CP1. Polinómios e números complexos. Funções complexas elementares. Equação de Laplace. Séries de Laurent. Convergência pontual e uniforme. Fórmula de Euler
CP2. Método das variáveis complexas para derivação numérica de funções reais. Fórmulas integrais de Cauchy
CP3. Sinais discretos e contínuos. Periodicidade e função generalizada
CP4. Ortogonalidade de funções. Série de Fourier: forma trigonométrica e exponencial complexa. Convergência
CP5. Séries na solução de equações diferenciais (EDs). Separação de variáveis. Equação do calor. ED semi-linear. Equação da onda
CP6. Transformada de Fourier. Convolução. ED parcial de Black-Scholes
CP7. Diagramas (amplitude e fase) de sinais nos domínios do tempo e da frequência
CP8. Métodos discretos de Fourier. Transformada discreta de Fourier: aliasing e o teorema da amostra
CP9. Transformada rápida de Fourier (FFT) e métodos espectrais. Espectro de potência e teorema de Parseval
CP10. Aplicações a amostras de dados experimentais e de simulação

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre:
* 3 trabalhos práticos em grupo (20% cada) com nota mínima de 7 valores.
* 2 Teste2 (20% cada) com nota mínima de 7 valores.
ou
- Avaliação por Exame (100%).

Há a possibilidade de realização de orais.

Obrigatória

[4] Pedro Girão (2014) Introdução à Análise Complexa, Séries de Fourier e Equações diferenciais, IST press
[3] Ronald L. Lipsman and Jonathan M. Rosenberg (2018) Multivariable Calculus with MATLAB, Springer
[2] A. V. Oppenheim, A. S. Willlsky (2013) Signals and Systems, 2nd Ed., Pearson
[1] Djairo G. Figueiredo (2022) Análise de Fourier e Equações Diferenciais Parciais. IMPA, 4ª Ed

Opcional

CP1. Formulação de problemas em otimização. Otimização livre versus condicionada
CP2. Programação linear versus não-linear
CP3. Condições de otimalidade. Limitações dos métodos analíticos
CP4. Conceito de conjunto convexo e de função convexa. Otimização convexa
CP5. Técnicas de resolução geométrica
CP6. Métodos em programação linear. Simplex e big-M
CP7. Dualidade; problema dual e algoritmo dual do Simplex
CP8. Interpretação da solução e análise de sensibilidade
CP9. Fundamentos de otimização discreta. Programação binária, inteira e inteira mista. Planos de corte. Métodos híbridos
CP10. Programação linear multi-objetivo. Programação por metas. Método sequêncial e das penalidades e pesos
CP11. Aproximações polinomiais e métodos de busca em linha. Critérios de convergência
CP12. Dualidade Lagrangeana. Condições de Karush-Kuhn-Tucker

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: Teste Intercalar (20%) + 2 Trabalhos de grupo em Python (2x15%) + Trabalho Autónomo (10%) + Teste Final/Frequência (40%); é exigida nota mínima de 7 valores (escala 1-20) no Teste Final
- Avaliação por Exame (100%), em qualquer uma das épocas de exame, com prova escrita individual.

Obrigatória

Taha, H.A. (2017). Operations Research: an introduction, 10th Ed.. Pearson.
Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics. 8th Ed. Cemgage Learning.
Hillier, F.S. Lieberman, G.J. (2014). Introduction to Operations Research, 10th Ed.. McGraw-Hill.
Nash, S.G, Sofer A. (1996). Linear and Nonlinear Programming. McGraw-Hill.

Opcional

Winston, W.L. (2004). Operations Research: Applications and Algorithms, 4th Ed.. Duxbury Press.

