PT
EN

Home
Disciplina detalhes

Inteligência Artificial Generativa

Detalhes do curso

Conhecimentos de Base Recomendados

-
Objetivos

A- Desenvolver uma compreensão abrangente da evolução, teoria e aplicação da IA generativa, permitindo uma apreciação das suas
capacidades e limites.
B- Ganhar um entendimento prático dos Modelos de Linguagem de Grande Escala, explorando suas funcionalidades, casos de uso e
impacto no mercado atual.
C- Adquirir competências de interação com tecnologias de IA generativa, incluindo o uso efetivo de APIs.
D- Cultivar uma consciência crítica sobre as implicações éticas e futuras tendências na IA generativa, preparando-se para contribuir de
forma responsável e inovadora no campo
Métodos de Ensino

Esta unidade curricular é estruturada em torno de aulas teórico-práticas, que combinam diversas abordagens pedagógicas para uma experiência de aprendizagem interativa e abrangente. As metodologias utilizadas incluem: 1) Aulas Teórico-Práticas (Integração do Método Expositivo e Demonstrativo): -Método Expositivo: Os conceitos são apresentados de forma clara e estruturada, utilizando-se de recursos audiovisuais para reforçar a compreensão. - Método Demonstrativo: A apresentação dos conceitos é intercalada com demonstrações práticas, onde os alunos visualizam a aplicação dos conceitos através de exemplos práticos ou simulações. 2) Realização de Exercícios Práticos: Durante as aulas, são propostos exercícios práticos relacionados com a matéria abordada. Estes exercícios são uma forma crucial de aplicação prática do conhecimento teórico. Os alunos trabalham individualmente ou em conjunto nos exercícios durante a aula e entregam individualmente no final, permitindo o feedback construtivo. 3) Métodos Ativos: - Quizzes Interativos em Grupo: Utilizados durante a exposição dos conceitos para promover a discussão colaborativa e a aplicação do conhecimento em tempo real. - Exercícios Individuais Semanais: Pequenos exercícios ou questões focadas na matéria da semana, que incentivam a revisão contínua e a autoavaliação, e ajudam o estudante a consolidar os conhecimentos adquiridos. - Técnicas de gamificação (badges e leaderboards) associadas às atividades de aula, que promovem a aprendizagem colaborativa e o envolvimento e motivação dos estudantes. 4) Avaliação Sumativa com Teste Final Individual: Esta avaliação é realizada na fase final da unidade curricular para medir a compreensão global e a capacidade de aplicação integrada dos conceitos estudados. Esta abordagem pedagógica visa não apenas a transmissão de conhecimento, mas também o desenvolvimento de competências analíticas, colaborativas e autónomas nos alunos, preparando-os de maneira eficaz para os desafios práticos da área de estudo.
Estágio(s)

Não
Programa

1. Compreender a Inteligência Artificial
1.1 Conceitos essenciais e história da Inteligência Artificial
1.2 Tipos de Inteligência Artificial
1.3 Machine Learning
1.4 Redes Neuronais e Deep Learning
2. Introdução à IA Generativa
2.1. IA Generativa: O que é e como funciona
2.2 Tipos de IA Generativa
2.3 Aplicações práticas
3. Modelos de Linguagem de Grande Escala (LLMs)
3.1 LLMs: O que são e como funcionam
3.2 Exemplos de LLMs no mercado (e.g. GPT-3, BERT)
4.Interatividade com Modelos de Linguagem
4.1 Técnicas de prompt engineering
4.2 Práticas interativas e chatbots
4.3 Interação com APIs
5. Ética e Perspectivas Futuras
5.1 Desafios éticos
5.2 Tendências futuras na IA generativa
Demonstração de conteúdos

Os conteúdos programáticos foram definidos em função dos objetivos e competências a serem adquiridos pelos estudantes: - Os pontos 1 e 2 concretizam o objetivo de aprendizagem A; - O ponto 3 concretiza o objetivo de aprendizagem B; - O ponto 4 concretiza o objetivo de aprendizagem C; - O ponto 5 concretiza o objetivo de aprendizagem D;
Demonstração da metodologia

As aulas teórico-práticas, que integram a exposição de conceitos com demonstrações e exercícios práticos, estabelecem um equilíbrio entre o fornecimento de conhecimento fundamental e a aplicação imediata desse conhecimento. Esta metodologia favorece uma compreensão contextualizada da IA generativa, permitindo que os estudantes não só absorvam a teoria, mas também visualizem sua aplicação prática, um aspecto essencial para uma compreensão holística da matéria. A realização de exercícios práticos e a utilização de métodos ativos como quizzes interativos e exercícios individuais semanais complementam-se para reforçar a aprendizagem teórica com experiências práticas regulares e interativas. Esta abordagem prática contribui para o desenvolvimento de competências analíticas e técnicas, permitindo aos estudantes aplicar os conceitos aprendidos em cenários reais e projetos práticos. A inclusão de técnicas de gamificação aumenta o envolvimento e a motivação dos estudantes, promovendo uma aprendizagem mais eficaz e colaborativa. Por fim, a avaliação sumativa com um teste final individual avalia a compreensão global dos estudantes e a sua capacidade de integrar e aplicar os conceitos de forma coesa. Este método de avaliação é fundamental para assegurar que os estudantes tenham adquirido um entendimento completo e prático da IA generativa.
Docente(s) responsável(eis)

-
Bibliografia

- Foster, D. (2020). Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play (2nd ed.). O'Reilly Media.
- Caelen, O., & Blete, M.-A. (2023). Developing Apps with GPT-4 and ChatGPT. O'Reilly Media, Inc. ISBN: 9781098152482.
- Kulkarni, A., Shivananda, A., Kulkarni, A., & Gudivada, D. (2023). Applied Generative AI for Beginners: Practical Knowledge on Diffusion
Models, ChatGPT, and Other LLMs. Apress. ISBN: 9781484299944.
- Patel, D. M. (2023). Artificial Intelligence & Generative AI for Beginners: The Complete Guide. Independently published. ISBN:
9798850705527
- Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

Código

01101909
Modo de Ensino

PRESENCIAL
ECTS

4.0
Duração

Semestral
Horas

45h Teórico-Práticas

Conteúdo atualizado em 21/03/2025 15:46