CP1: Representação de imagens.
CP2: Operações de imagem.
CP3: Extração de características de imagens.
CP4: Introdução à aprendizagem automática (revisão).
CP5: Redes neuronais artificiais (revisão).
CP6: Arquitetura e funcionamento de redes neuronais convolucionais (CNNs).
CP7: Aprendizagem por transferência de conhecimento.
CP8: Arquiteturas de CNNs para deteção e identificação de objetos.
CP9: Arquiteturas de redes para geração automática de conteúdos multimédia.
CP10: Desenvolvimento de aplicações práticas de visão por computador e aprendizagem automática.

A avaliação será feita ao longo do semestre, sendo composta pelos seguintes elementos:
- Partipação nas sessões síncronas (10%, individual);
- Realização de atividades formativas assíncronas (10%, individual);
- Mini-projetos e discussão final (80%, realizados em grupo mas com avaliação individual)*.

*A componente "Mini-projetos" está sujeita a uma discussão oral. Caso os conhecimentos demonstrados pelo estudante na discussão fiquem notoriamente abaixo da qualidade dos trabalhos entregues, a discussão irá impor um limite à nota desta componente (o estudante poderá inclusivamente reprovar à UC caso o seu desempenho na discussão não seja minimamente satisfatório).

Obrigatória

"Feature Extraction and Image Processing for Computer Vision, 4th Edition, M. Nixon e Alberto Aguado, Academic Press, 2019 Deep Learning, I. Goodsfellow, Y. Bengio e A. Courville, MIT Press, 2016 Learning OpenCV 4 with Python 3, 3rd Edition, Joseph Howse, Joe Minichino, Packt Publishing, 2020 Tutoriais e documentação das bibliotecas OpenCV e Tensorflow

Opcional

CP1: Fundamentos da computação paralela e arquiteturas GPU. Conceitos de paralelização, concorrência, escalabilidade, organização de threads, blocos, grids e hierarquia de memória.
CP2: Programação paralela em GPU utilizando CuPy, Numba e CUDA. Desenvolvimento de kernels, gestão de memória, compilação e otimização de operações paralelas.
CP3: Análise e otimização de desempenho em GPU. Profiling, identificação de estrangulamentos computacionais, otimização do acesso à memória e configuração eficiente de kernels.
CP4: Frameworks para computação acelerada e distribuída. Utilização de RAPIDS, Dask e integração com PyTorch para treino de modelos de aprendizagem profunda.
CP5: Técnicas avançadas de aceleração para aprendizagem profunda. Mixed Precision, Gradient Accumulation, Activation Checkpointing e otimização do treino em GPU.
CP6: Casos de estudo e desenvolvimento de aplicações de computação de alto desempenho aplicadas à aprendizagem profunda e visão por computador.

Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de Avaliação ao Longo do Semestre (ALS, prevista em RGACC) por projeto, não contemplando exame final. A avaliação desta UC possui os seguintes elementos de avaliação:

- Projeto (100%):
O projeto consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre.

A avaliação do Projeto (100%) será faseada da seguinte forma:
-- 1ª Tutoria (20%): Nesta fase, o estudante apresenta o planeamento inicial do projeto, incluindo a definição do problema e os objetivos a atingir com o projeto.
-- 2ª Tutoria (30%): Nesta segunda fase, o foco centra-se no progresso técnico do projeto.
-- Tutoria Final (50%): Na última fase, o estudante apresenta a versão final do projeto, incluindo todo o código funcional, a análise detalhada de desempenho, a discussão sobre resultados obtidos, as dificuldades enfrentadas e as soluções adotadas. Contempla também uma discussão oral individual como item de ponderação.

O conjunto das três tutorias (1.ª, 2.ª e Final) totalizam 100% da avaliação, e cada tutoria possui uma nota mínima de 8,5 valores.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todas as tutorias.

Um estudante é considerado como reprovado caso não atinja aprovação na ALS.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas sessões síncronas não é obrigatória.

Obrigatória

1. Tuomanen, B. (2018). Hands-On GPU Programming with Python and CUDA: Explore high-performance parallel computing with CUDA. Packt Publishing.
2. 1. Kirk, D. B., & Hwu, W.-M. W. (2016). Programming Massively Parallel Processors: A Hands-on Approach
3. Storti, D., & Yurtoglu, M. (2016). CUDA for engineers: An introduction to high-performance parallel computing (1st ed.). Addison-Wesley Professional.
4. Wilt, N. (2013). The CUDA Handbook: A comprehensive guide to GPU programming (1st ed.). Pearson Education.

