CURSO

Sistemas de Informação

ESTRUTURA CURRICULAR

Sistemas de Informação Par786/17

PROFESSOR

Sabrina Bet

DISCIPLINA

Nome

Cód.

Sem.

Créditos

C. Horária

Inteligência Artificial

0-18443

8º

4

80

EMENTA

Introdução à Inteligência Artificial. Frameworks cognitivos. Modelos de IA. Machine Learning. Deep Learning. Desenvolvimento de projetos em IA.

OBJETIVO GERAL

Capacitar o estudante a compreender, avaliar e aplicar técnicas de Inteligência Artificial no desenvolvimento de soluções computacionais, selecionando modelos e abordagens adequadas ao contexto do problema, considerando impactos técnicos, organizacionais e sociais, com foco em Sistemas de Informação.

OBJETIVOS ESPECÍFICOS

- Compreender a evolução da Inteligência Artificial, seus paradigmas e áreas constituintes, reconhecendo suas limitações e potencialidades. - Analisar diferentes modelos e técnicas de IA, identificando vantagens, desvantagens e critérios de escolha conforme o problema a ser resolvido. - Aplicar conceitos de Machine Learning e Deep Learning no desenvolvimento de soluções computacionais orientadas a dados. - Utilizar frameworks cognitivos para a construção de sistemas inteligentes, incluindo aprendizagem de máquina, redes neurais artificiais e processamento de linguagem natural. - Desenvolver projetos práticos em Inteligência Artificial, integrando teoria e prática na resolução de problemas reais ou simulados. - Avaliar o impacto da Inteligência Artificial em organizações e na sociedade, considerando aspectos éticos, técnicos e estratégicos. - Trabalhar de forma colaborativa no desenvolvimento de soluções baseadas em IA, utilizando boas práticas de engenharia e comunicação técnica.

CONTEÚDO PROGRAMÁTICO

UN.

CONTEÚDOS

C.H.

1

Apresentação da disciplina
Apresentação do plano de ensino.

2

2

1. Introdução à Inteligência Artificial.
1.1. Histórico
1.2. Estado da Arte
1.3. Onde o hype mente
1.4. Onde a IA realmente gera valor de negócio

2

3

2. Modelos de IA.
2.1 Modelos baseados em regras
2.2. Modelos probabilísticos
2.3. Modelos baseados em dados (ML)
2.4. Quando NÃO usar IA

2

4

3. Frameworks cognitivos.
3.1. Frameworks cognitivos x frameworks de código
3.2. Aprendizagem (humana × máquina)
3.3. Redes neurais como abstração cognitiva
3.4. NLP como interface homem-máquina
3.5. LLMs como frameworks cognitivos modernos

2

5

4. Machine Learning e Deep Learning.
4.1. Pipeline de ML
4.2 Métrica como decisão de negócio
4.3. Arquiteturas + casos de uso

36

6

5. Desenvolvimento de projetos em IA.

36

TOTAL DE HORAS

80 h

Conforme o Art. 4º da Resolução do CONSUNI nº 292/2017, os alunos cumprirão em 16 aulas adicionais a seguinte Atividade Prática Extraclasse: Laboratórios práticos.

Estratégias:ARS - Aula Remota Síncrona; AGM - Aula Google Meet; AGC - Atividade Google Classroom; AEX - Aula expositiva dialogada; APE – Atividades Práticas Extraclasse; ARM – Aula com Recursos Multimídia;  DG – Dinâmicas de Grupo; DM – Dramatização; EC – Estudo de Caso; ED - Estudo Dirigido; ET – Estudo de Texto; EX – Exercício de Fixação; FR – Fórum; LAB – Aula em Laboratório; MAC - Mapeamento Conceitual; PAL – Palestra; SE – Seminário; SI – Simulação; TG - Trabalho em Grupo; TIG – Trabalho Integrado e em Grupo; TI - Trabalho Individual; VT - Visitas Técnicas.

SISTEMÁTICA DE AVALIAÇÃO

CONHECIMENTOS

Projetos e atividades propostas.

HABILIDADES

Eficiência e eficácia das soluções apresentadas para a resolução das atividades propostas. Articula saberes teóricos e práticos para a resolução de problemas.

ATITUDES

Pontualidade, assiduidade, contribuição para o bom andamento das aulas, participação nas atividades propostas, proatividade, trabalho em equipe, responsabilidade, respeito, sigilo profissional, postura profissional, uso das tecnologias em sala somente com foco educacional.

OUTRAS

DATAS PREVISTAS

Avaliação

Unidades

C

H

A

Valor

Data

Recuperação

Sim

Data

Avaliação 01 – Projetos e Práticas Aprendizagem de Máquina (Supervisionado) (Atividades + Projeto)

Todas

x

x

x

2.5

A definir

x

A definir

Avaliação 02 – Projeto e Práticas Aprendizagem de Máquina (Não Supervisionado) (Atividades + Projeto)

Todas

x

x

x

1.5

A definir

x

A definir

Avaliação 03 – Projeto e Práticas Visão Computacional (Atividades + Projeto)

Todas

x

x

x

3

A definir

x

A definir

Avaliação 04 – Projeto Integrador

Todas

3

A definir

 BIBLIOGRAFIA BÁSICA

1

RUSSELL, Stuart J; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022. 1 recurso online (1075 p.). ISBN 9788595159495.

2

BARCAUI, André. Guia da inteligência artificial: do iniciante ao nerd. 1. ed. São Paulo: Actual, 2025. 1 recurso online (302 p.). ISBN 9786583400062.

3

LUGER, George F. Inteligência artificial: estruturas e estratégias para a solução de problemas complexos. 4.ed. Porto Alegre: Bookman, 2004. 774 p. ISBN 8536303964

 BIBLIOGRAFIA COMPLEMENTAR

1

PAULA, Gáudio Ribeiro de. Desafios regulatórios da inteligência artificial: human rights by design. 1. ed. Barueri: Manole, 2025. 1 recurso online (243 p.). ISBN 9788520467275.

2

KAUFMAN, Dora. Desmistificando a inteligência artificial. 1. ed. Belo Horizonte: Autêntica, 2022. 1 recurso online (468 p.). ISBN 9786559281596.

3

CÓRDOVA, Paulo Roberto. Inteligência artificial: entre o fascínio e o medo. 1. ed. São Paulo: Contexto, 2025. 1 recurso online (287 p.). ISBN 9786555416213.

4

SANTOS, Manoel J. Pereira dos; SCHAAL, Flavia Mansur Murad; GOULART, Rubeny. Propriedade intelectual e inteligência artificial. 1. ed. São Paulo: Almedina, 2024. 1 recurso online (340 p.). ISBN 9786556279534.

5

FACELI, Katti; LORENA, Ana Carolina; CARVALHO, André Carlos Ponce de Leon Ferreira de; GAMA, João; ALMEIDA, Tiago Agostinho de. Inteligência artificial: uma abordagem de aprendizado de máquina. 3. ed. Rio de Janeiro: LTC, 2025. 1 recurso online (348 p.). ISBN 9788521639213.

obs:- A avaliação será Processual e Contínua, com base nas entregas das atividades realizadas em todas as aulas. A recuperação de cada atividade acontecerá automaticamente, com uma nova entrega da mesma atividade, no prazo máximo de 7 dias após a inicial (com redução de 10% do peso). - Os materiais da disciplina e atividades serão disponibilizados na plataforma Google Classroom, o código da turma será disponibilizado via grupo da turma no WhatsApp. - Para fins de justificativa de falta e realização de atividade fora do prazo, será seguido o que determina a Resolução 619/2024.