OA1 Explicar normas e leis relevantes, considerações éticas, sociais, de privacidade e de governação, demonstrando compreensão das questões relacionadas com a prática de um profissional em Inteligência Artificial (IA).
OA2 Discutir o impacto social e as questões profissionais relacionadas com a IA, a implantação de sistemas de IA, avaliando as implicações de delegar o controlo e a tomada de decisão em sistemas inteligentes, incluindo questões sobre equidade, parcialidade, transparência, responsabilidade e explicabilidade da IA.
OA3 Justificar a avaliação de estudos de caso e do trabalho dos seus pares.
OA4 Comunicar eficazmente com audiências através de uma série de modos e meios de comunicação, especificamente, através de relatórios técnicos escritos e apresentações visuais e orais.
OA5 Aplicar princípios de investigação responsáveis e éticos e escolher métodos apropriados para analisar, teorizar e justificar conclusões na prática e investigação profissional em IA.

P1 Introdução: uma breve história da IA;
P2 Como funciona a IA;
P3 Viés, Ética, Equidade, Privacidade, Robustez e Confiança;
P4 Quadros legais e regulamentares;
P5 AI para o presente: estudos de caso;
P6 O desafio da interpretabilidade: XAI;
P7 IA para o futuro: tópicos especiais em IA.

Sendo uma UC que trabalha maioritariamente conceitos e métodos de ponta num estado da arte ainda em evolução, não configura a figura de exame escrito a 100%.
Os estudantes são avaliados através de:
(a) um trabalho de grupo em workshops (GW),
(b) apresentando aos pares um artigo de conferência ou revista (RP) (no final do semestre)
(c) um artigo de investigação individual (RI) (em data marcada na 1.ª época),
de acordo com a fórmula: 0,3 x GW + 0,3 x RP + 0,4 x RI.
Para aprovação, qualquer elemento em avaliação requer uma nota mínima de 8 valores.

O aluno que complete com sucesso esta Unidade Curricular será capaz de:
1. Conhecer as origens do debate acerca da relação entre cognição e emoção
2. Conhecer as principais concepções teóricas acerca da relação entre cognição e emoção
3. Compreender, analisar e avaliar os principais métodos e técnicas de investigação da influência das emoções na cognição e dos factores cognitivos implicados nas emoções.
4. Compreender e explicar a influência das emoções em processos cognitivos e sócio-cognitivos
5. Explicitar implicações práticas deste domínio de investigação, aplicando o conhecimento adquirido a diferentes contextos

1. Definições básicas e fundamentos do estudo da relação cognição-emoção
1.1. Cognição: Noções de representação cognitiva e de processamento de informação; panorâmica das funções cognitivas
1.2. Emoção e conceitos relacionados
1.3. Contextualização histórica e filosófica do debate cognição-emoção
1.4. Aspetos metodológicos do estudo da relação cognição-emoção
2. Influência da emoção na cognição
2.1. Julgamento, tomada de decisão e modos de processamento
2.2. Atenção e controlo cognitivo
2.3. Memória
2.4. Linguagem
2.5. Traços emocionais e processamento cognitivo
2.6. Perturbações afetivas
3. Influência da cognição na emoção
3.1. Processos cognitivos e regulação emocional
3.2. Perturbações da cognição e impacto na emoção
4. Integração de processos emocionais e cognitivos: mecanismos e bases cerebrais

Avaliação ao longo do semestre: Trabalho de grupo, incluindo apresentação/discussão de artigo em aula (10%) e relatório escrito sobre o tema (20%); resposta individual a duas perguntas (20%); teste (50%). Os estudantes ficam aprovados se tiverem nota igual ou superior a 9.5 valores em cada um dos elementos.

Exame: os estudantes terão acesso a exame final (1ª e/ou 2ª época) nas condições vigentes no REACC. A aprovação implica a obtenção de nota igual ou superior a 9.5 valores.