Opcional

5. Cook, S. (2013). CUDA Programming: A Developer’s Guide to Parallel Computing with GPUs. Morgan Kaufmann.
6. Sanders, J., & Kandrot, E. (2011). CUDA by Example: An Introduction to General-Purpose GPU Programming. Addison-Wesley.

CP1: Introdução à aprendizagem profunda: conceitos chave, histórico, distinção face à aprendizagem automática tradicional.
CP2: Camadas convolucionais, densas, recorrentes, normalização, dropout, funções de ativação e técnicas de regularização.
CP3: Seleção e aplicação de técnicas adequadas aos diferentes tipos de dados tais como imagens 2D/3D, sequências temporais univariadas e multivariadas.
CP4: Introdução prática às frameworks TensorFlow, Keras e PyTorch, desenvolvimento de modelos simples e análise dos resultados.
CP5: Arquiteturas pré-existentes (e.g., ResNet, VGG, U-Net) e o seu reuso, transferência de aprendizagem e fine-tuning de modelos pré-treinados.
CP6: Métricas de desempenho, interpretação de resultados, identificação de estrangulamentos, propostas de otimização e ajuste fino.
CP7: Exploração de casos de estudo reais, desde a definição do desafio, modelação de dados, implementação e treino do modelo, até à análise crítica e apresentação dos resultados.

Esta UC, pelo seu carácter prático, segue o modelo de Avaliação ao Longo do Semestre (ALS, previsto em RGACC) por projeto, sem exame final, e possui os seguintes elementos de avaliação:

-- Mini-Projeto (30%):
Neste mini-projeto, realizado em grupos, o estudante desenvolve uma aplicação simples de aprendizagem profunda, desde a preparação dos dados até à primeira versão funcional do modelo. São avaliadas a capacidade de implementação, a clareza do código e a correta utilização das ferramentas abordadas. Contempla também uma discussão oral individual como item de ponderação.

-- Projeto Final (70%):
O Projeto Final, realizado em grupos, é mais complexo e requer a integração de camadas, arquiteturas e técnicas avançadas. Valoriza-se a otimização do modelo, a análise crítica de resultados e a capacidade de propor melhorias. Este projeto permite consolidar todas as competências adquiridas. Contempla também uma discussão oral individual como item de ponderação.

Cada elemento de avaliação possuí uma nota mínima de 8,5 valores.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação.

Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas sessões síncronas não é obrigatória.

Obrigatória

1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
2. Godoy, D. V. (2022). Deep learning with PyTorch step-by-step: A beginner’s guide: Volume I: Fundamentals.
3. Chollet, F. (2021). Deep Learning with Python (2.ª ed.). Manning.

Opcional

4. Stevens, J., Antiga, L., & Viebranz, T. (2020). Deep Learning with PyTorch. Manning.
5. Patterson, J., & Gibson, A. (2017). Deep Learning: A Practitioner’s Approach. O’Reilly."

CP1. Conceitos fundamentais dos LLMs e da arquitetura Transformer, incluindo mecanismos de atenção e codificação posicional.
CP2. Aplicação prática de LLMs usando ferramentas como Hugging Face e PyTorch para a criação e otimização de modelos.
CP3. Métodos de treino e ajuste de modelos para personalização para diferentes contextos.
CP4. Implementação de soluções para tarefas como reconhecimento de entidades nomeadas, análise de sentimento, geração de texto, sumarização e tradução.
CP5. Métricas apropriadas para avaliar o desempenho dos modelos em tarefas de PCL.
CP6. Modelos de Geração Aumentada por Recuperação de Informação (RAG, Retrieval-Augmented Generation) para melhorar o desempenho dos LLMs.
CP7. Modelos de linguagem multimodais e exploração de tarefas como classificação de imagens, deteção de objetos e descrição de conteúdos.

Nesta UC apenas é possível obter aprovação por avaliação ao longo do semestre, não sendo contemplada a modalidade de avaliação por exame. A avaliação consiste em 2 componentes:

1. Trabalhos de grupo realizados ao longo do semestre:
- Apresentação de um artigo científico (5%).
- Ajuste de um LLM para um domínio específico (10%).
- Desenvolvimento de um estudo de caso com correta avaliação do modelo (40%).
- Criação de um modelo para aprimorar o LLM desenvolvido no trabalho 2 (25%).
2. Teste de avaliação (20%).

A média dos trabalhos de grupo e do teste de avaliação exige uma nota mínima de 9,5 valores.
Melhoria de nota só pode ser feita repetindo o processo de avaliação no ano seguinte.
A presença nas sessões síncronas não é obrigatória.

