Representação de Conhecimento

Conhecimentos de Base Recomendados

Fundamentos de Inteligência Artificial, conhecimentos de Programação e Matemática.

Métodos de Ensino

Nesta unidade estão incluídas aulas teóricas onde serão realizadas apresentações detalhadas sobre conceitos fundamentais e princípios da representação de conhecimento. Nas aulas laboratoriais, sempre que possível, o processo de ensino aprendizagem será baseado na resolução de pequenos problemas utilizando dados de contextos reais. 

Resultados de Aprendizagem

O objetivo principal da unidade curricular é introduzir fundamentos da representação de conhecimento no contexto de Inteligência Artificial.

Espera-se que o aluno adquira conhecimentos sobre os fundamentos da representação de conhecimento e desenvolva capacidades de resolução de problemas, aprendizagem autónoma e capacidade de planeamento e decisão

Após a conclusão deste curso, as principais competências a desenvolver pelos alunos são:

Instrumental - Resolução de problemas

Pessoal - Pensamento Critíco

Sistémico - Aplicação Prática de Representação de Conhecimento

 

As competências secundárias são:

Instrumental - Organização e Planeamento

Pessoal - Trabalho em Equipa

Sistémico - Aprendizagem Autónoma. 

Estágio(s)

Não

Programa

Informação, Conhecimento, Representação

.1 O que é Informação?

.2 O que é Conhecimento?

.3 O que é Representação?

Tipos de Representação de Conhecimento

.1 Conhecimento Declarativo

.2 Conhecimento Procedimental

.3 Conhecimento Heuristico

.4 Conhecimento Estrutural

Aprendizagem Processual

.1 Aprendizagem por Espaço vs Aprendizagem por Exemplo

.2 Aprendizagem baseada em Explicações

.3 Programação Lógica Indutiva

.4 Aprendizagem baseada em Instâncias

.5 Aprendizagem Bayesiana

Conhecimento Estrutural

.1 Fundamentos de Lógica (Lógica Proposicional, Lógica de Primeira Ordem)

.2 Linguagens RDF, OWL

.3 Estruturas: Taxonomias, Ontologias

.4 Dados Conectados e reutilização de Vocabulário

Representação de Conhecimento Aplicado

.1 Gestão de Dados

.2 Limpeza de Dados

.3 Modelagem de Dados

.4 Organização de dados para visualização

.5 Séries Temporais

.6 Agrupamento, Regressão e Classificação.

Docente(s) responsável(eis)

Professor A Definir - Departamento de Engenharia Informática

Métodos de Avaliação

Avaliação
Projecto: 40.0%
Exame: 60.0%

Bibliografia

- Leon S. Sterling, Ehud Y. Shapiro, The Art of Prolog, 2^nd Edition, The MIT Press, 1994

- Pascal Hitzler, Markus Krotzsch, Sebastian Rudolph, Foundations of Semantic Web Technologies, Chapman and Hall/CRC, 2009

Stefanie Molin, Hands-On Data Analysis with Pandas, 2^nd Edition, <packt>, 2021

-Richard E. _Neapolitan, Learning Bayesian Networks, Pearson, 2019

 -Wes McKinney, Python for Data Analysis, 3^rd Edition, O' Reilly, 2022.