Sistemas Inteligentes para Engenharia

Conhecimentos de Base Recomendados

Programação, Algebra Linear e Geometria Analítica, Análise Matemática I

Métodos de Ensino

Aulas Teóricas
Apresentação dos conceitos abordadas na unidade curricular com o auxílio de meios áudio visuais, e apresentação de detalhes da programação.
Aulas Teórico-Práticas
Nas aulas teórico-práticas são discutidos, implementados e resolvidos problemas relacionados com os temas abordados nas aulas teóricas. Resolução de problemas de engenharia do mundo real, com implementação prática.

 

Resultados de Aprendizagem

A unidade curricular é ministrada a partir de uma perspetiva prática, com o objetivo de introduzir os sistemas inteligentes aos estudantes de forma aplicada e prática. A ênfase é colocada na implementação prática de soluções de aprendizagem automática, particularmente no contexto de problemas da engenharia e gestão industrial. Ao concluir o curso, espera-se que os estudantes sejam capazes de identificar quais os problemas em que se pode aplicar sistemas inteligentes, compreender as condições em que estes são eficazes e participar de forma informada em diálogos com especialistas na área.

Estágio(s)

Não

Programa

Sistemas inteligentes na eng. e comparação com abordagens tradicionais. Preparação e visualização de dados para identificar padrões. Características dos dados e seu papel no desenvolvimento de modelos.
Introdução à aprendizagem automática. Aprendizagem automática supervisionada vs. não supervisionada. Modelos de predição.
Redes neuronais artificiais. Perceptron e redes neuronais multicamadas feedforward. Métodos de treino. Aprendizagem profunda. Redes Neuronais Convolucionais (CNNs) e Redes Neuronais Recorrentes (RNNs). Aplicações.
Aprendizagem por reforço. Processos de Decisão de Markov (MDPs) e Q-learning.
Large language models (LLMs). Introdução aos LLMs e o seu papel nos sistemas inteligentes.
Tarefas de reconhecimento de padrões em engenharia: deteção de falhas, manutenção preditiva, automação e controlo de qualidade.
Implementação prática. Desenvolvimento e teste de modelos com Python e Scikit-learn. Trabalho com dados reais e simulados. Interpretação e avaliação dos resultados.

Docente(s) responsável(eis)

Pedro Mariano Simões Neto

Métodos de Avaliação

Avaliação
Projecto: 30.0%
Exame: 70.0%

Bibliografia

E.Alpaydin, Introduction to Machine Learning (4th ed.), MIT Press, 2020
A. Burkov, The Hundred-Page Machine Learning Book, 2019
C. Albon, Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning, O’Reilly Media, 2018
Müller, A. C., & Guido, S., Introduction to Machine Learning with Python: A Guide for Data Scientists, O’Reilly Media, 2016
L. Younes, Introduction to Machine Learning, Johns Hopkins University, 2024