| Código |
14469
|
| Ano |
1
|
| Semestre |
S1
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Objectivos de Aprendizagem |
A disciplina visa apresentar aos estudantes uma introdução aos fundamentos, métodos e aplicações da Aprendizagem Automática (AA).
São abordadas técnicas, metodologias de desenho e implementação de algoritmos que ilustram as abordagens supervisionada, não supervisionada e por reforço à AA.
Apresentam-se diferentes algoritmos e técnicas computacionais utilizadas na AA moderna e é feita a respectiva aplicação experimental a dados reais.
No fim desta disciplina os alunos deverão ser capazes de:
- Compreender os paradigmas e desafios da área de AA.
- Compreender as motivações, os pressupostos e limitações das diversas técnicas computacionais que são aplicadas para resolver um problema particular em AA.
- Explorar as implementações existentes dos algoritmos de AA mais populares e saber implementar e adaptar os mesmos de forma adequada.
- Identificar direções para investigação em AA.
- Mostrar autonomia na adopção e adaptação de técnicas da área de AA.
|
|
Conteúdos programáticos |
1. Introdução. Conceitos e definições preliminares: Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada e Aprendizagem por Reforço. Áreas de aplicação. Exemplos de problemas de classificação, regressão e agrupamento.
2. Tópicos de processamento de dados. Distâncias e similaridades. Medidas de dispersão e visualização de dados. Redução de dimensionalidade. Deteção de anomalias.
3. Aprendizagem Supervisionada. Regressão. Classificação. Classificadores baseados em Instâncias. Modelos gráficos. Redes Neuronais. Árvores de Decisão. Máquinas de Vetores de Suporte. Combinação de classificadores.
4. Aprendizagem não Supervisionada. Análise de agrupamento. Métodos de agrupamento por partição.
Métodos de agrupamento probabilístico. Métodos de agrupamento difuso. Métodos de agrupamento hierárquico. Mapas auto-organizados.
5. Aplicações seleccionadas. Sistemas de controlo, sistemas de recomendação e aprendizagem em grande escala.
|
|
Metodologias de Ensino e Critérios de Avaliação |
Aulas teóricas com exposição da matéria pelo professor seguida de discussão dos algoritmos apresentados, complementada com pequenos exercícios teórico-práticos. Aulas práticas com utilização de computadores e realização de trabalhos de grupo. Os estudantes têm oportunidade de, com orientação do professor, aplicar as técnicas aprendidas a problemas com dados reais no âmbito de um mini-projeto de desenvolvimento de software. Está prevista também a realização de apresentações individuais e coletivas sobre tópicos de investigação recente em AA.
|
|
Bibliografia principal |
David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press, 2016.
Ian Goodfellow, and Yoshua Bengio, Deep Learning, MIT Press, 2016.
Andrew Ng, Machine Learning Yearning, 2018.
E. Alpaydin (2010). Introduction to Machine Learning, Second Edition, MIT Press.
Scientific papers and extra materials provided by the teacher.
|
| Língua |
Português
|