Tronco Comum
Redes Neuronais e Aprendizagem Profunda
Objetivos de aprendizagem e a sua compatibilidade com o método de ensino
Os objetivos visam aprofundar o conhecimento dos alunos sobre redes neuronais artificiais e a aprendizagem profunda e suas aplicações práticas. Os alunos deverão ser capazes de:
• Projetar, treinar e avaliar modelos de redes neuronais utilizando linguagens de programação como C e Python;
• Analisar as vantagens e limitações de diferentes arquiteturas de redes neuronais;
• Desenvolver soluções baseadas em redes neuronais para problemas reais e em ambientes de big data, considerando aspetos éticos e sociais;
• Avaliar criticamente a eficácia e o impacto das soluções implementadas, promovendo uma reflexão sobre a aplicabilidade e as consequências das redes neuronais em cenários reais.
Ramo
Tronco Comum
Área Científica
Ciências Informáticas
Ano/Semestre
1º / 2º
Carácter
Obrigatório
Horas Totais
168h
Teórico/Prático
42h
Conteúdo programático
1. Fundamentos e Arquitetura: Introdução às redes neuronais, estruturas, funções de ativação e perda;
2. Treino e Otimização: Algoritmo de backpropagation e técnicas de regularização e otimização;
3. Redes Profundas e Avançadas: Redes convolucionais (CNN), recorrentes (RNN, LSTM) e transformers;
4. Explicabilidade de Modelos: Técnicas para explicação global e local de modelos;
5. Aplicações Práticas: Implementação em C e Python para tarefas como classificação de imagens e séries temporais;
6. Ética e Responsabilidade: Discussão sobre viés e ética no uso de redes neuronais.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular
Os conteúdos programáticos foram elaborados para garantir que os alunos adquiram competências práticas em Redes Neuronais e Aprendizagem Profunda aplicadas a cenários reais. A estrutura da unidade curricular abrange as principais técnicas de redes neuronais, incluindo a construção e otimização de modelos, com foco em aplicações concretas como classificação de imagens, previsão de séries temporais e análise de dados em grandes volumes, permitindo uma compreensão sólida e preparando os alunos para enfrentar problemas complexos e adaptáveis. Temas como a explicabilidade de modelos e o impacto das redes neuronais na sociedade ajudam os alunos a desenvolver uma visão crítica sobre as consequências das suas aplicações, enquanto a discussão sobre ética promove uma reflexão sobre a responsabilidade social na utilização dessas tecnologias.
Metodologias de ensino e de aprendizagem específicas da unidade curricular articuladas com o modelo pedagógico
Usar-se-á metodologias dinâmicas e interativas para garantir que os alunos compreendam e apliquem os conceitos de forma prática e significativa. As aulas expositivas servirão como base para a introdução de conteúdos teóricos fundamentais, com explicações detalhadas e exemplos que contextualizam o tema. Os laboratórios práticos, por sua vez, permitirão que os alunos implementem esses conceitos, explorando diretamente a criação e otimização de redes neuronais.
Adicionalmente, o desenvolvimento de projetos em grupo incentivará a colaboração, o que não só promove a partilha de ideias, como também melhora a capacidade de resolução de problemas de forma colaborativa e prática. Estes projetos serão desenhados para simular desafios reais e próximos do mundo profissional. Por fim, a análise de casos de estudo permitirá uma abordagem crítica e reflexiva sobre o uso das redes neuronais em cenários específicos, incluindo questões éticas e a explicabilidade dos modelos. Combinando estas abordagens, o curso proporciona uma aprendizagem ativa, centrada no aluno e diretamente aplicável aos desafios atuais do campo das redes neuronais.
Avaliação
A avaliação incluirá trabalhos práticos, testes escritos e um projeto final que envolverá a aplicação de técnicas de redes neuronais na solução de um problema real. Esta abordagem permite avaliar tanto a compreensão teórica dos alunos quanto a sua habilidade em implementar e adaptar modelos de redes neuronais a situações concretas. A variedade nos métodos de avaliação garante que todos os aspetos do conhecimento e das competências desenvolvidas ao longo da unidade curricular sejam devidamente contemplados.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da unidade curricular
As metodologias de ensino buscam garantir que os alunos possam não só aprender os conceitos fundamentais de redes neuronais, mas também aplicá-los em contextos práticos e relevantes. Combinando teoria e prática, o curso proporciona uma base sólida que incentiva a aplicação dos conceitos em tarefas práticas e desafiadoras, promovendo assim uma compreensão profunda dos temas. Os projetos em grupo e os casos de estudo incentivam o pensamento crítico e a capacidade de resolução de problemas, o que é essencial para a formação de competências avançadas. As avaliações devem medir eficazmente o conhecimento adquirido e identificar as competências desenvolvidas ao longo da unidade curricular. Através de uma combinação de avaliações teóricas e práticas, é possível observar a capacidade dos alunos de interpretar, implementar e refletir criticamente sobre os conceitos de redes neuronais. Estes métodos permitem uma avaliação contínua e formativa, assegurando que cada estudante recebe feedback construtivo e oportunidades para melhorar as suas competências críticas e práticas, coerentes com os objetivos de aprendizagem definidos.
Bibliografia
HAYKIN, S. Neuronal networks: a comprehensive foundation. Prentice Hall, 1998.
J. G. Pires, Redes Neurais em termos simples: como aprendemos, pensamos e modelamos, EA, 2024.
C. Batista, Sincronização em redes neurais: Redes neurais, Novas Edições Académicas, 2016.
V. Pekunov, Redes neurais na modelação da turbulência do ar: Modelos de correcção, Edições Nosso Conhecimento, 2022.
N. Ibrahim, Datamining usando técnicas de redes neurais artificiais, Edições Nosso Conhecimento, 2024.
M. Nielsen, Neural networks and deep learning: http://neuralnetworksanddeeplearning.com/
I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, 2016:
https://www.deeplearningbook.org
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer Deep Learning with Python. François Chollet, Manning publications.
Furtado, M. I. V. (2019). Redes Neurais Artificiais: Uma Abordagem para Sala de Aula. Atena Editora: atenaeditora.com.br/catalogo/post/redes-neurais-artificiais-uma-abordagem-para-sala-de-aula