Publicação em Diário da República: Despacho n.º 12419/2016 - 14/10/2016
6 ECTS; 3º Ano, 1º Semestre, 30,0 T + 45,0 TP + 5,0 OT , Cód. 814320.
Docente(s)
- Sandra Maria Gonçalves Vilas Boas Jardim (2)
(1) Docente Responsável
(2) Docente que lecciona
Pré-requisitos
Conhecimentos adquiridos nas UC de Cálculo, de Matemática Discreta, de Programação e Algoritmia, de Linguagens de Programação.
Objetivos
1. Conhecer os princípios de base, os fundamentos matemáticos e os domínios de aplicação de técnicas de aprendizagem automática.
2. Compreender os pontos fortes e fracos dos diferentes algoritmos consoante os domínios da aplicação
3. Identificar situações de sobre-aprendizagem e aplicar técnicas de regularização e validação cruzada para as minorar
4. Saber combinar ou modificar elementos chave de técnicas de aprendizagem automática para projetar novos algoritmos
5. Desenvolver e aplicar algoritmos de aprendizagem automática a problemas concretos, e avaliar e comparar o desempenho dos métodos utilizados
Programa
I. Introdução à aprendizagem automática, áreas relacionadas e domínio de aplicação.
II. Regressão paramétrica: regressão linear, e polinomial.
III. Conceitos fundamentais de aprendizagem supervisionada, sobre aprendizagem, capacidade de generalização.
IV. Método de máxima verosimilhança para estimação de parâmetros de densidades, e modelos de regressão.
V. Conceitos de classificação: regiões de decisão, funções discriminantes, avaliação de classificadores.
VI. Teoria de decisão de Bayes.
VII. Classificação com discriminantes lineares, discriminantes de Fisher: 2 classes e multi-classe.
VIII. Métodos de descida de gradiente.
IX. Classificação com discriminantes logísticos e redes neuronais.
X. Métodos não supervisionados: redução de dimensionalidade e técnicas de agrupamento.
XI. Árvores de decisão: representação, algoritmo ID3, entropia, medidas de impureza, e ganho de informação.
Metodologia de avaliação
Teste escrito, com um peso de 40% da classificação final.
Séries de problemas, com um peso de 60% da classificação final.
Bibliografia
- Jensen, F. e Nielsen, T. (2007). Bayesian Networks and Decision Graphs (Information Science and Statistics). (Vol. 1). (pp. 1-448). USA: Springer
- Marques, J. (2005). Reconhecimento de Padrões - Métodos Estatísticos e Neuronais. (Vol. 1). (pp. 1-284). Lisboa: IST Press
- Stork, D. e Hart, P. e O. Duda, R. (2000). Pattern Classification. (Vol. 1). (pp. 1-635). USA: Wiley-Interscience
Método de Ensino
As aulas destinam-se à apresentação dos temas e de exemplos práticos. Os tópicos principais são igualmente explorados através da realização de exercícios e de trabalhos práticos baseados em computador.
Software utilizado nas aulas
Code Blocks / Visual C; ferramentas de produtividade; plataforma eLearning.