Obrigatória

"Dan Jurafsky and James H. Martin. Speech and Language Processing (2024 pre-release) (https://web.stanford.edu/~jurafsky/slpdraft/) Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning (https://www.deeplearningbook.org/) Delip Rao and Brian McMahan. Natural Language Processing with PyTorch Lewis Tunstall, Leandro von Werra, and Thomas Wolf. Natural Language Processing with Transformers (https://transformersbook.com/)

Opcional

CP1: Fundamentos de Robótica Inteligente, definição, conceitos básicos e aplicações; Principais componentes de um sistema robótico inteligente e tipos de robôs autónomos; Tecnologias emergentes em robótica e inteligência artificial.
CP2: Introdução ao ROS; Navegação em ambientes simulados; Implementação prática de algoritmos de navegação utilizando simulações.
CP3: Percepção e Interpretação Sensorial em Robótica; Tipos de sensores utilizados; Métodos de aquisição e processamento de dados sensoriais; Introdução ao SLAM.
CP4: Aprendizagem supervisionada, evolutiva, por reforço e aprendizagem profunda para robótica. Aplicações para reconhecimento de objetos, navegação e tomada de decisões autónomas.
CP5: Interação Homem-Robô e Colaboração: Fundamentos, interfaces de comunicação, feedback e controle.
Métodos de comunicação intuitiva; Robôs colaborativos (cobots).
CP6: Projeto e Teste de Sistemas Robóticos Integrados

A avaliação desta UC segue o modelo de avaliação ao longo do semestre, privilegiando-se o acompanhamento regular do progresso dos estudantes, bem como o desenvolvimento de um projeto final que consolida os conhecimentos e competências adquiridos.
Possuí a seguinte composição

- 4 Desafios Semanais (40%):
Ao longo do semestre, serão propostos desafios semanais baseados em mini-projetos, a submeter na plataforma de e-learning, que visam avaliar a compreensão e a aplicação dos tópicos abordados.
Cada desafio será corrigido com feedback formativo, permitindo ao estudante melhorar continuamente a sua compreensão dos conteúdos.
A média final de todos os desafios semanais terá de ser igual ou superior a 9,5 valores. Caso contrário, o estudante será considerado reprovado nesta componente.
Os desafios semanais poderão ser realizados individualmente ou em grupos.

- Projeto Final (60%):
O projeto final, realizado em grupos, consiste no desenvolvimento de um sistema robótico integrado.
Os estudantes deverão conceber e implementar uma solução coerente, preparar um relatório técnico que descreva a abordagem, as metodologias utilizadas, os resultados obtidos e as dificuldades encontradas, e realizar uma apresentação oral (online) do trabalho, justificando as opções adotadas e discutindo melhorias potenciais.
O projeto final tem uma nota mínima de 9,5 valores.

Em conformidade com o RGACC, o estudante pode optar pela avaliação por exame (na 1ª época, 2ª época ou época especial).
Nesta modalidade, o projeto final passa a valer 100% da nota, substituindo os desafios semanais.
O projeto deverá seguir as mesmas diretrizes, incluindo relatório técnico e apresentação oral, aplicando-se igualmente a nota mínima de 9,5 valores para aprovação.

Para aprovação na UC, o estudante deverá obter uma nota final mínima de 10 valores, considerando a ponderação dos desafios semanais (40%) e do projeto final (60%).
Caso não obtenha aprovação, será considerado reprovado.

A presença nas sessões síncronas não é obrigatória.

Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Obrigatória

"1. Thrun, S., Burgard, W.,, Fox, D. (2005). Probabilistic robotics. Cambridge, Mass.: MIT Press. ISBN: 0262201623 9780262201629 2. Chernova, S., & Thomaz, A. L. (2014). Robot learning from human teachers. Springer. 3. Craig, 1955. (1986). Introduction to robotics : mechanics & control / John J. Craig.. Reading, Mass.: Addison-Wesley Pub. Co.,. ISBN: 0201103265

Opcional

CP1: Fundamentos de MLOps e LLMOps. Ciclo de vida de modelos inteligentes, diferenças face a DevOps e enquadramento metodológico pelo CRISP-ML(Q).
CP2: Gestão de experimentação, configuração e reprodutibilidade. MLflow Tracking, DVC e Hydra para versionamento de dados, artefactos, parâmetros e resultados.
CP3: Orquestração e automatização de workflows de aprendizagem automática. Desenvolvimento de DAGs com Apache Airflow para ingestão, treino, avaliação e execução reativa de pipelines.
CP4: Gestão do ciclo de vida dos modelos. Packaging, Model Registry, versionamento, rastreabilidade, governança e observabilidade de artefactos e experiências.
CP5: Model Serving, deployment e monitorização. Desenvolvimento de APIs com FastAPI, contentorização com Docker, monitorização de desempenho e deteção de degradação com Evidently.
CP6: Introdução ao LLMOps. Gestão e avaliação de prompts, tracing, observabilidade e integração de modelos de linguagem em pipelines operacionais.

