Tópicos Avançados de Sistemas Inteligentes
Áreas Científicas |
Classificação |
Área Científica |
CNAEF |
Ciências informáticas |
Ocorrência: 2024/2025 - 1S 
Ciclos de Estudo/Cursos
Sigla |
Nº de Estudantes |
Plano de Estudos |
Anos Curriculares |
Créditos UCN |
Créditos ECTS |
Horas de Contacto |
Horas Totais |
MECD |
17 |
Plano de estudos Oficial |
2 |
- |
6 |
42 |
162 |
Docência - Responsabilidades
Língua de trabalho
Inglês
Objetivos
Esta unidade curricular tem por objetivo transmitir aos estudantes ferramentas e metodologias necessárias no projeto, simulação e análise de sistemas inteligentes.
Resultados de aprendizagem e competências
Os estudantes após esta unidade curricular deverão ser capazes de criar e a analizar modelos de sistemas inteligentes, utilizar técnicas de simulação, análise e projeto de sistemas inteligentes que cobrem um vasto número de aplicações tais como sistemas ciber-físicos, económicos, biológicos, sistemas de manufactura e sistemas de redes de computação e de comunicação.
Modo de trabalho
Presencial
Programa
1-Introdução aos sistemas inteligentes: Objetivos, definições e exemplos ilustrativos.
2-Modelos de sistemas inteligentes: Sistemas contínuos e discretos baseado em princípios físicos e relações fundamentais. Modelos baseados em dados. Sistemas de acontecimentos discretos. Autómatos. Modelação probabilística de incerteza. Cadeias de Markov. Simulação estocástica e de Monte Carlo. Sistemas híbridos e ciber-físicos.
3-Aprendizagem por reforço: Processos de decisão de Markov. Programação dinâmica. Integração de aprenizagem e planeamento. Metodologies de aprendizagem por reforço com e sem modelo.
4-Projeto de Sistemas inteligentes: Arquiteturas, aplicações e ferramentas de simulação. Exemplos: Sistemas económicos e físicos, sistemas eletromecânicos, sistemas de manufactura, sistemas de comunicação, genoma, sistema de transportes, processos biológicos e evolução de populações, veículos autónomos, etc.
Bibliografia Obrigatória
Sutton, R. S. and Barton, A. G. ;
Reinforcement Learning: An Introduction, The MIT Press, Cambridge, Massachusetts, 2018
Bibliografia Complementar
Medsker, L. R. ;
Hybrid intelligent systems, Springer Science & Business Media, 2012
Mars, P.;
Learning algorithms: theory and applications in signal processing, control and communications, CRC press., 2018
Astrom, K., Murray, R.; Feedback Systems: An Introduction for Scientists and Engineers, Princeton University Press., 2010
Cassandras, C.G., Lafortune, S.;
Introduction to discrete event systems (2nd ed), Springer, 2008
Antsaklis, P., Passino, K.;
An Introduction to Intelligent and Autonomous Control, Kluwer, 1993
Observações Bibliográficas
Parte do material de estudo consiste em artigos científicos e outras publicações que serão indicadas pelo docente no momento oportuno.
Métodos de ensino e atividades de aprendizagem
As aulas consistirão na exposição dos conteúdos e discussão de exemplos ilustrativos dos conceitos apresentados. Também incluem a realização de exercícios práticos apoiados na utilização de ferramentas computacionais.
Tipo de avaliação
Avaliação distribuída sem exame final
Componentes de Avaliação
Designação |
Peso (%) |
Trabalho escrito |
50,00 |
Trabalho prático ou de projeto |
50,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Estudo autónomo |
30,00 |
Frequência das aulas |
42,00 |
Trabalho de investigação |
20,00 |
Trabalho escrito |
30,00 |
Elaboração de projeto |
40,00 |
Total: |
162,00 |
Obtenção de frequência
Não exceder o número limite de faltas.
Fórmula de cálculo da classificação final
A avaliação é composta por três componentes:
- Qualidade técnico-científica do trabalho desenvolvido (30%)
- Qualidade do relatório (50%)
- Qualidade da apresentação final do trabalho (20%)
Melhoria de classificação
Desenvolvimento de um projeto de sistemas inteligentes, entrega do respectivo relatório e apresentação oral do trabalho realizado.