini-testes [15% cada * 2 = 30% no total]
- Projeto de laboratório [50%]
O projeto de laboratório poderá ser realizado individualmente ou em grupo, onde consiste na elaboração de um projeto prático que posteriormente será alvo de discussão oral individual.
Se o aluno reprovar na época normal (<10 valores), o aluno acede ao exame de 1º ou 2ª épocas, valendo 50% da nota, sendo obrigatória a aprovação no projeto de laboratório ou a realização de um projeto individual (50%). Caso o aluno não tenha aprovação no projeto de laboratório ou no projeto individual (se for o caso), encontra-se reprovado a esta UC.
Title: 1. Nudurupati, S. (2021). Essential PySpark for Scalable Data Analytics: A beginner’s guide to harnessing the power and ease of PySpark 3. Packt Publishing.
2. Sardar, T. H. (2023). Big data computing: Advances in technologies, methodologies, and applications. CRC Press.
3. Tandon, A., Ryza, S., Laserson, U., Owen, S., & Wills, J. (2022). Advanced analytics with PySpark: Patterns for learning from data at scale using Python and Spark. O’Reilly Media.
Authors:
Reference: null
Year:
Tecnologia, Economia e Sociedade
Depois de completar esta UC, o estudante será capaz de:
OA1. Identificar os principais temas e debates relativos aos impactos das tecnologias digitais nas sociedades contemporâneas;
OA2. Descrever, explicar e analisar esses temas e debates de forma fundamentada;
OA3. Identificar as implicações da mudança tecnológica digital em termos económicos, sociais, culturais, ambientais e científicos;
OA4. Prever algumas das consequências e impactos no tecido social resultantes da implementação de uma solução tecnológica digital;
OA5. Explorar as fronteiras entre o conhecimento tecnológico e o conhecimento das ciências sociais;
OA6. Desenvolver formas de aprendizagem interdisciplinar e de pensamento crítico, debatendo, com interlocutores de áreas científicas e sociais diversas.
CP1. A transformação digital como novo paradigma civilizacional.
CP2. Os impactos das tecnologias digitais na Economia.
CP3. Os impactos das tecnologias digitais no trabalho.
CP4. Os impactos das tecnologias digitais nas desigualdades.
CP5. Os impactos das tecnologias digitais na democracia.
CP6. Os impactos das tecnologias digitais na arte.
CP7. Os impactos das tecnologias digitais nos direitos individuais.
CP8. Os impactos das tecnologias digitais nas relações humanas.
CP9. Os impactos das tecnologias digitais no futuro da humanidade.
CP10. Inteligência Artificial Responsável.
CP11. O impacto da Computação quântica nas tecnologias do futuro.
CP12. Os impactos das tecnologias digitais na geopolítica.
O processo de avaliação compreende os seguintes elementos:
A) Avaliação ao longo do semestre
A1. Debates entre grupos de estudantes sobre questões e problemas relacionados com cada um dos Conteúdos programáticos. Cada grupo participará em três debates ao longo semestre. A avaliação do desempenho de cada grupo por debate corresponde a 15% da nota final de cada estudante no grupo, correspondendo no total a 3 x 15% = 45% da nota final de cada estudante.
A2. Avaliação da participação correspondendo a 5% da nota final de cada estudante.
A3. Teste final, com parte dos conteúdos provenientes dos debates em grupo e a outra parte das exposições por parte do Docente, correspondendo a 50% da nota final de cada estudante.
É exigida uma nota mínima de 9,5 valores em cada momento de avaliação e a presença num mínimo de 3/4 das aulas.
B) Avaliação por exame final: Prova escrita individual, correspondendo a 100% da nota final.
Title: Chalmers, D. (2022). Adventures in technophilosophy In Reality+ - Virtual Worlds and the problems of Philosophy (pp. xi-xviii). W. W. Norton & Company.
Chin, J., Lin, L. (2022). Dystopia on the Doorstep In Deep Utopia – Surveillence State – Inside China’s quest to launch a new era of social control (pp. 5–11). St. Martin’s Press.
Dignum, V. (2019). The ART of AI: Accountability, Responsibility, Transparency In Responsible Artificial Intelligence - How to Develop and Use AI in a Responsible Way (pp. 52–62). Springer.
Howard, P. N. (2020). The Science and Technology of Lie Machines In Lie Machines - How to Save Democracy from Troll Armies, Deceitful Robots, Junk News Operations, and Political Operatives (pp. 1-4; 6-7; 10-18). Yale University Press.