Esta UC, pela sua natureza eminentemente prática e aplicada, segue o modelo de Avaliação ao Longo do Semestre (ALS, prevista no RGACC) por projeto, não contemplando avaliação por exame, e possui os seguintes elementos de avaliação:

-- Mini-Projeto 1 (40%):
Consiste na implementação de uma pipeline reprodutível para desenvolvimento de modelos de aprendizagem automática, incluindo gestão de experiências, versionamento de dados e modelos, configuração do projeto e automatização parcial do ciclo de treino.

-- Mini-Projeto 2 (60%):
Consiste na evolução da solução anterior para um sistema completo de operacionalização de modelos inteligentes, integrando deployment, serving, monitorização, observabilidade e princípios de LLMOps (se aplicável).

Cada elemento de avaliação possui uma nota mínima de 8,5 valores.

Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante.

A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD).

Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação.

Um estudante é considerado reprovado nesta UC caso não obtenha aprovação na ALS.

A 1ª Época e a 2ª Época poderão ser utilizadas para a realização de momentos de avaliação.

A presença nas sessões síncronas não é obrigatória.

Obrigatória

"1. Washizaki, H., Prikladnicki, R., et al. (2022). MLOps Engineering at Scale. O’Reilly. 2. Zweig, K. (2023). Effective MLOps. Manning. 3. Villela, J. A., et al. (2022). Kubeflow Operations Guide. O’Reilly. 4. Lakshmanan, V., Robinson, C., & Munn, M. (2020). Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps. O’Reilly. "

Opcional

"1. Amershi, S., et al. (2019). Software Engineering for Machine Learning: A Case Study. IEEE/ACM Joint Conference on SE 2. Shevat, A. (2020). Designing ML-Powered Applications: ML Design Patterns for Developer Teams. O’Reilly."

CP1: Breve história da IA: enquadramento histórico, evolução de métodos, tendências e contextos socioeconómicos.
CP2: Como funciona a IA: fundamentos técnicos, abordagens de aprendizagem automática e sistemas inteligentes.
CP3: Viés, Ética, Equidade, Privacidade, Robustez e Confiança: análise crítica das implicações sociais, profissionais e legais.
CP4: Quadros legais e regulamentares: normas, leis nacionais e internacionais, órgãos reguladores e padrões de cumprimento.
CP5: IA no presente: estudos de caso em domínios diversos (saúde, transportes, educação, segurança, media).
CP6: Abordagens para tornar modelos e decisões mais transparentes - XAI, Explainable AI.
CP7: IA do futuro: tópicos emergentes, prospectiva, cenários de impacto social e técnico, participação pública e responsabilização.

A avaliação, seguindo o previsto em RGACC, recorre à tipologia de avaliação ao longo do semestre, e possui a seguinte composição:

(a) [30%] Trabalho de grupo em workshops:
- Desenvolvimento de um caso de estudo prático, apresentado e discutido em ambiente online (fóruns ou sessões síncronas).
(b) [20%] Avaliar individualmente o resultado do trabalho submetido em (d)
(c) [30%] Duas atividades c/ avaliação online individuais (quizzes)
(d) [20%] Documento de síntese do estudo de caso (realizado em grupo)

Exige nota mínima de 8 valores nas quatro componentes.

Para aprovação, o estudante deve obter nota final ≥ 10 valores. Caso contrário, o estudante é reprovado.

A não aprovação ao longo do semestre permite a opção por avaliação por exame final. O exame incidirá sobre todos os conteúdos abordados (teóricos e práticos), sendo constituído por uma prova escrita e, se necessário, uma prova oral complementar para esclarecimento de dúvidas. O exame final possui uma ponderação de 100%.

A admissão ao exame é possível para quem não atingiu aprovação na tipologia de avaliação ao longo do semestre ou optou por este regime de avaliação, nos termos do RGACC.

A melhoria de nota poderá ser obtida repetindo o exame final na época seguinte, conforme regulamento.

A presença nas sessões síncronas não é obrigatória, mas recomendada, pela oportunidade de interação direta e feedback imediato.

Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Obrigatória

"1. T. Miller. Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267, 1–38, 2019. 2. C. Molnar. Interpretable machine learning. A Guide for Making Black Box Models Explainable, 2019. https://christophm.github.io/interpretable-ml-book/. 3. A. Holzinger, P. Kieseberg, E. Weippl & A Min Tjoa. Current Advances, Trends and Challenges of Machine Learning and Knowledge Extraction: From Machine Learning to Explainable AI. Springer Lecture Notes in Computer Science LNCS 11015. Cham: Springer, pp. 1-8, 2018. 4. S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach. Pearson, Upper Saddle River, NJ, 2009."