OA1: Reconhecer as várias componentes dum modelo de aprendizagem profunda com redes neuronais.
OA2: Implementar em versão stand-alone, usando python, versões simplificadas das componentes implícitas em OA1.
OA3. Relacionar diferentes arquiteturas com a resolução de diferentes problemas.
OA4. Aplicar técnicas de regularização para melhorar a performance de modelos de aprendizagem profunda.
OA5. Conhecer em detalhe e aplicar o algoritmo DQN no contexto de aprendizagem por reforço.
OA6. Utilizar a biblioteca Keras na implementação de modelos de aprendizagem profunda com vista à resolução de problemas em reconhecimento de imagem, processamento de linguagem natural e aprendizagem por reforço.
OA7. Conhecer teoremas fundamentais sobre redes neuronais assimptóticas e aplicar esses resultados na análise crítica de modelos.

1. Modelos matemáticos de neurónios e funções de ativação.
2. (Aula Convidada) Hardware: Aceleradores de IA para aprendizagem profunda.
3. Algoritmos eficientes para operações matriciais e álgebra tensorial.
4. Backpropagation e diferenciação automática.
5. Problemas de classificação e de regressão com redes neuronais feedforward.
6. Teoremas de aproximação universal e análise assimptótica.
7. Redes de convolução e reconhecimento de imagem.
8. Técnicas de regularização.
9. Introdução à aprendizagem por reforço profunda

Aprovação com classificação não inferior a 10 valores numa das modalidades:
- Avaliação ao longo do semestre v1: fichas de exercícios (70% no total) realizadas individualmente + trabalho de grupo (30%).
- Avaliação ao longo do semestre v2: exame (70 %), realizado numa das épocas de exame + trabalho de grupo (30 %).
- Avaliação por exame: exame (100 %), realizado numa das épocas de exame.
> Cada ficha de exercícios terá uma componente escrita e uma componente de implementação em python. As resoluções apresentadas estão sujeitos a discussão.
> Os trabalhos de grupo deverão ser realizados em grupos de até 4 elementos e estão sujeitos a discussão. Consistem no desenvolvimento duma aplicação de aprendizagem profunda.

Os objetivos de aprendizagem seguem os canônes internacionais e são os seguintes:
OA1. Conhecer vários sistemas de representação de conhecimento e de raciocínio.
OA2. Compreender como representar conhecimento e as formas de raciocínio em cada sistema.
OA3. Conhecer as vantagens, limitações e fragilidades de cada sistema.
OA4. Poder efetuar a escolha adequada de um sistema de representação e raciocínio dado um problema.
OA5. Saber construir bases de conhecimento segundo cada sistema.
OA6. Ter capacidade de representar e resolver problemas razoavelmente complexos de representação e raciocínio usando os vários sistemas.

Os conteúdos programáticos (CP) são os seguintes:
CP1: Representação baseada em objetos
CP2: Descrições Estruturadas
CP3: Ontologias e Representação do Domínio do Conhecimento
CP4: Representação do Conhecimento em Contexto Social (Semantic Web)
CP5: Programação Lógica
CP6: Lógicas não monótonas e ASP-Answer Set Programming
CP7: Incerteza e Graus de crença
CP8: Raciocínio Abdutivo
CP9: Raciocínio Qualitativo
CP10: Satisfação de Restrições
CP11: Representação e Raciocínio por Ações e planos
CP12: Abstração, Reformulação e Aproximação

Na avaliação ao longo do semestre, os alunos terão de realizar:
- Teste escrito individual sobre todo o programa da UC (60%) - a realizar na época de exames (1º ou 2º exame).
- Trabalho de investigação (em grupo) sobre um dos temas da UC, com relatório e apresentação oral (40%). A apresentação oral é efetuada em tempo de aula durante o semestre. A nota do trabalho de investigação é dividida em 50% por cada componente e os membros do grupo podem ter notas diferentes.
Ambas as componentes de avaliação na avaliação ao longo do semestre têm uma nota mínima de 8 valores.

Em alternativa, os alunos podem realizar apenas um exame (100%), que pode ser em ambas as datas de exame.
Na época especial de exames os alunos realizam o exame (100%).