Kearns, M., Roth, A. (2020). Introduction to the Science of Ethical Algorithm Design In The Ethical Algorithm - The Science of Socially Aware Algorithm Design (pp. 1-4; 6-8; 18-21). Oxford University Press.
Authors:
Reference:
Year:
Title: (Principal - continuação)
Kissinger, H. A., Schmidt, E., Huttenlocher, D (2021). Security and World Order In The Age of AI - And Our Human Future (pp. 157–167, 173-177). John Murray Publishers.
Parijs, P. V., Vanderborght, Y. (2017). Ethically Justifiable? Free Riding Versus Fair Shares In Basic Income - A Radical Proposal for a Free Society and a Sane Economy (pp. 99–103). Harvard University Press.
Pentland, A. (2014). From Ideas to Actions In Social Physics – How good ideas spread – The lessons from a new science (pp. 4–10). The Penguin Press.
Zuboff, S. (2021). O que é capitalismo de vigilância? In A Era do Capitalismo de Vigilância - A luta por um futuro humano na nova fronteira de poder (pp. 21–25). Intrínseca.
***
(Complementar)
Acemoglu, D.; Johnson, S. (2023). What Is Progress? In Power and progress: our thousand-year struggle over technology and prosperity (pp. 1 - 7). PublicAffairs.
Bostrom, N. (2024). The purpose problem revisited In Deep Utopia – Life and meaning in a solved world (pp. 121–124). Ideapress Publishing.
Castro, P. (2023). O Humanismo Digital do século XXI e a nova Filosofia da Inteligência Artificial In 88 Vozes sobre Inteligência Artificial - O que fica para o homem e o que fica para a máquina? (pp. 563 – 572). Oficina do Livro/ISCTE Executive Education.
Gunkel, D. J. (2012). Introduction to the Machine Question In The Machine Question - Critical Perspectives on AI, Robots, and Ethics (pp. 1-5). The MIT Press.
Innerarity, D. (2023). O sonho da máquina criativa. In Inteligência Artificial e Cultura – Do medo à descoberta (pp. 15 – 26). Colecção Ciência Aberta, Gradiva.
Jonas, H. (1985). Preface to the English version of the Imperative of Responsibility In The Imperative of Responsibility: In Search of an Ethics for the Technological Age. (pp. ix - xii). University of Chicago Press.
Nakazawa, H. (2019). Manifesto of Artificial Intelligence Art and Aesthetics In Artificial Intelligence Art and Aesthetics Exhibition - Archive Collection (p. 25). Artificial Intelligence Art and Aesthetics Research Group (AIAARG).
Patel, N. J. (2022, february 4). Reality or Fiction - Sexual Harassment in VR, The Proteus Effect and the phenomenology of Darth Vader — and other stories. Kabuni. https://medium.com/kabuni/fiction-vs-non-fiction-98aa0098f3b0
Pause Giant AI Experiments: An Open Letter. (22 March, 2023). Future of Life Institute. Obtido 26 de agosto de 2024, de https://futureoflife.org/open-letter/pause-giant-ai-experiments/
Authors:
Reference:
Year:
Text Mining
OA1: Definir os conceitos, etapas e métodos principais envolvidos no desenvolvimento de processos de Text Mining.
OA2: Atomizar documentos, criar dicionários e realizar outras tarefas de pré-processamento para preparar texto para tarefas de classificação.
OA3: Selecionar e justificar as técnicas apropriadas para tarefas específicas de processamento de texto.
OA4: Construir representações vetoriais a partir de textos.
OA5: Explicar o funcionamento de algoritmos para classificação de texto, como o Naïve Bayes ou KNN.
OA6: Aplicar um classificador no tratamento de casos reais.
OA7: Agrupar documentos usando o algoritmo K-means.
OA8: Desenvolver engenharia de prompt em LLMs.
CP1: Utilidade de grandes quantidades de texto, desafios e métodos atuais.
CP2: Informação não estruturada vs. (semi-)estruturada.
CP3: Obtenção e filtragem de informação, extração de informação e Data Mining.
CP4: Preparação e limpeza de documentos, extração de propriedades e estratégias de pesagem de termos.
CP5: Modelos de espaços vetoriais e medidas de similaridade.
CP6: Introdução à aprendizagem automática estatística e medidas de avaliação.
CP7: Aprendizagem supervisionada: Naïve Bayes, KNN e K-means.
CP8: Análise de sentimento.
CP9: Recursos para Text Mining.
CP10: Introdução a Deep Learning.
CP11: LLMs e modelos Retrieval Augmented Generation (RAG).
Esta UC segue o modelo de avaliação ao longo do semestre (ALS).