Opcional

"1. ALLEA The European Code of Conduct for Research Integrity, European Union, URL: https://allea.org/code-of-conduct/ 2. Artificial intelligence Act, URL: https://www.europarl.europa.eu/RegData/etudes/BRIE/2021/698792/EPRS_BRI(2021)698792_EN.pdf"

CP1: Métodos numéricos clássicos, derivadas e gradientes, otimização livre e condicionada, introdução à análise de convergência.
CP2: Metaheurísticas de Arrefecimento Simulado, Pesquisa Tabu, Algoritmos Evolucionários; aplicações a problemas complexos (seleção de modelos, ajuste de hiperparâmetros, procura de ótimos globais).
CP3: Descida do gradiente (SGD, Momentum, Adagrad, Adam); implementação em redes neuronais profundas; análise de gráficos de convergência e estabilidade dos processos de treino e validação.
CP4: Funções perda / custo em Deep Learning: impacto na convergência, capacidade de generalização e robustez do modelo.
CP5: Comparação de métodos, critérios de paragem, escalabilidade, análise de resultados, propostas de melhoria e discussão de casos práticos.

Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de de Avaliação ao Longo do Semestre (prevista em RGACC), pelo que esta UC não contempla exame final.
A avaliação desta UC tem a seguinte composição:

- 2 Quizzes (10% cada, total 20%):
Quizzes online individuais, curtos, distribuídos ao longo do semestre, para aferir a compreensão teórica dos conceitos de otimização, metaheurísticas, métodos de descida do gradiente e funções custo. Não existe nota mínima nos quizzes, mas a realização contribui para consolidar conhecimentos e fornecer feedback imediato ao estudante.

- Projeto Final (80%):
O projeto final, realizado em grupos, é desenvolvido em duas fases (tutorias), refletindo a abordagem PBL (Project-Based Learning):

-- 1ª Tutoria (20%):
Entrega de um plano de trabalho, identificando o problema de otimização em IA, as técnicas a utilizar, bem como os critérios de avaliação e métricas de convergência.

-- 2ª Tutoria (60%):
Entrega e defesa online do projeto completo, incluindo código, resultados experimentais, análise crítica do desempenho, comparação de métodos e propostas de melhoria.
É exigida nota mínima de 9,5 valores no conjunto do projeto final.

A nota final resulta da soma ponderada dos quizzes (20%) e do projeto final (80%).

Para aprovação, é necessário obter pelo menos 10 valores.

Caso o estudante não obtenha aprovação, poderá repetir a UC no ano letivo seguinte, conforme o regulamento.

A melhoria de nota poderá ser obtida no ano letivo seguinte, repetindo as componentes de avaliação, em conformidade com o regulamento em vigor.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nos momentos síncronos não é obrigatória, mas recomendada, dada a oportunidade de interação e feedback imediato.

Para além do RGACC, o estudante deve consultar o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Obrigatória

"1. Sra, Suvrit, Sebastian Nowozin, and Stephen J. Wright, eds., Optimization for machine learning, Mit Press, 2012. 2. Dréo, Johann, et al., Metaheuristics for hard optimization: methods and case studies, Springer Science \& Business Media, 2006. 3. 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 4. Dive into DeepLearning, Chapter 11, Optimization algorithms, https://d2l.ai/chapter_optimization/"

Opcional

"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/"

CP1: Conceitos e fundamentos de GANs, arquiteturas base (DCGAN, WGAN), processo de treino (gerador vs. discriminador), desafios e aplicações práticas (geração de imagens, dados sintéticos).
CP2: Revisão de conceitos de aprendizagem por reforço, algoritmos fundamentais (DQN, PPO, AlphaZero), ambientes simulados, exploração vs. exploitação.
CP3: Análise de séries temporais com redes neuronais: LSTMs, GRUs e transformadores para dados sequenciais, particularidades de modelação temporal (sazonalidade, tendência), avaliação de previsões e estratégias de melhoria.
CP4: Princípios de algoritmos evolutivos profundos, operadores genéticos, estratégias de adaptação, casos de uso em otimização de hiperparâmetros.
CP5: Interpretação de modelos avançados, técnicas de explicabilidade e equidade para promover a transparência e a robustez em modelos profundos.
CP6: Desenvolvimento de projetos práticos em áreas como saúde, banca, finanças ou IoT, integrando múltiplas técnicas avançadas.

