Acreditações
O programa está organizado em 2 semestres e meio de componente letiva e 1 semestre e meio para a preparação e realização da dissertação.
No 1.º ano, temos disciplinas de base nas áreas de Matemática, Inteligência Artificial e Psicologia. No 2º semestre, os e as estudantes têm a possibilidade de escolher duas disciplinas optativas.
No 2.º ano, grande parte da carga horária é dedicada à preparação da dissertação, havendo ainda, no 1.º semestre, uma unidade curricular obrigatória e duas à escolha.
Aos estudantes que obtenham aproveitamento em todas as unidades curriculares do primeiro ano é atribuído o Diploma de Estudos Pós-Graduados de 2.º ciclo em Inteligência Artificial.
A duração e carga horária prevista é de 4 semestres, num total de 120 ECTS.
O curso está planeado para ser frequentado a tempo-inteiro. Recomenda-se aos alunos que pretendem fazer o curso a par com outra ocupação, que considerem a possibilidade de uma inscrição a tempo-parcial.
Plano de Estudos para 2024/2025
| Unidades curriculares | Créditos | |
|---|---|---|
| 1º Ano | ||
|
Cognição e Emoção
6.0 ECTS
|
||
|
Conhecimento e Raciocínio em Inteligência Artificial
6.0 ECTS
|
||
|
Introdução à Aprendizagem Automática
6.0 ECTS
|
||
|
Otimização Computacional
6.0 ECTS
|
||
|
Tópicos de Matemática em Aprendizagem Automática
6.0 ECTS
|
||
|
Fundamentos Matemáticos para Aprendizagem Profunda
6.0 ECTS
|
||
|
Inteligência Artificial na Sociedade
6.0 ECTS
|
||
|
Projeto de Inteligência Artificial Aplicada
6.0 ECTS
|
||
| 2º Ano | ||
|
Aprendizagem Automática Avançada
6.0 ECTS
|
||
|
Dissertação em Inteligência Artificial
42.0 ECTS
|
||
|
Trabalho de Projeto em Inteligência Artificial
42.0 ECTS
|
Cognição e Emoção
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.
Title: Vuilleumier, P. (2005). How brains beware: neural mechanisms of emotional attention. Trends in Cognitive Sciences, 9(12), 585-94.
Storbeck, J., & Clore, G. (2007). On the interdependence of cognition and emotion. Cognition and Emotion, 21, 1212-1237
Power, M. J., Dagleish, T. (Eds., 2016). Handbook of Cognition and Emotion: From Order to Disorder (Third Edition). London: Psychology Press
Pessoa, L. (2008). On the relationship between emotion and cognition. Nature Reviews Neuroscience, 9, 148-158.
Okon-Singer, H., Hendler, T., Pessoa, L., & Shackman, A. (2015). The neurobiology of emotion?cognition interactions: fundamental questions and strategies for future research. Frontiers in Human Neuroscience, 9, 58.
Ochsner, K. N., & Phelps, E. (2007). Emerging perspectives on emotion-cognition interactions. Trends in Cognitive Sciences,11(8), 317-318.
Duncan, S., & Barrett, L. F. (2007). Affect is a form of cognition: A neurobiological analysis. Cognition and Emotion, 21, 1184-1211.
Authors:
Reference: null
Year:
Title: Wells, A. & Matthews, G. (1994). Attention and emotion: A clinical perspective. Hove, UK: Lawrence Erlbaum.
Watson, K. K., Matthews, B. J., & Allman, J. M. (2007). Brain activation during sight gags and language-dependent humor. Cerebral Cortex, 17(2), 314-324.
Smith, C., & Ellsworth, P (1985). Patterns of cognitive appraisal in emotion. Journal of Personality and Social Psychology, 48, 813-838.
Schwarz, N. (2000). Emotion, cognition, and decision making. Cognition and Emotion, 14, 433-440.
Schurgin, M. W., Nelson, J., Iida, S., Ohira, H., Chiao, J. Y., & Franconeri, S. L. (2014). Eye movements during emotion recognition in faces. Journal of Vision, 14, 1-16.
Pessoa, L. (2015). Précis on The Cognitive-Emotional Brain. Behavioural and Brain Sciences, 38, 1-66.
Ochsner, K.N., & Gross, J.J. (2005). The cognitive control of emotion. Trends in Cognitive Sciences, 9, 242-249.
