Inteligência Artificial Generativa

Conhecimentos de Base Recomendados

Aprendizagem Computacional,  Aprendizagem Profunda e por Reforço, Conhecimentos sólidos de Inglês ao nível da leitura, escrita e fala; Bases solidas de matemática e estatística.

Métodos de Ensino

Durante as aulas teóricas (T) serão apresentados e discutidos os conceitos, as teorias, os algoritmos. Nas aulas (PL) os alunos consolidarão o que aprenderam nas T. Os trabalhos práticos serão realizados sob a orientação do docente. A avaliação será baseada em duas componentes: (1) projetos envolvendo as técnicas; (2) trabalho de investigação.

Resultados de Aprendizagem

A UC  tem como objetivo o estudo e desenvolvimento de modelos generativos de inteligência artificial seguindo abordagens, conexionistas, evolucionárias e biológicas. Com base em conhecimento anterior, adquirido ao longo do curso, serão analisados os principais desafios e oportunidades nesta área. Será dado ênfase à aprendizagem pela prática e segue-se uma abordagem de Project Based Learning.

No final da unidade, o/a estudante terá uma visão abrangente da área da IA generativa e será também capaz de desenvolver e/ou adaptar sistemas generativos por forma a dar resposta a necessidades reais, aplicando estas abordagens a vários domínios.

As principais competências a desenvolver são:

Instrumentais - análise e síntese, resolução de problemas

Pessoais - pensamento crítico

Sistémicas - aplicação prática do conhecimento teórico; investigação

As competências secundárias são:

Instrumentais - organização e planeamento

Pessoais - trabalho em equipa

Sistémicas - aprendizagem autónoma.

Estágio(s)

Não

Programa

1. Introdução à IA Generativa
- Visão geral e aplicações
- Distinção entre modelos generativos e discriminativos
- Contexto histórico e evolução
2. Métodos Clássicos de IA Generativa
- Sistemas baseados em regras e sistemas especialistas
- Sistemas de produção
- Programação lógica com restrições
- Evolutivos
- Cadeias de Markov (para generatividade)
3. Autoencoders
- Os básicos dos autoencoders
- Redução de dimensionalidade não-linear
- Autoencoders Variacionais
4. Redes Adversariais Generativas
5. Modelos de Difusão
6. Técnicas de Exploração em ML Generativo
- Exploração do espaço latente
- Geração e melhoria de prompts
- Optimizadores
- Qualidade-Diversidade
7. Geração de texto e modelos de linguagem de grande escala
8. Estado da Arte em IA Generativa
- Geração e síntese de imagens
- Geração de música e som
- Geração e síntese de vídeo
- Modelos multimédia e híbridos
9. Considerações Éticas, Desafios, Oportunidades.

Docente(s) responsável(eis)

Fernando Jorge Penousal Martins Machado

Métodos de Avaliação

Avaliação
Trabalho de investigação: 30.0%
Projecto: 70.0%

Bibliografia

Foster, D. (2023). Generative Deep Learning (2nd ed.). O’Reilly Media. ISBN: 97810981341811

Bentley, P. J., & Corne, D. W. (Eds.). (2002). Creative Evolutionary Systems. Morgan Kaufmann Publishers

Bentley, P. J. (Ed.). (1999). Evolutionary Design by Computers. Morgan Kaufmann Publishers

Cope, D. (2004). Virtual Music: Computer Synthesis of Musical Style. The MIT Press. ISBN: 97802622559431