A avaliação segue o modelo de Avaliação ao Longo do Semestre (previsto no RGACC) a 100% por projeto/trabalhos práticos, sem exame final, promovendo o envolvimento contínuo do estudante. As componentes de avaliação são:

- Três Mini-trabalhos (20% cada)
Ao longo do semestre, cada mini-trabalho incide sobre um tópico específico:
-- Criação de uma GAN simples, com foco na definição da arquitetura e no treino do gerador e do -discriminador.
-- Modelo de Aprendizagem por Reforço Profundo, incluindo a escolha do algoritmo (DQN, PPO, etc.) e a validação do treino num ambiente simulado.
-- Modelação de Séries Temporais, utilizando LSTMs, GRUs ou transformadores, avaliando a sua capacidade de previsão em dados sequenciais.
Em cada mini-trabalho, avaliam-se a implementação prática, a capacidade de análise dos resultados, a clareza do código e a correta utilização das bibliotecas.
Os mini-trabalhos poderão ser realizados individualmente ou em grupos.
Não há nota mínima em cada mini-trabalho, mas o conjunto representa 60% da nota final.

- Projeto Final (40%)
Num trabalho de maior envergadura, os estudantes podem integrar um ou mais tópicos dos mini-trabalhos (GANs, Aprendizagem por Reforço, Séries Temporais, Algoritmia Genética/Evolucionária Profunda), ou explorar um cenário diferente que exija a combinação de técnicas avançadas. Valorizam-se a otimização do modelo, a análise crítica de resultados, a formulação de melhorias e a capacidade de justificar as escolhas técnicas realizadas. Neste projeto, é exigida a entrega de um relatório técnico e uma apresentação (online) para defesa dos métodos e conclusões, permitindo aferir as competências de comunicação e domínio do tema.
O projeto final deverá ser realizado em grupos.

A nota final resulta da soma ponderada dos três mini-trabalhos (20% cada) e do projeto final (40%).

Para aprovação, é necessário obter pelo menos 10 valores na classificação final.

Caso o estudante não atinja esta classificação, é considerado Reprovado.

A melhoria de nota pode ser obtida no ano letivo seguinte, repetindo as componentes de avaliação em conformidade com o regulamento vigente.

As avaliações podem ocorrer na 1.ª Época e na 2.ª Época, não havendo exame final complementar.

A presença nas sessões síncronas não é obrigatória, mas fortemente recomendada pela riqueza das discussões e pelo feedback imediato sobre os progressos individuais e coletivos.

Recomenda-se ainda a leitura do Regulamento de Estudantes com Estatuto Especial (REEE) e do Código de Conduta Académica (CCA).

Obrigatória

Opcional

CP1: Exploração de ideias e delimitação do problema de dissertação: análise de tópicos de investigação em AAA, revisão de literatura e identificação de lacunas.
CP2: Definição do enquadramento teórico e metodológico: seleção de ferramentas, desenho experimental, recolha e preparação de dados, definição de métricas de avaliação.
CP3: Desenvolvimento do projeto de investigação: implementação de modelos ou algoritmos de AA, testes empíricos, comparação de abordagens, interpretação de resultados e relevância prática.
CP4: Organização e redação da dissertação: estrutura, normalização de referências, redação de secções (introdução, revisão de literatura, metodologia, resultados, conclusões).
CP5: Apresentação e discussão de resultados parciais: sessões tutorais e seminários online, com feedback do orientador e dos pares.
CP6: Preparação para defesa pública: afinação dos resultados, escrita final, treino de apresentação e argumentação em videoconferência ou presencialmente.

A avaliação da UC “Dissertação em Aprendizagem Automática Aplicada” baseia-se na realização de um trabalho de investigação original, num relatório escrito (dissertação) e na sua defesa pública perante um júri, de acordo com o Regulamento em vigor no Iscte.
A dissertação deve evidenciar rigor científico e metodológico, relevância e aplicabilidade no domínio da AAA, bem como uma estrutura clara e coerente, contemplando introdução, revisão de literatura, metodologia, testes, resultados e conclusões.

Elementos de avaliação:
- Documento escrito (Dissertação): É avaliada a qualidade científica e técnica do trabalho, a capacidade de formular um problema de investigação, a pertinência das hipóteses/questões de pesquisa, a recolha e análise de dados empíricos, a aplicação de modelos de Aprendizagem Automática, a discussão dos resultados e as conclusões alcançadas. Também se valoriza a clareza e a consistência do texto, o respeito pelas normas éticas e deontológicas, a relevância prática e/ou teórica e a adequação das referências bibliográficas.
- Defesa pública: O estudante apresenta e discute os resultados da sua dissertação perante um júri, evidenciando conhecimentos, capacidade de síntese e de resposta crítica a questões técnicas ou conceptuais. A forma como o estudante organiza a apresentação, a qualidade dos suportes utilizados (slides, demonstrações) e a solidez dos argumentos durante o debate são igualmente ponderadas.

