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

Obrigatória

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.

Opcional

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.

Obrigatória

Prieto, G. (2014). Falar em Público - Arte e Técnica da Oratória. Escolar Editora.

Opcional

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.

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 Primitivas. 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 (de 0 a 20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre:
* 4 minifichas realizadas em aula, com um peso de 5% cada (20% no total)
* teste a meio do semestre (15%)
* trabalho autónomo (5%)
* teste final (60%) na data do exame de 1.ª época, com 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.

Obrigatória

[1] Stewart, J. (2022). Cálculo, Vol I, Cengage Learning, (9ª Ed.)
[2] Campos Ferreira, J. (2024). Introdução à Análise Matemática, Fundação Calouste Gulbenkian (12ª Ed.)
[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

Opcional

CP1. Conceitos básicos de estatística descritiva, estatística inferencial, probabilidades e distribuição normal
CP2. Estimação
CP2.1. Intervalos de confiança para a média e para a proporção
CP2.2. Determinação da dimensão da amostra
CP3. Testes de Hipóteses: testes paramétricos e testes não paramétricos
CP3.1. Teste t para uma amostra
CP3.2. Teste t /Mann-Whitney para duas amostras independentes
CP3.3 Anova a um factor/Kruskal-Wallis
CP3.4. Teste de independência do qui-quadrado
CP4: Correlação e Reta de Regressão

Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 miniteste realizado em aula (20%) + Prova escrita final realizada na data da 1ª época (60%) + projeto realizado em grupo (20%),
Todos os elementos de avaliação são obrigatórios e têm nota mínima de 8 valores.
ou
- Avaliação por Exame (100%).

Notas:
1) Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.
2) Para esta Unidade Curricular, os estudantes devem consultar o Código de Conduta Académica do Iscte, disponível nas plataformas institucionais, para garantir o cumprimento das normas éticas e comportamentais estabelecidas.

Obrigatória

Afonso, A. & Nunes, C. (2019). Probabilidades e Estatística. Aplicações e Soluções em SPSS. Versão revista e aumentada. Universidade de Évora.
Laureano, Raul (2020) - Testes de Hipóteses e Regressão, Lisboa, Edições Sílabo.
Marôco, J. (2018) - Análise Estatística com o SPSS Statistics (7ªed.), Pêro Pinheiro, ReportNumber.
Mehmet, M. and Jakobsen, Tor G. (2022). Applied Statistics Using Stata: A Guide for the Social Sciences (2nd ed.). SAGE Publications.

Opcional

Haslwanter, T. (2016). An Introduction to Statistics with Python: With Applications in the Life Sciences. Springer. ISBN: 978-3-319-28316-6.

CP1: Introdução à análise de dados – tipos, fontes e ciclo de vida dos dados.
CP2: Organização e limpeza de dados em Excel – formatos, filtros, validação. Funções básicas e avançadas no Excel – estatísticas, lógicas, procura e referência.
CP3: Noções de Estatística Descritiva: Tipos de variáveis. Tabelas de frequências e representações gráficas. Medidas de tendência central, de dispersão, de assimetria e de curtose. Análise exploratória dos dados.
CP4: Noções de modelação preditiva de dados: Regressão linear simples e multipla, regressão logistica.
CP5: Visualização de dados – gráficos, formatação condicional, dashboards simples.

A avaliação ao longo do semestre inclui:

- Projeto prático de análise de dados realizado em grupo (máximo de 3 alunos), incluindo um relatório (15%) com uma entrega intercalar obrigatória (15%) e uma defesa oral com nota individual (20%). Nota mínima de 8 valores.
- Teste individual (30%) para aferição de conhecimentos teóricos.
- Exercícios em aula e trabalhos semanais (20%).

O uso de ferramentas de IA (ex: ChatGPT) é permitido para apoio técnico e deve ser claramente referenciado com os prompts utilizados.

O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria.

Realiza exame final na época 1 quem não optar por avaliação ao longo do semestre.