Esta UC tem os seguintes conteúdos programáticos (CPs):

CP1. Breve revisão de alguns conceitos da teoria da probabilidade;
CP2. Introdução aos processos estocásticos. Diferentes tipos de processos estocásticos: descrições discretas vs descrições contínuas de variáveis de tempo e espaço;
CP3. Cadeia de Markov: propriedades básicas;
CP4. Processos de Poisson;
CP5. Alguns conceitos em teoria da medida. Processos de Wiener e movimento Browniano;
CP6. Teoria básica das equações diferenciais estocásticas;
CP7. Métodos numéricos;
CP8. Estudo de modelos de difusão em grafo. Aplicativos para redes complexas.
CP9. Simulação numérica de um processo de branching que revela a disseminação de informação numa rede.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre: Teste 1 (35%) + Teste 2 (35%) + trabalho prático em Python (15%) + exercícios resolvidos no Moodle e/ou em aula (15%). É exigida nota mínima de 7 valores (escala 1-20) em cada um dos elementos de avaliação.
- Avaliação por Exame: Em qualquer das épocas, com prova escrita individual (100%).

Obrigatória

1 - Dobrow R.P. (2016). Introduction to Stochastic Processes with R, 1st Edition. Wyley.
2 - Sheldon M. Ross (2024). Introduction to Probability Models, 13th Edition, Academic Press, Elsevier.

Opcional

3 - Levin D.A., Peres Y. (2017). Markov Chains and Mixing Times, 2nd Revised edition.American Mathematical Society.
4 - Brzezniak Z., Zastawniak T. (1998). Basic Stochastic Processes: A Course Through Exercises. Springer Undergraduate Mathematics Series.
5 - A. Edelman, "Random matrix theory and its innovative applications" (MATLAB codes) https://math.mit.edu/~edelman/publications/random_matrix_theory_innovative.pdf

C1 Metodologias de cocriação baseadas em Design Thinking e Design Sprint
C2 Objetivos de Desenvolvimento Sustentável (ODS) das Nações Unidas e criação de propostas de valor
C3 Apresentação de casos de estudo e temas de projeto de tecnologias digitais em matemática aplicada
C4 Seleção do tema de projeto e enquadramento na organização
C5 Espaço do problema: criação de empatia com o utilizador e com a sua organização, definição do problema e das suas questões relacionadas, considerando os requisitos de negócio, as necessidades dos clientes e utilizadores e os desafios tecnológicos
C6 Aplicação de uma metodologia de revisão sistemática da literatura e sua análise crítica. Análise da competição
C7 Identificação dos recursos digitais (incluindo a recolha de dados), computacionais e outros necessários para o desenvolvimento do projeto
C8 Aplicação de metodologias de gestão de projetos adequadas ao trabalho em grupo a desenvolver pelos alunos de matemática aplicada. Comunicação dos resultados

UC em avaliação periódica, não contemplando exame final, dada a adoção ao método de ensino por projeto aplicado a situações reais. As apresentações, demonstrações e discussão serão realizadas em grupo.
Pesos da avaliação:
R1 Relatório: Definição do Tema de Projeto: 5%
R2 Relatório: Empatia com o Utilizador e a Organização e Definição do Problema. Sua apresentação e discussão em grupo: 40%
R3 Relatório: Revisão da Literatura e Planeamento do Desenvolvimento do Projeto. Sua apresentação e discussão em grupo: 55%

Obrigatória

Outra bibliografia dependente dos temas específicos do projeto e das orgaizações onde os alunos o irão desenvolver.
Brown, T (2009), Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, HarperCollins, 2009, ISBN-13: 978-0062856623
Osterwalder, A., Pigneur, Y., Papadakos, P., Bernarda, G., Papadakos, T., & Smith, A. (2014). Value proposition design. John Wiley & Sons.
Knapp, J., Zeratsky, J., & Kowitz, B. (2016). Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days. Bantam Press.
Lewrick, M, Link, P., Leifer, L. (2020). The Design Thinking Toolbox, Wiley, ISBN 9781119629191

Opcional

C1. Espaço da solução: ideação da melhor solução tecnológica relativa ao projeto, desenvolvimento de requisitos de utilizador, storyboarding, jornada do utilizador, ciclos iterativos de prototipagem (baixa fidelidade ? lo-fi, alta fidelidade ? hi-fi, produto mínimo viável - MVP), avaliação heurística da solução com peritos e avaliação com utilizadores finais.
C2. Produção de documentação de desenho da solução, incluindo, quando aplicável, arquitetura, especificações técnicas, configuração hardware e software, manuais de instalação, operação e utilização.
C3. Implantação experimental da solução com potencial para ser triplamente sustentável (com criação de valor económico, social e ambiental), salvaguardando o enquadramento legal aplicável.
C4. Comunicação audiovisual na Web e nas redes sociais. Comunicação em público e sua estrutura. Apresentação para atores relevantes.
C5. Demonstração em workshop com atores relevantes na área da Matemática Aplicada.