A classificação obtida na dissertação e defesa segue a escala em vigor no Iscte, podendo abranger da menção qualitativa de “Reprovado” a “Aprovado com distinção” (ou equivalente), e obedecendo às regras de notação em 20 valores para o grau de Mestre.

Não se prevê exame escrito adicional, visto tratar-se de uma UC de natureza investigativa.

Caso a dissertação não seja aprovada, o estudante será considerado Reprovado e poderá reformular o trabalho, de acordo com o disposto no regulamento aplicável.

A apresentação e defesa podem ocorrer na 1.ª ou na 2.ª Época, em conformidade com o calendário académico.

Os estudantes com estatuto especial devem consultar as disposições específicas relativas à prorrogação de prazos e condições de defesa no Regulamento de Estudantes com Estatuto Especial (REEE) do Iscte.

Para além do RGACC, o estudante deve consultar também o Código de Conduta Académica (CCA).

Obrigatória

1. Grigoroudis, E. (2023). Handbook of research on artificial intelligence, innovation and entrepreneurship (E. G. Carayannis & E. Grigoroudis, Eds.). Edward Elgar Publishing. 2. Naseem, S. B. (2021). The book towards research in AI & ML: A curated compilation of research chapters from the recent trends in artificial intelligence and machine learning. 3. Hassanien, A. E., Darwish, A., & Chowdhary, C. L. (Eds.). (2019). Handbook of research on deep learning innovations and trends. IGI Global.

Opcional

CP1: Introdução à investigação científica e à metodologia de investigação em IA e AA.
CP2: Identificação e escolha de temas e tópicos de investigação em aprendizagem automática e profunda, considerando cenários interdisciplinares.
CP3: Desenho de projetos de investigação: definição de objetivos, estado da arte, fundamentação teórica, formulação de hipóteses, seleção metodológica (qualitativa, quantitativa ou mista), recolha e análise de dados, estrutura e formato do plano de trabalho.
CP4: Exercícios práticos de elaboração de propostas de investigação: apresentação oral dos temas escolhidos, discussão crítica em aula ou em fóruns, revisão por pares e feedback.
CP5: Ética e deontologia em investigação em AA: questões de privacidade, transparência, explicabilidade e enviesamento algorítmico.
CP6: Escrita de textos científicos: normas de redação, referenciação bibliográfica, normalização de citações, preparação de relatórios de investigação para dissertações/projetos de mestrado.

A avaliação segue o modelo de Avaliação ao Longo do Semestre (ALS), previsto em RGACC, e baseia-se no acompanhamento contínuo do progresso dos estudantes ao longo do semestre, refletindo a coerência entre o processo de aprendizagem e os resultados obtidos.
Não há exame final, privilegiando-se a realização de mini-entregáveis práticos e discussões orais:

Os elementos de avaliação são os seguintes:
- 2 Quizzes e/ou 2 Atividades Formativas (20%)
São propostas tarefas rápidas (p. ex. questionários online, micro-relatórios) para aferir a compreensão dos conceitos de investigação em AA e o progresso individual.
Estes quizzes servem de diagnóstico e fornecem feedback imediato sobre possíveis lacunas e dificuldades.

- Mini-projeto de investigação (50%): O elemento central da avaliação é a elaboração de um plano de investigação (4-6 páginas), que inclui:
-- Definição do tema/tópico de investigação e respetivos objetivos;
-- Estado da arte resumido, fundamentando a relevância e o enquadramento do trabalho;
-- Metodologia(s) proposta(s), incluindo recolha e análise de dados, validação de resultados e gestão de recursos;
-- Considerações éticas e deontológicas;
-- Calendarização e estrutura do relatório/dissertação.
A qualidade do documento, o rigor metodológico, a pertinência bibliográfica, a coerência lógica e a clareza dos argumentos são avaliados.
É exigida nota mínima de 10 valores para aprovação nesta componente.

- Discussão oral do mini-projeto (30%)
Cada estudante apresenta oralmente (via videoconferência) o seu mini-projeto de investigação, seguindo-se um período de perguntas e respostas.

Avaliam-se a capacidade de comunicação, a clareza e estrutura do discurso, a aptidão para responder a questões técnicas ou conceptuais e a articulação com as sugestões dos colegas e do docente.

Os elementos de avaliação ""Mini-projeto de investigação"" e ""Discussão oral do mini-projeto"" são de realização obrigatória para a obtenção de aprovação à UC.

Um estudante é considerado como Reprovado caso não atinja aprovação com a Avaliação ao Longo do Semestre (quizzes + mini-projeto + discussão) desta UC.

