Aprendizagem Computacional I

Código:

CC2008

Sigla:

CC2008

Nível:

200

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2025/2026 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Licenciatura em Inteligência Artificial e Ciência de Dados

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
L:BIOINF	28	Plano de Estudos Oficial	2	-	6	48	162
L:CC	31	Plano estudos a partir do ano letivo 2021/22	2	-	6	48	162
			3
L:IACD	78	Plano Oficial a partir do ano letivo 2021/22	2	-	6	48	162

Língua de trabalho

Português

Objetivos

Esta UC faz uma introdução à Aprendizagem Computacional (AC) fornecendo aos estudantes uma breve contextualização histórica e referência a algumas das suas aplicações mais relevantes.

Pretende-se que os estudantes façam um primeiro contacto com várias tarefas e abordagens envolvidas em problemas de AC e que possam, desta forma, identificar as estratégias mais adequadas.

Resultados de aprendizagem e competências

Pretende-se que os(as) estudantes: 

• conheçam os vários tipos de tarefas de aprendizagem computacional (AC);


• identifiquem problemas que possam ser abordados como tarefas de AC;


• conheçam os fundamentos algorítmicos da AC;


• conheçam as fases de um projeto de AC;


• conheçam os principais métodos/algoritmos para cada tipo de tarefa de AC e compreender o essencial do seu funcionamento;


• avaliem, de forma correta, os resultados de um projeto de AC;


• desenvolvam e implementem estratégias em algoritmos de AC que visem superar desafios de domínio;


• utilizem, de forma adequada, software para a resolução de problemas simples de AC.

Modo de trabalho

Presencial

Programa

• Introdução à Aprendizagem Computacional (AC). 


• Aprendizagem supervisionada




• problemas de classificação e regressão


• métricas de avaliação


• metodologias de estimativa de desempenho


• algoritmos lineares e não lineares (por exemplo, discriminante linear, regressão linear, árvores de decisão, k-NN, Naive Bayes, SVM, ANN)




• Aprendizagem não supervisionada




• métricas de similaridade e distância


• clustering por partições e hierárquico


• validação de clusters


• descoberta de padrões frequentes 


• algoritmos (por exemplo, k-Means, DBSCAN, Apriori)




• Aprendizagem por modelos múltiplos




• bagging e boosting


• algoritmos (por exemplo, Random Forest, AdaBoost)




• Tópicos avançados




• aprendizagem em domínios desbalanceados


• deteção de anomalias


• meta-aprendizagem




• Integração de AC num projeto de mineração de dados: metodologias.

Bibliografia Obrigatória

João Moreira, Andre Carvalho, Tomás Horvath; A General Introduction to Data Analytics, John Wiley & Sons, 2018. ISBN: 978-1-119-29626-3
João Gama, André Carlos Ponce de Leon Ferreira de Carvalho, Katti Faceli, Ana Carolina Lorena, and Márcia Oliveira; Extração de Conhecimento de Dados: Data Mining, Edições Sílabo, 2017. ISBN: 978-972-618-914-5

Bibliografia Complementar

Mitchell, T. M.; Machine learning, McGraw Hill, 2017
Flach P.; Machine Learning, Cambridge University Press., 2012. ISBN: 978-1-107-42222-3

Métodos de ensino e atividades de aprendizagem

Software

Python

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	30,00
Trabalho prático ou de projeto	40,00
Teste	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	56,00
Estudo autónomo	50,00
Frequência das aulas	56,00
Total:	162,00

Obtenção de frequência

A avaliação final tem uma componente distribuída que consiste na realização de dois testes e um trabalho prático.

O estudante que não entregue e apresente o trabalho prático perde frequência, não sendo elegível para o segundo teste nem para o exame de recurso.

Fórmula de cálculo da classificação final

Fórmula de cálculo da classificação final:

0.3* T1+ 0.4 * TP + 0.3*T2

onde

T1 é nota do primeiro teste,

TP é a nota do trabalho prático,

T2 é nota do segundo teste - a realizar na data do exame final.

Para aprovação, o estudante deve obter uma nota mínima de 35% em cada uma das três componentes.

Avaliação especial (TE, DA, ...)

Os trabalhadores estudantes e equivalentes dispensados das aulas devem, com periodicidade a combinar com os docentes, apresentar a evolução dos seus trabalhos, assim como devem fazer a apresentação destes, simultaneamente com os estudantes ordinários.

Melhoria de classificação

A avaliação do trabalhos prático não é passível de melhoria.

O estudante pode melhorar a nota teórica submetendo-se ao exame de recurso.

Observações

Júri: Rita P. Ribeiro, Pedro G. Ferreira, João Mendes Moreira