Realiza exame final na época 2 quem não tenha concluído com sucesso a avaliação ao longo do semestre, ou o exame da época 1, com uma nota superior ou igual a 9,5 (em 20).

Obrigatória

Wayne L. Winston, Microsoft Excel Data Analysis and Business Modeling (Office 2021 and Microsoft 365), 7th Edition (2021)

Elizabeth Reis, Estatística Descritiva, 7ª Edição, Edições Silabo (2008)

Cole Nussbaumer Knaflic, 'Storytelling with data: a data visualization guide for business professionals', John Wiley & Sons, Inc., 2015.

Opcional

Será disponibilizada consoante os interesses dos estudantes e atualizações tecnológicas relevantes.

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.

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 pelos seguintes componentes (A1+A2):
A1: Tarefas de Aprendizagem com validação dos docentes (30%)
Serão realizadas 5 tarefas de aprendizagem ao longo do semestre.
A classificação de A1 corresponde à média das notas das 5 tarefas. Para aprovação no A1, o estudante deve cumprir um dos seguintes requisitos:
- obter pelo menos 7 valores em cada uma das 5 tarefas
ou
- obter uma média mínima de 8 valores nas 5 tarefas.

A2: Projeto Obrigatório em Grupo (3) com discussão teórico-prática (70%)
Nota mínima de 9,5 valores.
Atrasos nas entregas implicam penalizações.

Recuperação:
O estudante que não atingir a nota mínima global poderá realizar um Projeto Prático individual (100%) com discussão oral.
Caso o aluno não realize algum teste, por falta, ou não tenha atingido a nota mínima de 7 valores, poderá realizar um teste de substituição ao fim do semestre.

Assiduidade:
É obrigatória uma assiduidade mínima de 2/3 das aulas.

Obrigatória

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,

Opcional

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

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: Lógica Difusa (fuzzy logic).

A avaliação ao longo do semestre (ALS) 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: 2 mini-testes práticos [20% cada mini-teste prático * 2 = 40%]
- BA2: 2 mini-testes teóricos [15% cada mini-teste teórico * 2 = 30%]
- BA3: 1 projeto final [30%]

Avaliação por exame:
- 1ª Época [100%]
- 2ª Época [100%]

Os mini-testes práticos, realizados individualmente em sala de aula, focam-se na resolução de problemas, envolvendo a implementação, análise e validação de algoritmos.

Os mini-testes teóricos, realizados também individualmente em sala de aula, visam aferir o conhecimento teórico subjacente aos conteúdos programáticos.

O projeto consiste num entregável desenvolvido em grupo, contemplando discussões orais individuais, que permite avaliar a consolidação dos conteúdos e a capacidade de resolução de problemas.

Em qualquer BA, poderá ser necessária uma discussão oral individual para confirmação de autoria e/ou aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre.

Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

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.

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.

Obrigatória

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.

Opcional

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.

Obrigatória

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

Opcional

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

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:
* 7 trabalhos/minifichas realizados em aulas. Contam as 5 melhores, com um peso de 5% cada (total de 25%).
* trabalho autónomo, com um peso de 5%.
* projeto em matemática aplicada, com um peso de 10%.
* 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 provas orais.
Notas superiores a 17 valores têm de ser defendidas em oral.

Obrigatória

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

Opcional

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.

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.

Obrigatória

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, ·, ·

Opcional

CP1 - Introdução à IA e à IA Generativa:
* Exposição teórica sobre o contexto histórico, evolução e conceitos importantes sobre a Inteligência Artificial (IA) e a IA Generativa
CP2 - Prompt Engineering:
* Explicação das boas práticas para a interação com modelos de linguagem generativos
CP3 - Ferramentas de IA Generativa:
* Exploração de múltiplas ferramentas de IA Generativa, baseadas em texto, imagens e vídeos
CP4 - Formação de conteúdo argumentativo:
* Desenvolvimento de soluções criativas recorrendo a práticas de argumentação e ferramentas de IA Generativa
CP5 - Normas para escrita científica:
* Aplicação de normas de citação e referenciação (normas APA) na elaboração de escrita académica