Lindquist, K. A., Barrett, L. F., Bliss-Moreau, E., & Russell, J. A. (2006). Language and the perception of emotion. Emotion, 6, 125-138.
Leventhal, H. & Scherer, K. (1987). The relationship of emotion to cognition: A functional approach to a semantic controversy. Cognition and Emotion, 1, 3-28.
Lazarus, R. S. (1984). On the primacy of cognition. American Psychologist, 39, 124-129.
Kanske, P & Kotz, S. (2011) Conflict processing is modulated by positive emotion:ERP data from a flanker task Behavioural Brain Research, 219, 382-386
Gasper, K., & Clore, G. L. (2002). Attending to the big picture: Mood and global versus local processing of visual information. Psychological Science, 13, 34-40.
Eysenck, M. W. & Keane, M. (2000). Cognitive Psychology: A student's Handbook (4ª Ed). Taylor & Francis
Combs, M. R. et al. (2011). Attention shaping as a means to improve emotion perception deficits in outpatients with schizophrenia and impaired controls. Schizophrenia Research, 127(1-3), 151-6.
Authors:
Reference: null
Year:
Conhecimento e Raciocínio em Inteligência Artificial
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%).
Title: --
Authors:
Reference: null
Year:
Introdução à Aprendizagem Automática
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.
Title: Ethem Alpaydin, Introduction to Machine Learning, Fourth Edition, 2020, https://mitpress.mit.edu/9780262043793/introduction-to-machine-learning/
Authors:
Reference: null
Year:
Title: - Tom Mitchell, Machine Learning, 1997, http://www.cs.cmu.edu/~tom/mlbook.html
- Simon Haykin, Neural Networks and Learning Machines, Third Edition, 2009, https://cours.etsmtl.ca/sys843/REFS/Books/ebook_Haykin09.pdf
- R. Duda and P. Hart, Pattern Classification and Scene Analysis., 1973, https://www.amazon.com/Pattern-Classification-Scene-Analysis-Richard/dp/0471223611
Authors:
Reference: null
Year:
Otimização Computacional
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.
Title: Sra, Suvrit, Sebastian Nowozin, and Stephen J. Wright, eds., Optimization for machine learning, Mit Press, 2012.
Dréo, Johann, et al., Metaheuristics for hard optimization: methods and case studies, Springer Science \& Business Media, 2006.
Authors:
Reference: null
Year:
Title: Dive into DeepLearning, Chapter 11, Optimization algorithms, https://d2l.ai/chapter_optimization/
Postek, Krzysztof and Zocca, Alessandro and Gromicho, Joaquim and Kantor, Jeffrey, Hands-On Mathematical Optimization with AMPL in Python, 2024. https://ampl.com/mo-book
J. A. E. Andersson, J. Gillis, G. Horn, J. B. Rawlings and Moritz Diehl,
CasADi -- A software framework for nonlinear optimization and optimal control,
Mathematical Programming Computation, vol. 11, no. 1, pp. 1--36, 2019.
https://doi.org/10.1007/s12532-018-0139-4
https://web.casadi.org/
Authors:
Reference: null
Year:
Tópicos de Matemática em Aprendizagem Automática
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.
Title: 1. Ian Goodfellow, Yoshua Bengio e Aaron Courville, "Deep learning", MIT press, 2016.
2. Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola, "Dive into Deep Learning", 1st Edition, Cambridge University Press, 2024.
3. Christopher M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006.
4. Richard S. Sutton and Andrew G. Barto, "Reinforcement Learning: an introduction", MIT press, 2nd edition, 2018.
Authors:
Reference: null
Year:
Title: 1. Francois Chollet, "Deep Learning with Python", Second Edition, Manning Publications Co., 2021.
2. Steven L. Brunton and J. Nathan Kutz, “Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control”, Cambridge University Press, 1st edition, 2019.
Authors:
Reference: null
Year:
Fundamentos Matemáticos para Aprendizagem Profunda
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.
Title: --
Authors:
Reference: null
Year:
Inteligência Artificial na Sociedade
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.
Title: --
Authors:
Reference: null
Year:
Projeto de Inteligência Artificial Aplicada
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.