UC em avaliação periódica, não contemplando exame final, dada a adoção ao método de ensino por projeto aplicado a situações reais. As apresentações, demonstrações e discussão são realizadas em grupo.
Pesos da avaliação:
R1 Relatório de Ideação da Solução, com Storyboard, Jornada de Utilizador, Requisitos do Utilizador, Especificações Técnicas e sua apresentação audiovisual: 20%
R2 Prototipagem da Solução: Protótipos Lo-fi e Hi-fi e Protótipo Mínimo Viável ? MVP (no GitHub), sua Demonstração e Relatório de Avaliação: 40%
R3 Relatório de Desenho da Solução com os seguintes elementos (se aplicável): Arquitetura (UML Package Diagram, UML Component Diagram), Configuração Hardware e Software, Manual de Instalação (UML Deployment Diagram, Tutorial de Configuração), Manual de Operação, Manual de Utilizador: 20%
R4 Apresentação audiovisual da solução e sua demonstração em Workshop: 20%

Obrigatória

Outra bibliografia dependente dos temas específicos do projeto e das organizações onde os alunos o irão desenvolver.
Brown, T (2009), Change by Design: How Design Thinking Transforms Organizations and Inspires Innovation, HarperCollins, 2009, ISBN-13: 978-0062856623
Lewrick, M, Link, P., Leifer, L. (2020). The Design Thinking Toolbox, Wiley, ISBN 9781119629191
Knapp, J., Zeratsky, J., & Kowitz, B. (2016). Sprint: How to Solve Big Problems and Test New Ideas in Just Five Days. Bantam Press.

Opcional

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. Modelos de regressão: correlação e causalidade, regressão linear simples, regressão múltipla. Multicolinearidade
CP2. Estimação e inferência, OLS (Ordinary Least Squares) e ML (Maximum Likelihood)
CP3. Pressupostos dos resíduos: testes de hipótese e diagnóstico
CP4. Regressão polinomial e com variáveis categóricas. Variável dummy
CP5. Previsão (in-sample e out-of-sample). Conjuntos de treino e de teste. Métricas de avaliação da performance de previsão (RMSE-Root Mean Squared Error, MAPE-Mean Absolute Percentage Error, MAE-Mean Absolute Error). Análise preditiva
CP6. Regressão logística. Problemas de classificação. Matriz de confiança e curva ROC (Receiver Operating Characteristic)
CP7. Conjuntos difusos. QCA (Qualitative Comparative Analysis) em variáveis dicotómicas (csQCA) e em conjuntos difusos (fsQCA). QCA escalonada e temporal (mvQCA e tQCA)
CP8. Outros modelos de estatística multivariada: análise em clusters, análise discriminante e componentes principais.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao longo do semestre: um teste realizado na data da 1ª época (60%) + trabalho(s) prático(s) (30%) + trabalho autónomo (10%)
Todos os elementos de avaliação são obrigatórios e têm nota mínima de 8 valores.
Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.
ou
- Avaliação por Exame (100%).

Obrigatória

Rogel-Salazar J. (2018). Data Science and Analytics with Python. Taylor & Francis Group.
Hastie T.; Tibshirani R.; Friedman J. (2017). The elements of statistical learning: data mining, inference, and prediction. Springer. [electronic resource: https://web.stanford.edu/~hastie/Papers/ESLII.pdf ]
Agresti A.; Franklin C.; Klingenberg B. (2018). Statistics: The Art and Science of Learning from Data, 4th Edition. Pearson.