A Avaliação ao Longo do Semestre contempla as seguintes atividades:
1. Atividades individuais (50%)
1.1 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.
1.2 Defesa Oral - apresentação do grupo - 5 min. debate - 5 min. (30%):
* 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], que incluem:
* Apresentações em grupo, revisões, edições e validações dos conteúdos produzidos por IA. A avaliação (a submeter no moodle) inclui recolha de informações relevantes, a clareza e o caráter inovador da utilização de prompts estruturadas.
* Desenvolvimento de estratégias para fazer as revisões, edições e validações dos conteúdos produzidos por IA, onde os estudantes terão de promover avaliações críticas, pela reflexão sobre os desafios éticos da integração da IAG em ambiente académico. A avaliação (a submeter no moodle) consistirá na correção dos trabalhos com base na precisão e conformidade com a qualidade das revisões, edições e a participação dos estudantes nos feedbacks fornecidos aos colegas.
* Simulações de Apresentações dos Projetos Finais, onde 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.). A avaliação (a submeter no moodle) irá considerar a 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.
O grupo terá de garantir a existência de pelo menos um computador por cada grupo para permitir a realização das atividades em sala de aula.
Não haverá avaliação por exame final, sendo a aprovação determinada pela média ponderada das avaliações ao longo do semestre. A avaliação em 2ª época e época especial terá uma modalidade de avaliação alternativa, pelo que quaisquer estudantes que pretendam realizar a avaliação nestas épocas deverão previamente entrar em contacto com o/a docente para ficarem a par do procedimento de avaliação.

Obrigatória

Ribeiro, A. & Rosa, A. (2024). Descobrindo o potencial do CHATGPT em sala de aula: guia para professores e alunos. Atlantic Books.
Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in education and teaching international, 61(2), 228-239.
d’Alte, P., & d’Alte, L. (2023). Para uma avaliação do ChatGPT como ferramenta auxiliar de escrita de textos acadêmicos. Revista Bibliomar, São Luís, 22(1), 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.

Opcional

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. DOI: 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.

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.

Obrigatória

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.

Opcional

✔ 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.

CP1. Estratégias com algoritmos genéticos: teoria da evolução e terminologia biológica.
CP2. Funções de avaliação e operadores genéticos (seleção, crossover, mutação). Critérios de paragem.
CP3. Heurísticas e representação de problemas; espaços de procura.
CP4. Tarefas de otimização, satisfação e semi-otimização.
CP5. Estratégias de pesquisa heurística básica: procura não informada e informada.
CP6. Estratégias de pesquisa heurística avançada: heurísticas limitadas pela memória e tempo.

Dada a natureza prática e de aplicação desta UC, segue-se o modelo de avaliação ao longo do semestre (ALS), não contemplando exame final. A avaliação é constituída por 2 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição:

- BA1: 1º projeto + 1º mini-teste [20% para o 1º projeto + 15% para o 1º mini-teste = 35%]
- BA2: 2º projeto + 2º mini-teste [50% para o 2º projeto + 15% para o 2º mini-teste = 65%]

Cada bloco de avaliação (BA1 e BA2) exige uma nota mínima de 8,5 valores. Em qualquer BA, poderá ser necessária uma discussão oral individual para aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre.

Os projetos consistem em entregáveis desenvolvidos em grupo e discussões orais individuais, permitindo avaliar a consolidação dos conteúdos e a capacidade de resolução de problemas. Os mini-testes visam aferir o conhecimento teórico subjacente aos conteúdos programáticos.

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 caso não obtenha aprovação na ALS.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação, como realização de discussões orais e/ou apresentação de projetos.

A presença nas aulas não é obrigatória.