BibliografiaOptativas recomendadas
Ainda que sejam aceitáveis quaisquer disciplinas nas areas requeridas as disciplinas recomendadas como optativas são as seguintes:
(2º semestre, 1º ano)
- Optativa 1, áreas: Mat/IA
- Optativa 2, áreas: Mat/Inf (CTI ,CTP, IA, SI, CD, ACSO, MVCG, RDES)
Processamento Computacional da Língua (IA)
Blockchain (CTI)
Algoritmos para Big Data (CTP)
Aprendizagem Profunda para Visão por Computador (CD)
Processamento e Modelação de Big Data (CD)
Inteligência Computacional e Otimização (CTP)
Objetivos
- Sistematizar e solidificar os conhecimentos nas áreas relacionadas com Inteligência Artificial (Matemática, Aprendizagem Automática, Ciência de Dados, Cognição, Otimização);
- Especializar os conhecimentos em algumas áreas através da escolha de conjuntos de disciplinas optativas relacionadas com sub-areas específicas;
- Fomentar no aluno a criação das capacidades não-técnicas necessárias à maioria dos trabalhos atuais na área (leitura, escrita, apresentação, direção e planeamento);
- Permitir a criação de uma cultura interdisciplinar, quer pela frequência de disciplinas de outras áreas, quer pelo contacto com alunos e docentes das várias escolas do Iscte;
de desempenhar tarefas de investigação e desenvolvimento na área da Inteligência Artificial.
Os alunos do MInt durante a sua formação deverão adquirir conhecimento técnico especializado na área da Inteligência Artificial, além de demonstrar competências específicas para projetos complexos e/ou trabalhos de investigação.
Em particular é expectável que um Mestre em Inteligência Artificial seja capaz:
- de elaborar a especificação, conceção, desenvolvimento e manutenção de projetos e produtos de Inteligência Artificial;
- de desenvolver mecanismos de controlo da qualidade do projeto/produto em etapas sucessivas de testes e validação técnica e funcional;
- de gerir as competências necessárias para lidar e acomodar a mudança e a reação organizacional a essa mudança, com utilização de técnicas de IA;
- de liderar a transformação digital de uma entidade;
- de especificar, conceber e desenvolver sistemas que contemplem o conhecimento, e o apliquem de modo a gerar mais valia no seu contexto empresarial, sem esquecer o importante impacto da cultura organizacional em que se enquadram;
- de identificar, desenhar e implementar as soluções técnicas para as necessidades de gestão de conhecimento;
- de propor processos/models organizacionais que contribuam de maneira suave mas efetiva para a gestão de conhecimento.
- de desempenhar tarefas de gestão de equipas multidisciplinares e multiculturais;
Estes objetivos de aprendizagem são operacionalizados através dos objetivos específicos de cada unidade curricular, devidamente especificados na respetiva FUC, e com uma correspondência direta com pelo menos um dos objetivos de aprendizagem do curso. A medição do seu grau de cumprimento é realizada em cada unidade curricular, na respetiva FUC, da qual constam as metodologias de avaliação utilizadas em cada objetivo específico.
Dissertação / Trabalho de Projeto
Os alunos de mestrado realizam uma dissertação no 2.º ano curricular do seu plano de estudos (42 ECTS). Esta dissertação poderá ser integrada num contexto empresarial ou ter um cariz académico.
Em qualquer dos casos os alunos deverão conduzir um projecto que contemple não só a aplicação dos conceitos adquiridos durante a sua formação, mas também a integração de técnicas e de saberes, de modo a realizar um trabalho inovador no campo da ciência da computação.
As dissertações podem ser realizadas no seio do ISCTE-IUL ou em outras instituições, através da participação em projectos de investigação e desenvolvimento, tipicamente realizadas em parceria com empresas e centros de investigação. Neste domínio, destacam-se o Instituto de Telecomunicações (IT) e a ISTAR-IUL.
O âmbito de projectos onde é possível estagiar inclui áreas de investigação básica e/ou aplicada, tais como Sistemas de Informação, Multimédia e Gestão do Conhecimento, Realidade Virtual e Aumentada, Interacção Homem-Máquina, Codificação de Imagem e Audio, Redes Digitais, Computação Móvel, Sistemas Operativos, Sistemas de Código Aberto, Segurança Informática, Computação Grid, Comércio Electrónico, Modelação e Simulação Computacional (incluindo simulação de sistemas sócio-económicos complexos), Inteligência Artificial, Sistemas e Agentes Inteligentes, e Ciências e Tecnologias da Programação, entre outras.