Opcional

Afonso, A.; Nunes, C. (2019). Probabilidades e Estatística. Aplicações e Soluções em SPSS. Versão revista e aumentada. Universidade de Évora. ISBN: 978-972-778-123-2
Albright S.C.; Winston W.L. (2019). Business Analytics: Data Analysis & Decision Making, 7th Edition. Cengage Learning.

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. Topologia de Rn. Vizinhança e ponto de acumulação
CP2. Função real e vetorial multivariável. Curva de nível e transformações ao gráfico. Limites direcionais e continuidade
CP3. Derivadas parciais e vetor gradiente. Aproximação linear e diferenciabilidade. Regra da cadeia. Derivada direcional
CP4. Aproximações de Taylor de ordem superior. Teor. da função implícita e da função inversa
CP5. Matrizes Hessiana e aplicação a extremos livres. Condições de otimalidade.
CP6 Equações diferenciais ordinárias exatas
CP7. Integrais duplos e triplos. Teor. de Fubini. Mudança de coordenadas. Coordenadas polares e esféricas
CP8. Campos de vetores e formas diferenciais. Relação entre formas e campos. Propriedades
CP9. Curvas e superfícies parametrizadas. Vetores tangente e normal. Regularidade
CP10. Integrais de linha e de superfície. Teoremas de Green, de Stokes e de Gauss. Campo conservativo
CP11. Aplicações dos conceitos em problemas de contexto real

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação periódica: Teste 1 (15%) + Teste 2 (15%) + Trabalho prático em Python (15%) + 5 Mini-testes online (15%) + Teste Final/Frequência (40%); é exigida nota mínima de 7 valores (escala 1-20) na média dos Testes 1 e 2 e também no Teste Final
- Avaliação por exame (100%), em qualquer das épocas, com prova escrita individual.

Obrigatória

Stewart, J. (2013). Cálculo. Vol II, 7ª Edição [tradução EZ2 Translate, São Paulo]. Cengage Learning [recurso eletrónico: https://profmcruz.files.wordpress.com/2019/03/calculo-james-stewart-7-edic3a7c3a3o-volume-2.pdf].
Lipsman, R.L., Rosenberg, J.M. (2018). Multivariable Calculus with MATLAB. Springer.
Strang, G. (2007). Computational Science and Engineering, Wellesley-Cambridge Press .
Kong Q., Siauw T., M. Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists. Elsevier Inc..
Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.

Opcional

Quarteroni A., Saleri F. (2007). Cálculo Científico com o MATLAB e o Octave. Springer.
Lima E.L. (2000). Curso de Análise, Vol 2, (Projeto Euclides). IMPA.

CP1 Reta real e álgebra em R. Completude. Valor absoluto
CP2 Sucessões de números reais. Definição recursiva. Monotonia. Supremo e ínfimo. Convergência e enquadramento
CP3 Noção de série numérica, somas parciais e soma. Séries aritmética, geométrica e harmónica
CP4 Séries de potências. Convergência
CP5 Funções de R em R. Funções elementares. Paridade e transformações ao gráfico. Período e frequências
CP6 Composta e inversa. Comportamento assintótico
CP7 Função logaritmo. Trigonométricas inversas. Identidades e álgebra trigonométrica
CP8 Limites. Continuidade. Teoremas de Weierstrass e do valor intermédio
CP9 Derivada num ponto e seu significado. Teorema do valor médio. Regra da cadeia e derivada da inversa. Derivação implícita
CP10 Aproximações de Taylor. Extremos locais e/ou globais
CP11 Partições. Primitivas. Integral definido à Riemann. Teorema fundamental do cálculo. Mudanças de variável. Integrais impróprios. Critérios de integrabilidade

A avaliação está alinhada com as quatro componentes do modelo 4C/ID, juntando avaliações de rotinas (part-task practice), de tarefas integradoras (learning tasks), de projectos e de provas sumativas.