A ALS é constituída pelos seguintes elementos:
- 1 trabalho prático [40%]
- 3 mini-testes [20% cada * 3 = 60% no total]
O trabalho prático poderá ser realizado individualmente ou em grupo, consistindo na elaboração de um projeto que será posteriormente alvo de discussão oral individual.
Em caso de reprovação na ALS (<10 valores), ou caso o estudante opte por Avaliação por Exame, o exame corresponde a 100% da nota.
Title: 1. Ozdemir, S. (2023). Quick Start Guide to Large Language Models: Strategies and Best Practices for Using ChatGPT and Other LLMs. Addison-Wesley Professional.
2. Tunstall, L., von Werra, L., & Wolf, T. (2022). Natural language processing with transformers, revised edition. O’Reilly Media.
3. Dan Jurafsky and James H. Martin (Sep 2021). Speech and Language Processing (3rd ed. draft). https://web.stanford.edu/~jurafsky/slp3/
4. Vajjala, S., Majumder, B., Surana, H., & Gupta, A. (2020). Practical natural language processing: A pragmatic approach to processing and analyzing language data. O’Reilly Media.
5. Lane, H., Howard, C., & Hapke, H. (2019). Natural Language Processing in Action (First Edition). Pearson Professional.
Authors:
Reference: null
Year:
Title: Charu C. Aggarwal (2018). Machine Learning for Text. https://doi.org/10.1007/978-3-319-73531- 3.
Gabe Ignatow, Rada F. Mihalcea (2017). An Introduction to Text Mining: Research Design, Data Collection, and Analysis 1st Edition (2017). SAGE Publications
Authors:
Reference: null
Year:
Optativas recomendadas
Campus Sintra
- Desenho Centrado no Utilizador (1º semestre)
- Empreendedorismo e Inovação III (1º semestre)
- Grafos e Redes Complexas (1º semestre)
- Marketing Digital (1º semestre)
- Sistemas Operativos e Virtualização (1º semestre)
- Design de Jogos (2º semestre)
- Empreendedorismo e Inovação IV (2º semestre)
- Introdução à Cibersegurança (2º semestre)
- Introdução às Redes de Computadores (2º semestre)
Campus Lisboa
- Arquitetura de Redes (1.º Semestre)
- Interação Pessoa-Máquina (1.º Semestre)
- Engenharia de Software (1º e 2º semestre)
- Programação Concorrente e Distribuída (1.º e 2.º semestre)
- Desenvolvimento para A Internet e Aplicações Móveis (2.º Semestre)
- Sistemas Operativos (2.º Semestre)
Objetivos
É proporcionada uma formação de elevada qualidade, permitindo aos licenciados integrarem após a sua conclusão o mercado de trabalho, nas áreas onde a Inteligência Artificial pode ser aplicada atualmente, onde se incluem o setor financeiro; a administração pública; telecomunicações; energia; e retalho; bem como um conjunto muito variado de empresas prestadoras de serviços de pequena, média e grande dimensão. Assim, os objetivos gerais são:
(1) conhecer e ser capaz de aplicar métodos de Inteligência Artificial para resolver problemas reais;
(2) desenvolver soluções que envolvem a utilização de ferramentas e programação para conferir inteligência em soluções informáticas;
(3) capacidade para aplicação de abordagens de desenvolvimento de conhecimento acrescido num conjunto variado de domínios;
(4) integrar projetos de larga escala, constituindo-se o licenciado como um elemento que transmite uma mais-valia na área de Inteligência Artificial pelos conhecimentos adquiridos ao longo do curso.
Um licenciado em Inteligência Artificial (IA) atingiu os seguintes objetivos:
(1) Conhecimentos: desenvolvimento de programas, utilização de abordagens matemáticas e algorítmicas, utilização e configuração de ferramentas, metodologias para o desenvolvimento de soluções de IA.
(2) Aptidões: adoção dos conhecimentos para que, em contexto de projetos, o licenciado possa integrar uma equipa alargada, utilizando o conhecimento adquirido e referido anteriormente para se constituir como uma mais valia, podendo desenvolver tarefas assentes em dados, automação de processos, e implementação de sistemas de suporte à decisão.
(3) Competências: o licenciado estará capacitado para autonomamente desenvolver o ciclo de descoberta de conhecimento a partir de dados, otimizar soluções informáticas conferindo-lhes inteligência, desenvolver programas que autonomamente procuram soluções, integrar uma equipa alargada, comunicando de forma metódica e clara, com vista à persecução de um objetivo comum.
Acreditações