Código |
11491
|
Ano |
1
|
Semestre |
S2
|
Créditos ECTS |
6
|
Carga Horária |
PL(30H)/T(30H)
|
Área Científica |
Informática
|
Tipo de ensino |
Presencial
|
Objectivos de Aprendizagem |
No final da Unidade Curricular o estudante deve ser capaz de compreender e explicar o que são e como funcionam os principais métodos e algoritmos informáticos de extracção automática de conhecimento util a partir de dados, e deve ser capaz de implementar processos simples para realizar este tipo de tarefas.
|
Conteúdos programáticos |
Introdução – O que são e para que servem a Aprendizagem Automática e a Mineração de Dados Aprendizagem de conceitos e ordenação geral-para-específico Avaliação de hipóteses Algoritmos principais de Aprendizagem Automática Mineração de dados - aplicação de Aprendizagem Automática a problemas e dados concretos Modelo para um processo standard de Mineração de Dados Problemas principais dos processos de Mineração de Dados, e suas soluções
|
Metodologias de Ensino e Critérios de Avaliação |
Fase de Aprendizagem: • É avaliada com nota de 0 a 20. • Notas iguais ou superiores a 10 são suficientes para obter nota final positiva (que será igual à nota obtida nesta Fase de Aprendizagem). • 8 dos 20 valores desta fase serão obtidos através de um teste escrito, e os restantes 12 valores através de dois trabalhos práticos. O primeiro destes trabalhos praticos vale 4 valores e deverá ser concluido até 2 de Abril. O segundo vale 8 valores e deverá ser concludo até 5 de Junho. • As presenças/ausências nas aulas afectam a classificação. A partir da segunda falta não justificada, cada falta não justificada adicional reduz 0.1 valores à nota da Fase de Aprendizagem. Obtenção de frequência (possibilidade de ir aos exames): • É preciso ter 6 (em 20) na Fase de Aprendizagem. Exames: • As provas de exame (todas as épocas) são avaliadas de 0 a 8 valores. • A nota final da disciplina, obtida por exame, é a soma da classificação das aulas práticas e das provas escritas de Exame. Data da prova de Frequência: • A prova de frequência será no dia 5 de Junho de 2018, às 09:30h.
|
Bibliografia principal |
Principal: · Mitchell, Tom: Machine Learning McGraw-Hill Higher Education; New Edition (1 Oct 1997) · Fayyad, U., Piatetsky-Shapiro, G. e Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37-54 (1996). Artigo disponível na Internet. · Weiss, S. e Indurkhya, N.: Predictive Data Mining: A Practical Guide. Morgan Kaufmann (1998) · Almeida, P: Previsão do Comportamento de Séries Temporais Financeiras com Apoio de Conhecimento Sobre o Domínio. Ph.D. Thesis (in Portuguese), Universidade da Beira Interior, Portugal, 2003. Secundária: · Witten, I., Frank, E.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann (2005) · Larose, D.: Discovering Knowledge in Data: an Introduction to data Mining. John Wiley & Sons (2004) Recursos genéricos na internet (exemplo básico): · http://en.wikipedia.org/wiki/Main_Page
|
Língua |
Português
|