Critérios Gerais:
• Classificação mínima para aprovação: 10 valores (em 20)
• Frequência mínima exigida: 2/3 das sessões presenciais
• Defesa oral obrigatória para notas ≥17 valores
• Modalidade de “Avaliação ao Longo do Semestre” (ALS) ou de “Exame” (100% exame)

Avaliação ao longo do semestre:
1. Avaliação Formativa (40% do total)
a) Part-Task Practice – Quizzes ou fóruns (5%)
* Frequência: semanal, na plataforma online.
* Feedback imediato e repetição livre até domínio.
* Critério de sucesso: atingir nota ≥16 valores (em 20) em cada tarefa.
b) Learning Tasks em Aula – Tarefas de Aprendizagem (30%)
* Total de 9 tarefas (3 por cada um dos tópicos: séries, cálculo diferencial, cálculo integral), escolhendo-se as 7 melhores notas.
* Tarefas realizadas em aula
* Por tópico, pode haver a repetição de uma tarefa
* Nota mínima para aceder à avaliação sumativa: 8 valores (em 20)
* Cada tarefa avalia:
- Precisão matemática
- Capacidade de integração de conceitos (gráfica, numérica, algébrica)
- Clareza de argumentação científica

c) Diário de Reflexão e Trabalho Autónomo (5%)
* Entradas quinzenais (2–3 parágrafos) sobre dificuldades e estratégias de resolução
* Avalia: autorregulação e apropriação dos conteúdos

2. Projecto a pares – 10%
a) Enunciado: Modelar um fenómeno real, integrando:
* Séries de potências (OA3, OA7)
* Derivadas e análise assintótica (OA6, OA9)
* Integrais definidos/impróprias (OA8, OA9)
b) Formato: relatório escrito (máx. 5 páginas) + demonstração computacional

3. Avaliação Sumativa (Teste Final) – 50%
a) Formato Misto
* Parte A: Questões de Part-Task Practice
- Limites, derivadas e integrais básicas em exercícios curtos
* Parte B: Learning Task Integrada
- Problema contextualizado
b) Nota mínima para aprovação no teste: 8 valores (em 20)

Avaliação por exame:
a) Exame Global (100% Exame)
b) Nota mínima de aprovação: 10 valores (em 20)

Defesa Oral:
* Obrigatória para alunos com nota final ≥17 valores (em 20)
* Duração: 15 minutos por aluno
* Objetivo: comprovar o entendimento dos conceitos, o raciocínio e a capacidade de comunicação científica

Obrigatória

Campos Ferreira J. (2024). Introdução à Análise Matemática (12.ª edição). Fundação Calouste Gulbenkian.
Stewart J. (2013). Cálculo. Vol I, 7ª Edição [tradução EZ2 Translate, São Paulo]. Cengage Learning [recurso eletrónico: https://aedmoodle.ufpa.br/pluginfile.php/311602/mod_resource/content/1/Calculo%20-%20James%20Stewart%20-%207%20Edição%20-%20Volume%201.pdf]
Strang, G. (2007). Computational Science and Engineering, Wellesley-Cambridge Press

Opcional

Lima E.L. (2001). Análise real. Vol 1. Coleção Matemática Universitária,SBM. Rio de Janeiro.
Ávila G. (2006). Análise Matemática para a Licenciatura. Ed.Edgard Blucher. São Paulo.

CP1. Pensamento matemático: algoritmia, modelação e resolução de problemas
CP2. Lógica matemática
- Designação, proposição e condição
- Conectivos e semântica
- Quantificadores
- Sistemas numéricos em diferentes bases
CP3. Teoria de conjuntos
- Definição em extensão e em compreensão, conjunto das partes de um conjunto
- Operações com conjuntos e extensão a famílias indexadas
CP4. Métodos de demonstração
- Diretas e indiretas
- Construtivas (ex. prova algorítmica) e não construtivas
- Indução matemática
CP5. Relações, partições e recursividade
- Produto cartesiano e relações de equivalência e de ordem
- Partições e o teorema de classes de equivalência
- Funções recursivas, sucessões, relações de recorrência e somatório
CP6. Cardinalidade, conjuntos equipotentes e hipótese do contínuo
CP7. Estruturas algébricas e morfismos
CP8. Congruência e aritmética modular
CP9. Divisibilidade dos inteiros, algoritmo de Euclides, números primos e teorema fundamental da aritmética

Aprovação com classificação não inferior a 10 valores numa das modalidades seguintes:
- Avaliação ao longo do semestre: 4 miniteste realizados em aula (20%) + 4 trabalhos realizados
em grupo (20%) + Prova escrita final realizada na data da 1ª época (60%); todos os elementos
de avaliação são obrigatórios e têm nota mínima de 7,5 valores.
ou
- Avaliação por Exame (100%).

