Tópicos em Sistemas Inteligentes
| Áreas Científicas |
| Classificação |
Área Científica |
| OFICIAL |
Engenharia Informática |
| OFICIAL |
Ciência de Computadores |
Ocorrência: 2025/2026 - 1S 
Ciclos de Estudo/Cursos
| Sigla |
Nº de Estudantes |
Plano de Estudos |
Anos Curriculares |
Créditos UCN |
Créditos ECTS |
Horas de Contacto |
Horas Totais |
| M.IA |
62 |
Plano de estudos oficial |
1 |
- |
6 |
42 |
162 |
Docência - Responsabilidades
Língua de trabalho
Inglês
Objetivos
Esta UC cobre alguns tópicos em sistemas inteligentes, com ênfase em métodos clássicos na teoria de decisão e aprendizagem estatística; mas também métodos de representação de conhecimento, ontologias e modelos semânticos. Pretende-se simultaneamente estudar métodos clássicos e técnicas mais recentes promovendo a leitura crítica de artigos para a reprodução de métodos relevantes nesta área.Resultados de aprendizagem e competências
A disciplina foca-se na aprendizagem estatística e métodos de representação do conhecimento. No final da disciplina, os estudantes deverão ser capazes de:
- Analisar criticamente regras ou modelos de decisão.
- Desenvolver e implementar sistemas inteligentes que envolvam incerteza ou dados probabilísticos.
- Aplicar modelos para representações complexas em cenários de decisão ou classificação.
- Avaliar e analisar o desempenho de sistemas inteligentes.
Modo de trabalho
Presencial
Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)
Álgebra Linear, Estatística e Probabilidades
Programa
Parte 1:
“Bayes decision theory” - modelos de decisão para lidar com conhecimento incerto.
“Gaussian classifier” - modelo óptimo para classificação binária.
“Maximum likelihood estimation” - estimação de modelos com base em dados observados.
“Expectation-maximization (EM)” - método iterativo clássico para estimação de modelos que maximizam a verossimilhança dos dados observados.
Parte 2:
“Representation of Knowledge” - símbolos, relações e lógica como uma forma de captar conhecimento de um domínio.
“Ontologies and Semantic Models” - classes, propriedades e restrições; conhecimento partilhado e raciocínio.
“Reasoning and Querying” - inferência com lógica descritiva, buscas em conhecimento estruturado usando SPARQL.
“Applications and Integration” - utilização de ontologias para explicabilidade, interoperabilidade e como ponte para combinar conhecimento simbólico e modelos probabilísticos (e.g., BN + KG).
Bibliografia Obrigatória
Richard O. Duda, Peter E. Hart, David G. Stork; Pattern Classification, Wiley-Interscience Publication, John Willey & Sons, Inc., 2nd edition, 2001
Christopher M. Bishop; Pattern Recognition and Machine Learning, Springer-Verlag New York Inc., 2006
Observações Bibliográficas
Bibliografia adicional apresentada durante as aulas.
Métodos de ensino e atividades de aprendizagem
A disciplina combina exposição teórica de conceitos fundamentais com uma componente prática. Na parte prática haverá exercícios para fazer na aula, e outros para serem feitos (de forma individual) fora da aula e que constituem parte da avaliação final da UC.
A principal componente de avaliação é, no entanto, um projeto (de grupo) em que os estudantes possam aplicar conhecimentos adquiridos na UC e outros conceitos relevantes. A abordagem de “Project-Based Learning” (PBL) permite que os alunos desenvolvam autonomia e independência na aquisição do conhecimento, enfrentando desafios reais e promovendo a aprendizagem activa. A leitura de literatura relevante em tópicos de sistemas inteligentes é incentivada para desenvolver uma visão crítica; fundamental numa carreira em investigação.Tipo de avaliação
Avaliação distribuída sem exame final
Componentes de Avaliação
| Designação |
Peso (%) |
| Trabalho prático ou de projeto |
60,00 |
| Trabalho escrito |
40,00 |
| Total: |
100,00 |
Componentes de Ocupação
| Designação |
Tempo (Horas) |
| Elaboração de projeto |
72,00 |
| Frequência das aulas |
36,00 |
| Estudo autónomo |
48,00 |
| Total: |
156,00 |
Obtenção de frequência
Um/a aluno/a inscrito/a obtém frequência se tiver uma nota mínima de 7 valores nas duas componentes de avaliação.
Fórmula de cálculo da classificação final
Nota Final = 40% * Trabalhos de casa + 60% * Projecto
Avaliação especial (TE, DA, ...)
Os trabalhadores-estudantes e equivalentes, que estão dispensados das aulas, não contudo estão dispensados da entrega dos trabalhos regulares. Poderão, caso tenham interesse e com a periodicidade a combinar com os docentes, apresentar a evolução dos seus trabalhos. A flexibilidade também se estende aos horários das apresentações finais, permitindo que esses estudantes apresentem os seus projetos em horários alternativos, conforme acordado com os docentes. Esta abordagem visa assegurar que todos os estudantes, independentemente das suas condições especiais, tenham as mesmas oportunidades de demonstrar o progresso e os resultados dos seus trabalhos.
Melhoria de classificação
A avaliação do projecto não é passível de melhoria.