Obrigatória

1. Artificial Intelligence: A Modern Approach, 4th edition: Stuart Russel and Peter Norvig 2022 Pearson / Prentice Hall.
2. E. Wirsansky, Hands-on genetic algorithms with python. Birmingham, England: Packt Publishing, 2020.
3. An Introduction to Genetic Algorithms, Mitchell M. 1999 MIT Press

Opcional

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.

Dada a natureza prática e de aplicação desta UC, segue-se o modelo de avaliação ao longo do semestre (ALS), não contemplando 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: 8 tarefas semanais [2,5% * 8 = 20% no total]
- BA2: 2 mini-testes [15% cada * 2 = 30% no total]
- BA3: Projeto de laboratório [50%]

Cada bloco de avaliação (BA1, BA2 e BA3) exige uma nota mínima de 8,5 valores. Em qualquer BA, poderá ser necessária uma discussão oral individual para aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre

As tarefas semanais permitem aos alunos responderem a pequenos desafios semanais práticos relacionados com o conhecimento adquirido. Os mini-testes visam aferir o conhecimento teórico subjacente aos conteúdos programáticos. 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.

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 caso não obtenha aprovação na ALS.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação, como realização de discussões orais e/ou apresentação de projetos.

A presença nas aulas 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. 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.

Opcional

CP1. Metodologias de desenvolvimento e planeamento de projetos em Inteligência Artificial.
CP2. Apresentação de casos de estudo e de temas de projeto em tecnologias digitais de IA (produto, serviço ou processo).
CP3. Seleção do tema de projeto e respetivo enquadramento na organização parceira.
CP4. Espaço do problema: criação de empatia com utilizadores e organização; definição do problema e das questões associadas, tendo em conta requisitos de negócio, necessidades dos clientes/utilizadores e desafios tecnológicos.
CP5. Aplicação de uma metodologia de revisão sistemática da literatura e análise crítica dos resultados.
CP6. Identificação dos recursos digitais (incluindo recolha de dados), computacionais e outros necessários ao desenvolvimento do projeto.
CP7. Implementação preliminar das soluções nos casos de estudo/projetos propostos; elaboração de relatórios e documentação final; comunicação de 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.

O processo assenta num relatório evolutivo único dividido em dois entregáveis:
- Relatório Preliminar Intermédio [40%]
- Relatório Preliminar Final [60%]

O Relatório Preliminar Intermédio integra a proposta de projeto, o enquadramento na entidade parceira, a criação de empatia com utilizadores, a definição detalhada do problema, dos requisitos e dos objetivos, bem como a revisão sistemática da literatura e o planeamento de atividades e recursos. Inclui apresentação e discussão oral individual.

O Relatório Preliminar Final contém a descrição da implementação preliminar, os resultados iniciais/validação, a análise crítica e o plano de trabalho subsequente. É acompanhado de demonstração funcional e discussão oral pública individual.

Reuniões periódicas, presenciais e/ou online, com o mentor da entidade parceira e com o docente coordenador da UC (ou seu nomeado) são obrigatórias sempre que solicitadas. Estas sessões permitem validar o progresso, fornecer feedback contínuo e, se necessário, ajustar o âmbito e o planeamento, constituindo condição para a atribuição de classificação às entregas.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

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.

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

A presença nas aulas não é obrigatória.

Obrigatória

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.

Opcional

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/

CP1: Revisão e aprofundamento das metodologias de planeamento e gestão de projetos em IA, com ênfase em cocriação e gestão ágil.
CP2: Apresentação de casos de estudo e temas de projeto em tecnologias digitais de IA, com foco na continuidade dos projetos de PAIA-I.
CP3: Seleção e refinamento do tema de projeto, considerando o enquadramento organizacional e os desafios identificados anteriormente.
CP4: Análise do espaço do problema: criação de empatia com o utilizador e a organização, definição e aprofundamento do problema, tendo em conta os requisitos de negócio e desafios tecnológicos.
CP5: Continuação da revisão da literatura e análise crítica do panorama competitivo, para fundamentar a solução proposta.
CP6: Identificação e integração dos recursos digitais, computacionais e outros necessários para o desenvolvimento do projeto.
CP7: Desenvolvimento do projeto aplicado, incluindo a implementação e aperfeiçoamento da solução com base nos feedbacks, e comunicação dos resultados.