Obrigatória

"[1] A Transition to Advanced Mathematics Seventh Edition by Smith, Eggen, St. Andre, Brooks/Cole, Cengage Learning, 2011. [2] Transition to Higher Mathematics: Structure and Proof, Second Edition, Bob A. Dumas, John E. McCarthy, 2014. [3] Lecture Notes for Transition to Advanced Mathematics, James S. Cook, Liberty Universit, 2009."

Opcional

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. 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

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. (2017), Project Management Planning and Control, 7th edition, Elsevier Science & Technology.
Tugrul U. Daim, Melinda Pizarro, e outros. (2014), Planning and Roadmapping Technological Innovations: Cases and Tools (Innovation, Technology, and Knowledge Management), Spinger.

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 Espaços vetoriais euclidianos. Ortogonalidade. Projeções. Base ortogonal. Normas matriciais.
CP2 Ortogonalização de Gram-Schmidt.
CP3 Matrizes complexas. Valores e vetores próprios de skew-Hermiteanas. Decomposição. de Schur. Teorema espetral.
CP4 Formas lineares e bilineares. Formas quadráticas. Teorema de Sylvester. Identificação de cónicas
CP5 Aritmética finita. Erro de arredondamento. Armazenamento.
CP6 Métodos diretos e indiretos para sistemas lineares.
CP7 Consistência, convergência e estabilidade dos métodos numéricos estudados.

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre:
* 2 trabalhos práticos em Python (20% cada) com nota mínima de 7 valores.
* Teste 1 durante o semestre (30%) com nota mínima de 7 valores.
* Teste 2 na data do primeiro exame (30%) com nota mínima de 7 valores.
ou
- Avaliação por Exame (100%).

Há a possibilidade de realização de orais.

É exigida uma assiduidade mínima não inferior a 2/3 das aulas.

Obrigatória

Ford W. (2015). Numerical Linear Algebra with Applications - using MATLAB. Elsevier
Burden R., Douglas Faires J. (2005). Numerical Analysis. Brooks/Cole Cengage Learning
Gupta R.K. (2019). Numerical Methods: Fundamentals and Applications. Cambridge University Press.
Kong Q., Siauw T., Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists, Elsevier Inc..
Lay, D.C. (2015). Linear Algebra and its Applications. Addison Wesley. Pearson.
Blyth T.S., Robertson E.F. (2002). Further Linear Algebra. Springer.
Deisenroth M.P., Faisal A.A., Soon Ong C. (2020). Mathematics for Machine Learning. Cambridge University Press [electronic resource: https://mml-book.github.io/book/mml-book.pdf]
Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.

Opcional

Lima E.L. (2015). Geometria Analítica e Álgebra Linear. Coleção Matemática Universitária, IMPA.
Cabral I., Perdigão C., Saiago C. (2018). Álgebra Linear Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções (5ª edição). Escolar Editora.
Anton H., Rorres C. (2010). Elementary Linear Algebra - Applications Version. John Wiley and Sons.
Hanselman, D., Littlefield, B. and MathWorks Inc. (1997). The Student Edition of MATLAB, 5th Version, Prentice-Hall