A melhoria de nota poderá ser obtida no ano letivo seguinte, repetindo as componentes de avaliação, em conformidade com o regulamento em vigor.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação.

A presença nas sessões síncronas não é obrigatória.

Para além do RGACC, recomenda-se a leitura de outros documentos de referência para o processo de avaliação, tais como o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Obrigatória

1. Grigoroudis, E. (2023). Handbook of research on artificial intelligence, innovation and entrepreneurship (E. G. Carayannis & E. Grigoroudis, Eds.). Edward Elgar Publishing. 2. Naseem, S. B. (2021). The book towards research in AI & ML: A curated compilation of research chapters from the recent trends in artificial intelligence and machine learning. 3. Hassanien, A. E., Darwish, A., & Chowdhary, C. L. (Eds.). (2019). Handbook of research on deep learning innovations and trends. IGI Global.

Opcional

Dada a diversidade de contextos profissionais e desafios empresariais onde os projetos podem ser desenvolvidos, o programa apresenta tópicos orientadores que são refinados à medida que o estudante constrói e implementa o seu projeto:
CP1: Observação e análise de problemas e oportunidades de aplicação da AA em ambientes empresariais ou institucionais.
CP2: Planeamento e desenvolvimento de projetos de investigação e/ou desenvolvimento-intervenção, definindo objetivos claros e etapas de trabalho.
CP3: Metodologias e estratégias de análise de requisitos, desenho e implementação de soluções de AAA ajustadas a contextos reais.
CP4: Operacionalização de metodologias de investigação e desenvolvimento, realização de testes empíricos, análise de resultados e avaliação de impacto no contexto profissional escolhido.
CP5: Escrita de relatórios e textos científicos/técnicos, redação de documentação profissional, boas práticas na gestão de código, dados e resultados.

A avaliação da UC em “Trabalho de Projeto em Aprendizagem Automática Aplicada” baseia-se na realização de um trabalho de investigação original, num relatório escrito (Relatório de Trabalho de Projeto - RTP) e na sua defesa pública perante um júri, de acordo com o Regulamento em vigor no Iscte.
O RTP deve evidenciar rigor científico e metodológico, relevância e aplicabilidade no domínio da AAA, bem como uma estrutura clara e coerente, contemplando introdução, revisão de literatura, metodologia, testes, resultados e conclusões.

Elementos de avaliação:
- Documento escrito (RTP): É avaliada a qualidade científica e técnica do trabalho, a capacidade de formular um problema de investigação, a pertinência das hipóteses/questões de pesquisa, a recolha e análise de dados empíricos, a aplicação de modelos de Aprendizagem Automática, a discussão dos resultados e as conclusões alcançadas. Também se valoriza a clareza e a consistência do texto, o respeito pelas normas éticas e deontológicas, a relevância prática e/ou teórica e a adequação das referências bibliográficas.
- Defesa pública: O estudante apresenta e discute os resultados da sua RTP perante um júri, evidenciando conhecimentos, capacidade de síntese e de resposta crítica a questões técnicas ou conceptuais. A forma como o estudante organiza a apresentação, a qualidade dos suportes utilizados (slides, demonstrações) e a solidez dos argumentos durante o debate são igualmente ponderadas.

Todos os elementos de avaliação deverão ser realizados individualmente.

A classificação obtida na RTP e defesa segue a escala em vigor no Iscte, podendo abranger da menção qualitativa de “Reprovado” a “Aprovado com distinção” (ou equivalente), e obedecendo às regras de notação em 20 valores para o grau de Mestre.

Não se prevê exame escrito adicional, visto tratar-se de uma UC de natureza investigativa.

Caso a RTP não seja aprovada, o estudante será considerado Reprovado e poderá reformular o trabalho, de acordo com o disposto no regulamento aplicável.

A apresentação e defesa podem ocorrer na 1.ª ou na 2.ª Época, em conformidade com o calendário académico.

Os estudantes com estatuto especial devem consultar as disposições específicas relativas à prorrogação de prazos e condições de defesa no Regulamento de Estudantes com Estatuto Especial (REEE) do Iscte.

Para além do RGACC, o estudante deve consultar também o Código de Conduta Académica (CCA).

Obrigatória

1. Grigoroudis, E. (2023). Handbook of research on artificial intelligence, innovation and entrepreneurship (E. G. Carayannis & E. Grigoroudis, Eds.). Edward Elgar Publishing. 2. Naseem, S. B. (2021). The book towards research in AI & ML: A curated compilation of research chapters from the recent trends in artificial intelligence and machine learning. 3. Hassanien, A. E., Darwish, A., & Chowdhary, C. L. (Eds.). (2019). Handbook of research on deep learning innovations and trends. IGI Global.

Opcional