Esta UC adota o modelo de avaliação ao longo do semestre (ALS), sem exame final, centrado na execução do projeto. Serão avaliados dois entregáveis:

- R1: Entregável Intermédio - Avalia a evolução do trabalho, correspondendo a 40% da nota final.
- R2: Entregável Final - Apresenta a versão consolidada do projeto, integrando o trabalho dos dois semestres, correspondendo a 60% da nota final.

Cada entregável (R1 e R2) exige uma nota mínima de 8,5 valores. Em qualquer entregável, poderá ser necessária uma discussão oral individual para aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre.

Os entregáveis consistem em documentos cumulativos desenvolvidos individualmente ou em grupo, e discussões orais individuais, em público, e juntamente com elementos representantes das empresas / instituições, permitindo avaliar o desenvolvimento e implementação do projeto proposto.

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 caso não obtenha aprovação na ALS.

A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação, como realização de discussões orais e/ou apresentação de projetos.

A presença nas aulas 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. T. Brown / HarperCollins, 2009, ISBN-13: 978-0062856623, Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, 2009
2. A. Osterwalder, Y. Pigneur, P. Papadakos, G. Bernarda, T. Papadakos, A. Smith / John Wiley & Sons., Value proposition design, 2014
3. J. Knapp, J. Zeratsky, B. Kowitz, Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days., 2016
4. M. Lewrick, P. Link, L. Leifer / Wiley, ISBN 9781119629191, The Design Thinking Toolbox, 2020
5. Ries, E. / capítulos 3 e 4, Penguin Group, The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses, 2017

Opcional

6. Scrum Institute, The Kanban Framework 3rd Edition, 2020, www.scrum-institute.org/contents/The_Kanban_Framework_by_International_Scrum_Institute.pdf
7. 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
8. Jeff Sutherland, J.J. Sutherland, Scrum: The Art of Doing Twice the Work in Half the Time, 2014
9. Project Management Institute / 6th ed. Newton Square, PA: Project Management Institute, A guide to the project management body of knowledge (PMBOK guide), 2017
10. Gwaldis M., How to conduct a successful pilot: Fail fast, safe, and smart, 2019, ·, https://blog.shi.com/melissa-gwaldis/

CP1: Introdução ao Business Intelligence – conceitos, arquitetura e ferramentas.
CP2: Integração e transformação de dados – Power Query, M, conexões a múltiplas fontes.
CP3: Modelação de dados – tabelas relacionais, DAX, medidas e KPIs.
CP4: Visualização de dados – criação de relatórios, dashboards, storytelling com dados.
CP5: Avaliação e boas práticas em projetos de BI – ética dos dados, governação, qualidade da informação.

A avaliação ao longo do semestre inclui:

- Projeto prático de desenvolvimento de sistema de informação analítica realizado em grupo (máximo de 3 alunos), incluindo um relatório (15%) com uma entrega intercalar obrigatória (15%) e uma defesa oral com nota individual (20%). Nota mínima de 8 valores.
- Teste individual (30%) para aferição de conhecimentos teóricos.
- Trabalhos semanais em aula e autónomos (20%).

O uso de ferramentas de IA (ex: ChatGPT) é permitido para apoio técnico e deve ser claramente referenciado com os prompts utilizados.

O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria.

Realiza exame final na época 1 quem não optar por avaliação ao longo do semestre.

Realiza exame final na época 2 quem não tenha concluído com sucesso a avaliação ao longo do semestre, ou o exame da época 1, com uma nota superior ou igual a 9,5 (em 20).