OA1. Conhecer conceitos fundamentais de álgebra linear, teoria das probabilidades e informação.
OA2. Aplicar as técnicas anteriores (OA1) no contexto de aprendizagem automática, em particular, implementando métodos de Kernel e processos Gaussianos em problemas de regressão e classificação.
OA3. Dominar técnicas fundamentais de análise de Fourier e wavelets.
OA4. Utilizar os métodos anteriores (OA1 e OA3) no contexto de processamento de sinal e imagem.
OA5. Aplicar algoritmos básicos de programação dinâmica à resolução de problemas via aprendizagem por reforço.
OA6. Implementar em Python as técnicas referidas.

I - Álgebra Linear, probabilidades e informação.
1. Produtos internos e decomposição de matrizes.
2. Variáveis aleatórias, informação e entropia.
3. Métodos de Núcleo e processos Gaussianos em regressão e classificação.
4. Análise de componentes principais.

II - Processamento de sinal.
1. FFT e convolução.
2. Wavelets discretas.
3. Aplicações ao processamento de som e imagem.

III - Programação dinâmica e aprendizagem por reforço.
1. O contexto da aprendizagem por reforço.
2. A equação de Bellman.
3. Métodos iterativos e aplicações.
4. Métodos de Monte Carlo.

A avaliação será feita através de 4 fichas de exercícios (25% cada), realizadas individualmente. Cada ficha terá uma componente escrita e outra de implementação em Python. As resoluções apresentadas estão sujeitas a discussão.
A época especial está reservada para os casos previstos no Artigo 14o do Regulamento Geral de Avaliação de Conhecimentos e Competências (RGACC) e contemplará uma só ficha de exercícios (100%), a ser realizada individualmente, e englobando toda a matéria da UC.

O aluno, ao terminar a UC, deve:
OA1: Conhecer um processo de organização de projetos de IA
OA2: Saber escrever um artigo que descreva e apresente os resultados do projeto
OA3: Ter ganho experiência nas tarefas habitualmente envolvidas num projeto de IA
OA4: Ter contacto com os problemas inerentes à utilização de dados reais

P1. CRISP-DM
P2. Introdução à escrita de artigos científicos
P3. Introdução à organização e gestão de projetos
P4. Prática de projeto de IA

Avaliação ao longo do semestre: Apresentação de projeto em grupo (grupos de duas pessoas no máximo, no final do período letivo, 50%) e entrega de artigo individual sobre a experiência (1ª ou 2ª época, 50%). Caso o aluno tenha direito a EEF pode entregar ambas as componentes da avaliação ou apenas uma delas caso a outra tenha sido já avaliada positivamente no mesmo ano letivo. Nota mínima de 8 em ambas as avaliações. Esta disciplina não tem exame final.

No final da UC o aluno deverá ser capaz de:
OA1 - Usar métodos de Otimização linear e quadrática.
OA2 - Aplicar métodos numéricos de otimização clássica.
OA3 - Entender, aplicar e adaptar algumas metaheurísticas.
OA4 - Entender, aplicar e adaptar os principais métodos de descida do gradiente.

CP1. Introdução e Revisão
1.1. Introdução
1.2. Programação Linear e Quadrática
1.3. Cálculo Diferencial, Otimização livre e condicionada
1.4. Métodos numéricos

CP2. Metaheurísticas
2.1. Arrefecimento Simulado
2.2. Métodos de Pesquisa Tabu
2.3. Algoritmos Evolucionários

CP3. Descida do Gradiente e variações
3.1. Descida do Gradiente
3.2. Descida do Gradiente Estocástico
3.3. Momentum
3.4. Adagrad
3.5. Outros

As modalidades de avaliação são:
- avaliação ao longo do semestre: teste (50%) + trabalhos (50%), ou
- avaliação por Exame: realização de uma prova escrita (com um peso de 100%), na 1ª época ou na 2ª época do período de avaliação.
Nota: A aprovação em avaliação ao longo do semestre requer uma nota mínima de 9.0 (em 20) valores no teste.
Considera-se que o aluno teve aprovação à disciplina se tiver nota superior ou igual a 9.50 (em 20) valores.