CP1 Vetores em R^2 e R^3. Distância euclidiana
CP2 Produto escalar. Reta e parametrização de segmentos
CP3 Produto vetorial. Ortogonalidade. Projeções. Vetor normal a um plano
CP4 Sistemas de equações lineares (SELs). Eliminação de Gauss-Jordan
CP5 Escrita matricial de SELs. Álgebra de matrizes. Matriz transposta
CP6 Combinação e dependência linear de vetores. Característica de uma matriz e condensação de Gauss. Teorema de Rouché e dependência de variáveis
CP7 Matriz inversa. Matrizes elementares. Permutação e sinal. Determinante e propriedades
CP8 Menores complementares e matriz adjunta. Fórmula de Laplace
CP9 Método da matriz inversa e regra de Cramer em SELs
CP10 Cadeias de Markov e vetores e valores próprios de uma matriz. Polinómio característico. Formas quadráticas
CP10 Corpos. R e C
CP11 Espaço vetorial real. R^2, R^3 e C
CP12 Transformações lineares e operadores. Matriz. Imagem e núcleo
CP13 Composta e mudanças geométricas: expansão e contração uniformes, reflexão e rotação

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre: Teste 1 (35%) + Teste 2 (35%) + trabalho prático em grupo (15%) + exercícios resolvidos no Moodle e/ou em aula (15%). É exigida nota mínima de 8 valores (escala 1-20) em cada um dos elementos de avaliação.
- Avaliação por Exame: Em qualquer das épocas, com prova escrita individual (100%).

Existe a possibilidade de realização de provas orais.

Obrigatória

H. Anton and C. Rorres (2010) Elementary Linear Algebra - Applications Version, John Wiley and Sons
Blyth T.S., Robertson E.F. (2002). Basic Linear Algebra. Springer.
Lages E.L. (2015). Geometria Analítica e Álgebra Linear. Coleção Matemática Universitária. IMPA.
The Mathworks, Inc. - The Student Edition of Matlab , Prentice-Hall, 5th Version
Materiais científico-pedagógicos (slides, notas de desenvolvimento, código e pseudo código, fichas de exercícios e problemas) disponibilizados pela equipa docente.

Opcional

David C. Lay (2015) Linear Algebra and its Applications, Addison Wesley, Pearson
Cabral I., Perdigão C., Saiago C. (2018). Álgebra Linear Teoria, Exercícios Resolvidos e Exercícios Propostos com Soluções, Escolar Editora.
Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong (2020) Mathematics for Machine Learning, Cambridge University Press [electronic resource: https://mml-book.github.io/book/mml-book.pdf]

CP1. Introdução aos métodos numéricos com Python
CP2. Convergência e estabilidade. Erro e perda de significado da aproximação numérica
CP3. Derivação numérica. Solução analítica de equações diferenciais ordinárias (EDO) de ordem 1 e 2. Solução numérica de EDO de ordem 1 (método de Runge-Kutta); existência e unicidade de soluções
CP4. Parametrização de superfície e cálculo de integrais de superfície. Coordenadas esféricas. Integração numérica: fórmulas de Newton-Cotes e quadratura de Gauss-Legendre para diferente nº de pontos; interpretação gráfica da quadratura; erro de integração
CP5. Zeros de uma função e procura de extremos de funções (com e sem diferenciabilidade, com e sem continuidade); métodos da bissecção e de Newton, método da secante. Introdução à solução de sistemas não-lineares (método de Newton para sistemas)
CP6. Equações com diferenças e métodos iterativos
CP7. Solução de EDO de ordem superior (aproximações de diferenças finitas de Euler)

Aprovação com classificação não inferior a 10 valores (escala 0-20) numa das modalidades seguintes:
- Avaliação ao Longo do Semestre: 1 teste intercalar (25%) + exercícios de trabalho autónomo (TA) submetidos no Moodle (5%) + 1 projeto com Python em trabalho de grupo (20%) + teste final individual escrito (50%). É exigida a nota mínima de 7,5 valores (escala 0-20) em cada um dos testes, intercalar e final. É exigida uma assiduidade mínima de 2/3 das aulas. Pode existir prova oral sempre que tal possa esclarecer o docente acerca da classificação obtida pelo estudante.
- Avaliação por exame (100%), em qualquer das épocas, com prova escrita individual.