Obrigatória

Greg Deckler, Learn Microsoft Power BI: A comprehensive, beginner-friendly guide to real-world business intelligence (2025)

R. Kimball, M. Ross The Data Warehouse Toolkit - the definitive guide to dimensional modeling, 3rd Edition. John Wiley & Sons, USA, (2013)

Opcional

Será disponibilizada consoante os interesses dos estudantes e atualizações tecnológicas relevantes.

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.

Obrigatória

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.

Opcional

(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/

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, com nota minima de 8,5 valores]

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.

Obrigatória

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.

Opcional

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

(CP1) O que são agentes e ambientes? Arquiteturas de agentes (reativa, deliberativa, híbrida).
(CP2) Perceções/Sensores, tipos de ambientes (totalmente / parcialmente observáveis, determinísticos /estocásticos).
(CP3) Procura (BFS, DFS, UCS) agentes baseados em objetivos, procura informada, funções heurísticas e admissibilidade, problemas de satisfação de restrições.
(CP4) Estados, ações, transições, recompensas, políticas; introdução aos MDPs, problemas clássicos de planeamento, de ordem parcial e hierárquico e em ambientes dinâmicos.
(CP5) Aprendizagem por Reforço (AR): Algoritmos de AR básicos, iteração de valor, Q-learning, exploração de ações.
(CP6) Sistemas multiagente: cooperação e competição, negociação e coordenação, auto-organização, emergência e comunicação.
(CP7) Modelação e simulação baseada em agentes (ABMS) e sistemas complexos adaptativos.
(CP8) Questões éticas e sociais na construção de agentes.

A avaliação na modalidade 'ao longo do semestre' resulta da efetivação de um teste intercalar individual em Moodle(20% da nota final), um trabalho em grupo (máximo de 3 alunos) com elaboração de um relatório (20% da nota final) e uma apresentação oral (20% da nota final) a efetuar pelo grupo e a efetivação de 4 trabalhos para casa (10% da nota final cada um)
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 1ª época 2ª época ou época especial, quem não tenha concluído com sucesso a avaliação ao longo do semestre, com uma nota média superior ou igual a 10 (em 20).

Obrigatória

Russell & Norvig, Artificial Intelligence: A Modern Approach, 4th Edition Global, Pearson (2022)
Sutton & Barto, Reinforcement Learning: An Introduction, 2nd Edition Bradford Books, (2018)

Opcional

Vlassis, N. A Concise Introduction to Multiagent Systems and Distributed Artificial Intelligence. In Synthesis Lectures on Artificial Intelligence and Machine Learning (Vol.1, Issue 1), 2007.
Wooldridge, M. An Introduction to MultiAgent Systems - 2nd Edition. In ACM SIGACT News (Vol. 41, Issue 1), 2009.

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.

Obrigatória

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.

Opcional

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.

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. 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: 3ª tutoria + 3º mini-teste [30% para a 3ª tutoria + 10% para o 3º mini-teste = 40%]

As tutorias consistem em projetos a serem desenvolvidos em grupo, que contemplam também discussões orais individuais, que permitem avaliar o desempenho dos alunos nesses mesmos projetos.

Os mini-testes, realizados individualmente, permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados em tutoria.

Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual para aferição de conhecimentos.

Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores.

A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Esta UC poderá contemplar a participação de organizações externas ou empresas, que poderão propor projetos devidamente enquadrados no currículo e alinhados com os objetivos de aprendizagem da UC.

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

A presença nas aulas não é obrigatória.

Obrigatória

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.

Opcional

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.

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 (70%)​. Nota mínima de 8 valores em cada frequência.
- 1 projeto de modelação e de implementação (em grupos de até 3 pessoas) (30%)​. A nota mínima do projeto é de 10 valores. A realização do projeto é obrigatória para efeitos de aprovação. A avaliação do projeto é em grupo com discussão oral individual.

Avaliação por exame:​
- 1 avaliação 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.

Obrigatória

Ramos, P, Desenhar Bases de Dados com UML, Conceitos e Exercícios Resolvidos, Editora Sílabo, 2ª Edição, 2007
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

Opcional

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.