No final da UC o aluno deverá ser capaz de:
OA1. Identificar os principais marcos históricos da disciplina;
OA2. Conhecer as relações com outras disciplinas;
OA3. Enumerar e reconhecer algumas das aplicações;
OA4. Caracterizar as principais famílias de algoritmos usados em Aprendizagem Automática;
OA5. Compreender e explicar os fundamentos e o funcionamento de um algoritmo que exemplifique: aprendizagem supervisionada (simbólica e sub-simbólica), não supervisionada, por reforço e algoritmos de procura.
OA6. Saber explicar em detalhe o funcionamento de um dos algoritmos estudados.
OA7. Implementar um algoritmo de aprendizagem automática e/ou usá-lo num problema não trivial.

CP1. Nota histórica sobre a Aprendizagem Automática. Relação com outras disciplinas. Principais aplicações.
CP2. Problemas e tipos de aprendizagem;
CP3. Aprendizagem Não Supervisionada;
CP4. Aprendizagem Supervisionada (simbólica e sub-simbólica);
CP5. Aprendizagem por Reforço;
CP6. Métodos de procura e Algoritmos Genéticos;
CP7. Preparação de dados, validação de resultados;
CP8. Técnicas de aceleração de algoritmos de AA.
CP9. Implementação de algoritmo de AA

Apenas é possível obter aprovação a esta UC por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame.

Elementos de avaliação:
- 4 exercícios práticos, código e relatório, em grupos de 2 elementos (10% cada) durante o período letivo com discussão presencial;
- 4 mini-testes (5% cada), durante o período letivo;
- projeto em grupos de 2 elementos (40%) que inclui um relatório (com um limite de 10 páginas), código e apresentação oral (aproximadamente 10 minutos), a realizar em qualquer das épocas de avaliação — o projeto deve ser entregue até uma semana antes da época de avaliação escolhida.

A avaliação em época especial será composta pelo projeto realizado individualmente e, tal como nas outras épocas, a entregar uma semana antes da época especial e um teste escrito que substitui a componente dos exercícios práticos e mini-testes. Os pesos destes elementos de avaliação são os mesmos indicados anteriormente.

A assiduidade não é usada como critério de avaliação ou reprovação.

OA1: Conhecer as principais arquiteturas de redes neuronais para o processamento de dados sequenciais
OA2: Aplicar versões simplificadas de algumas das arquiteturas de processamento de dados sequenciais a problemas concretos OA3: Descrever o funcionamento de modelos generativos, tais como as Generative Adversarial Networks, Variational Autoencoders e modelos baseados em Fluxo e modelos autoregressivos
OA4: Descrever a arquitetura de modelos baseados em transformadores e auto-atenção, tais como BERT, GPT-2 e GPT-3, bem como variantes destes modelos
OA5: Aplicar modelos pré-treinados baseados em transformadores a casos de estudo, fazendo uso de transferência de apendizagem OA6: Conhecer as atuais tendências na aplicação de modelos de língua a problemas reais

Introduction, Revisiting Neural Networks (Feed Forward networks, Backpropagation) P1: Sequential data
- Recurrent Neural Networks
- Learning challenges and solutions
- Conditional sequence models
- LSTMs
- CNNs for sequential data
- Learning with attention- ELMO as a case study
P2: Generative Modeling
- GANs
- Variational autoencoders (VAE)
- Flow-based models
- Autoregressive models
P3: Transformers & self-attention
- BERT, GPT2 and GPT-3, and BART
- Transfer learningP4: Recent Trends:
- LaMDA: Language Models for Dialog Applications- Responsibility first

Avaliação periódica: Teste Intermédio (25%) + PROJETO (35%) + Teste Final (40%). Os alunos vão a exame final caso tenham optado por este regime, ou não tenham obtido nota positiva na avaliação periódica. O exame final é composto por um teste individual que cobre toda a matéria. A assiduidade não é requisito essencial de aprovação.