IA para Análise de Dados: Classificar, Prever e Descobrir Padrões

Conhecimentos de Base Recomendados

NA

Métodos de Ensino

Ensino teórico-prático, estando previstas 10 horas de aulas teórico-práticas (TP) e 15 de acompanhamento tutorial (OT).
As aulas de carácter teórico-prático destinam-se à exposição e discussão dos principais conteúdos programáticos, incentivando a interatividade e colocação de questões.
A componente prática é explorada através da realização de exercícios práticos.

Resultados de Aprendizagem

Introduzir conceitos fundamentais de IA e suas principais áreas de aplicação, como classificação, previsão, clustering, entre outras. Apresentar ferramentas de IA com interfaces acessíveis, por exemplo, plataformas no-code/low-code, bibliotecas gráficas e soluções online, que permitam a análise de dados de forma prática. Demonstrar como utilizar essas ferramentas em diferentes contextos, como previsão de vendas, classificação de documentos e análise de clientes. Discutir boas práticas, limites e cuidados ao utilizar ferramentas de IA, incluindo interpretabilidade, limpeza de dados e erros comuns. Capacitar os participantes a realizar pequenos projetos de análise e automação de tarefas com IA, a partir de datasets ou cenários simples.

Estágio(s)

Não

Programa

Módulo 1: Fundamentos de IA e Principais Tarefas
1.1 Visão geral de IA
1.2 Tarefas clássicas
1.3 Exemplos de casos de uso.
1.4 Limitações e preocupações iniciais.

Módulo 2: Ferramentas de IA de Fácil Acesso
2.1 Apresentação de plataformas e ferramentas “no-code/low-code”
2.2 Principais recursos
2.3 Demonstrações práticas com datasets simples
2.4 Interpretação dos resultados e insights obtidos

Módulo 3: Boas Práticas e Pequeno Projeto
3.1 Boas práticas de uso de IA:
•Como preparar corretamente os dados
•Cuidados com viés e representatividade das amostras
•Validação e métricas
3.2 Desenvolvendo um mini-projeto de IA:
•Definição de um problema simples
•Configuração de dataset, escolha de uma ferramenta e método
•Avaliação e apresentação de resultados.
3.3 Reflexão sobre limitações e próximos passos:
•Quando é necessário partir para ferramentas/bibliotecas avançadas ou abordagem programática
•Pontos de atenção na escalabilidade e manutenção de modelos.

Docente(s) responsável(eis)

Fernando Jorge Penousal Martins Machado

Métodos de Avaliação

Avaliação
Avaliação Qualitativa: numa escala de Aprovado/Reprovado: os resultados de aprendizagem são avaliados qualitativamente com base na resolução dos exercícios.: 100.0%

Bibliografia

· Domingos, Pedro. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books, 2015.
· Russell, Stuart; Norvig, Peter. Artificial Intelligence: A Modern Approach. Pearson, 2021 (4th Edition).
· Mitchell, Melanie. Artificial Intelligence: A Guide for Thinking Humans. Farrar, Straus and Giroux, 2019.
· Géron, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow. O’Reilly, 2022 (3rd Edition).
· Raschka, Sebastian; Mirjalili, Vahid. Python Machine Learning. Packt, 2022 (4th Edition).