Complementos de Aprendizagem Computacional

Código:

M.EIC011

Sigla:

CAC

Áreas Científicas
Classificação	Área Científica
OFICIAL	Inteligência Artificial

Ocorrência: 2021/2022 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado em Engenharia Informática e Computação

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.EIC	14	Plano de estudos oficial	1	-	6	39	162

Língua de trabalho

Inglês

Objetivos

O objetivo geral é criar competências no tratamento de dados de natureza complexa. Pretende-se desenvolver a capacidade de tratar dados que não sejam simplesmente tabelas de observações i.i.d. Os tipos de dados complexos (DC) abordados incluem os que são importantes hoje (texto, grafos e dados espácio-temporalmente referenciados) mas irá também acomodar novos tipos ou fontes de dados para preparar os estudantes para o desenvolvimento de técnicas adequadas para os problemas com que sejam confrontados nas suas vidas profissionais.

Resultados de aprendizagem e competências

Os learning outcomes são:

• compreender a natureza de tipos de DC comuns e o seu impacto nas metodologias de análise de dados, em particular em relação aos algoritmos e à avaliação.
• compreender as abordagens típicas e também o estado da arte para análise dos tipos de DC mais comuns.
• configurar e utilizar tecnologias para análise de tipos de DC.
• desenvolver (criar/adaptar) metodologias para análise de novos tipos e fontes de DC.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Competências básicas em Inteligência Artificial e Aprendizagem Computacional (Machine Learning), incluindo Estatística e Programação.

Programa

• Tópicos avançados em sistemas de recomendação


• Processamento de linguagem natural/Text mining


• Análise de Redes Sociais/Social network analysis


• Análise de dados multi-relacionais/Inductive Logic Programming


• Análise de dados espácio-temporalmente referenciados


• Tendências em análise de dados complexos

Bibliografia Obrigatória

Charu C. Aggarwal; Data mining. ISBN: 978-3-319-14142-8
David Easley; Networks, crowds, and markets
Jordan, M. I., & Mitchell, T. M. ; Machine learning: Trends, perspectives, and prospects, 2015 (https://doi.org/10.1126/science.aaa8415)

Bibliografia Complementar

Jiawei Han; Data mining. ISBN: 978-0-12-381479-1

Métodos de ensino e atividades de aprendizagem

• Exposição de conteúdos pelo docente.


• Realização de exercícios teórico-práticos pelos estudantes.


• Discussão de artigos científicos.


• Seminários por outros investigadores.


• Prova escrita.

Software

R
python

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	50,00
Trabalho prático ou de projeto	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	45,00
Estudo autónomo	78,00
Frequência das aulas	39,00
Total:	162,00

Obtenção de frequência

No caso de falta de uma das componentes da avaliação, a nota respetiva é de 0 (zero) valores.

Nota mínima em cada componente: 7,0 (sete) valores (em 20).

Fórmula de cálculo da classificação final

50% Mini-teste + 50% Projeto

Avaliação especial (TE, DA, ...)

Os alunos com estatuto que isenta da frequência das aulas têm que realizar todas as componentes de avaliação, devendo contactar o regente para definir eventuais ajustes.

Melhoria de classificação

Pode ser feita melhoria de classificação na prova escrita na época de recurso do ano em que o estudante é aprovado.

Para os momentos em que não foi feita melhoria de classificação no ano em que o estudante é aprovado, pode ser feita melhoria em um ou mais dos momentos de avaliação no ano seguinte, na época normal ou de recurso.