Laboratório em Sistemas Inteligentes

Código

01063135

Créditos ECTS

6

Objetivos

  • A. Escolher paradigmas adequados à resolução de problemas, otimizando, avaliando e validando os modelos usados.
  • B. Selecionar métodos adequados para diferentes tipos de dados (e.g. dados de imagem, som, texto, etc.).
  • C. Escolher e aplicar bibliotecas e ferramentas low code como o KNIME e de bloco de notas com linguagens de programação como o R e o Python.
  • D. Escolher e usar técnicas de pré-processamento para preparar dados.
  • E. Implementar algoritmos e os modelos criados no contexto do projeto seguindo um modelo processual.
  • F. Identificar e aplicar limitações éticas na utilização de modelos ajustados a dados reais.
  • G. Aplicar competências transversais e de trabalho em grupo em contexto de projeto.

Programa

  1. Metodologias para criação de modelos por aprendizagem a partir de dados. O caso do CRISP-DM, comparação com outras metodologias.
  2. Pré-processamento e preparação de Dados: Técnicas de limpeza e transformação de dados; Engenharia de features e normalização; Análise e transformação de dados;
  3. Aplicação de Algoritmos de Sistemas Inteligentes: Análise de algoritmos e sua aplicação a diferentes problemas; Seleção de algoritmos. Limitações e questões éticas na aplicação de modelos em contextos reais.
  4. Otimização, avaliação e validação de modelos: metaheuristicas, sobreajustamento (overfitting) e subajustamento (underfitting), validação com duas amostras (hold-out sample) e validação cruzada (cross-validation).
  5. Projeto: Escolha do tema; recolha de dados, pré-processamento e análise de dados; modelação e implementação do modelo; interpretação e avaliação, documentação e apresentação de resultados.
  6. Plataformas e ambiente de trabalho em sistemas inteligentes: Plataformas de desenvolvimento em IA, ferramentas low code e notebooks, Ambientes de desenvolvimento em Python; Bibliotecas de Python para sistemas inteligentes.

Métodos de Ensino

O modelo pedagógico adotado é a da aprendizagem baseada em projetos.

Os docentes começam por incentivar os discentes a escolher um tema para o trabalho de grupo, apresentando sugestões e demonstrando trabalhos semelhantes. Os docentes apresentam igualmente plataformas e bibliotecas utilizadas em sistemas inteligentes aprofundando e explorando a complementaridade entre as UC de Aprendizagem Computacional e Inteligência Artificial de acordo com os conteúdos programáticos.

No projeto, os estudantes são desafiados a resolver um problema específico no âmbito dos sistemas inteligentes, sendo os temas aprofundados à medida das necessidades de cada grupo (OPT B.6), que serão trabalhados pelos algoritmos escolhidos pelos estudantes com supervisão dos docentes. Duas vezes durante o semestre são discutidos relatórios de acompanhamento do projeto de grupo, permitindo desta forma fornecer feedback sobre a evolução do projeto, OPT B.4 e B.5.

Deste modo os discentes constroem uma solução de forma semiautónoma e adquirem competências relacionadas com a resolução de problemas usando sistema inteligentes.

Os resultados são analisados, interpretados e apresentados à turma, promovendo o pensamento crítico, a análise e a resolução de problemas e desenvolvimento de competências específicas e transversais OPT B.1, B.2, B.3 e B.4.

Bibliografia

Principal:
- Russell S. e Norvig, P. (2020) Artificial Intelligence: A Modern Approach. Pearson, 4ª edição.
- Aurélien Géron. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3.ª ed.). O’Reilly Media.
- Rajendra Akerkar, Priti Sajja (2010) Knowledge-Based Systems. Jones and Barttlet Publishers
- Richard S. Sutton and Andrew G. Barto (2018) Reinforcement Learning, second edition. MIT Press
- Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016) Deep Learning MIT Press.

Complementar:
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning: With Applications in R. Springer US.
Karthik Ramasubramanian e Abhishek Singh (2026). Machine Learning Using R, 2nd edition. Apress.
Yu Geng, Qin Li, Geng Yang, Wan Qiu, 2024. Practical Machine Learning Illustrated with KNIME, Springer.

Nota: outras bibliografias podem ser aconselhadas aos discentes em função dos temas escolhidos para projeto.

Método de Avaliação