Obrigatória

[1] Kong Q., Siauw T., Bayen A.M. (2021). Python Programming and Numerical Methods: A Guide for Engineers and Scientists. Elsevier Inc..
[2] Gupta R.K. (2019). Numerical Methods: Fundamentals and Applications. Cambridge University Press.
[3] Allen, M.B., Isaacson, E.L. (2019). Numerical analysis for applied science. John Wiley & Sons, Inc..
[4] Rossun G. (2018). Python Tutorial Release 3.7.0. Python Software Foundation.
[5] Christian C. (2017). Differential Equations: A Primer for Scientists and Engineers, Second Edition. Springer International Publishing.

Opcional

Cohen H. (2011). Numerical Approximation Methods. Springer New York.

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

Osterwalder, A., & Pigneur, Y. (2014). Value Proposition Design: How to Create Products and Services Customers Want. John Wiley & Sons.
Osterwalder, A., & Pigneur, Y. (2010). Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. John Wiley & Sons;
Burns, P. (2016). Entrepreneurship and Small Business. Palgrave Macmillan;
Mariotti, S., Glackin, C. (2015). Entrepreneurship: Starting and Operating A Small Business, Global Edition. Pearson; Dorf. R., Byers, T. Nelson, A. (2014). Technology Ventures: From Idea to Enterprise. McGraw-Hill Education;

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

Osterwalder, A., & Pigneur, Y. (2014). Value Proposition Design: How to Create Products and Services Customers Want. John Wiley & Sons.
Osterwalder, A., & Pigneur, Y. (2010). Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. John Wiley & Sons;
Burns, P. (2016). Entrepreneurship and Small Business. Palgrave Macmillan;
Dorf. R., Byers, T. Nelson, A. (2014). Technology Ventures: From Idea to Enterprise. McGraw-Hill Education;
Mariotti, S., Glackin, C. (2015). Entrepreneurship: Starting and Operating A Small Business, Global Edition. Pearson;

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.

P1. Fundamentos de Grafos e Redes
1.1. Introdução à Teoria de Grafos
1.2. Matemática de Grafos
1.3. Algoritmos de pesquisa

P2. Estrutura e Dinâmica de Redes Complexas
2.1. Métricas e Medidas de centralidade
2.2. Modelos de redes
2.3. Tópicos avançados

P3. 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

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.

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,

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 à modelação matemática (MM)
- Ciclo da MM: formulação, análise, validação e interpretação
- Modelos determinísticos vs. estocásticos e contínuos vs. discretos
CP2.Equações diferenciais ordinárias (EDO)
- Modelos baseados em EDOs: populações, decaimento radioativo, dinâmica de fluidos, epidemiologia, osciladores harmónicos e circuitos elétricos
- EDOs de ordem 1: separação de variáveis, fator integrante, equação exata e linear
- EDOs de ordem 2: linear de coeficientes constantes e transformada de Laplace
- Sistemas de EDOs
CP3. Introdução aos sistemas dinâmicos (SD)
- Pontos de equilíbrio e estabilidade
- Diagramas de fase e análise qualitativa de SDs
- Atratores, bifurcações e comportamento caótico
CP4. MM e Simulação Computacional
- Exemplos de MM em engenharia, física, biologia, economia e finanças
- Implementação computacional de modelos
- Simulação de fenómenos físicos e sistemas biológicos
- Validação de modelos: ajuste de parâmetros e análise de erro

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes:
- Avaliação ao longo do semestre: 1 frequência (40% - na data da 1ª época) + 2 testes intermédios (25% cada) + atividades de trabalho autónomo (10%); os testes intermédios têm nota mínima de 8 valores na média dos dois (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

Dennis G. Zill, A First Course in Differential Equations with Modeling Applications - Metric Version, 12th Edition, 2024
William P. Fox, Maurice D. Weir and Frank R. Giordano, A First Course in Mathematical Modeling, 3rd edition, 2003.
William E. Boyce and Richard C. di Prima, Elementary Differential Equations, 10th edition, John Wiley & Sons, 2012.
Martin Braun, Differential Equations and Their Applications: An Introduction to Applied Mathematics, 4th edition, Springer, 1993.

Opcional