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.

Obrigatória

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, ·, ·

Opcional

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.

Obrigatória

·
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, ·, ·

Opcional

CP1. Introdução à Cibersegurança: principais componentes; pilares da cibersegurança; frameworks de cibersegurança.
CP2. Planeamento da Segurança de Informação e enquadramento Legal e Ético
CP3. Princípios de Governação da Segurança de Informação e Gestão do Risco
CP4. Introdução à Tecnologia da Segurança de Informação: controlos de acesso, firewalls, vpns, idps, criptografia e outras técnicas.
CP5. Segurança Física: mecanismos de controlo de acesso físico, planeamento da segurança física, entre outros.
CP6. Implementação da Segurança de Informação: gestão de projetos de segurança de informação; aspetos técnicos e não-técnicos da implementação da segurança de informação.
CP7. Segurança do Pessoal: considerações de segurança do pessoal; práticas da segurança do pessoal.
CP8. Manutenção da Segurança de Informação.

Avaliação ao longo do semestre:
- Realização de dois projetos em grupo (50%) ao longo do semestre
- Realização de dois de testes individuais ao longo do semestre (50%) [nota mínima de 8 valores para cada um dos testes]
Avaliação por exame:
Para os estudantes que optem por este processo ou para os reprovarem no processo de avaliação ao longo do semestre, com 3 épocas nos termos do RGACC.

Obrigatória

Whitman, M., Mattord, H. (2021). Principles of Information Security. Course Technology.
Whitman, M., & Mattord, H. (2016). Management of information security. Nelson Education.
Andress, J. (2014). The Basics of Information Security: Understanding the Fundamentals of InfoSec in Theory and Practice. Syngress.
Kim, D., Solomon, M. (2016). Fundamentals of Information Systems Security. Jones & Bartlett Learning.

Opcional

Conjunto de artigos, páginas web e textos que complementam a informação bibliográfica da unidade curricular, e que serão fornecidos pela equipa docente.

"CP1. Fundamentos de Grafos e Redes
1.1. Introdução à Teoria de Grafos
1.2. Matemática de Grafos
1.3. Algoritmos de pesquisa
CP2. Estrutura e Dinâmica de Redes Complexas
2.1. Métricas e Medidas de centralidade
2.2. Modelos de redes
2.3. Tópicos avançados
CP3. Aplicações e Visualização de Redes
3.1. Adaptação de dados a modelos de rede
3.2. Aplicações em diversas áreas
3.3. Visualização de redes com ferramentas computacionais
CP4. Introdução às Redes Neuronais
4.1. Modelo perceptrão e fundamentos básicos
4.2. Arquitetura de redes neuronais
4.3. Treino e optimização"

"Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 trabalho de projeto realizado em grupo (40% - apresentação na data da 1ª época) + 2 testes intermédios (25% cada) + atividades de trabalho autónomo (10%); todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).
- Avaliação por Exame (100%), em qualquer uma das épocas de avaliação.
- Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final."

Obrigatória

"Maarten van Steen, Graph Theory and Complex Networks, 2010, 9081540610, Mark Newman, Networks, 2018, 978-0198805090, Sergey N. Dorogovtsev, José F. F. Mendes, The Nature of Complex Networks, 2022 Van Der Hofstad, Remco. Random graphs and complex networks. Vol. 54. Cambridge university press, 2024. Zhiyuan Liu and Jie Zhou, Introduction to Graph Neural Networks, Morgan & Claypool Publishers. 2020"

Opcional

"Menczer F., Fortunato S., Davis C.A., A first course in network science (Cambridge University Press), 2020, 978-1108471138, Sayama H., Introduction to the Modeling and Analysis of Complex Systems. Open SUNY Textbooks. Milne Library., 2015, null, Erwin Kreyszig, Advanced Engineering Mathematics, 2011, 978-0470458365, "

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%.

Obrigatória

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

Opcional

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.

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.

Obrigatória

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.

Opcional

--