Publicação em Diário da República: Despacho n.º 9184/2020 - 25/09/2020
6 ECTS; 3º Ano, 1º Semestre, 28,0 T + 28,0 TP + 5,0 OT , Cód. 814320.
Docente(s)
- Sandra Maria Gonçalves Vilas Boas Jardim (1)(2)
(1) Docente Responsável
(2) Docente que lecciona
Pré-requisitos
Não aplicável.
Objetivos
Os estudantes que terminam com sucesso a UC de Aprendizagem Automática deverão ser capazes de:
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
1. Probabilidades (Revisões)
2. Estimação Clássica
2.1 Motivação
2.2 Métodos determinísticos
2.3 Métodos probabilísticos clássicos
2.4 Exemplos
3. Inferência Bayesiana
3.1 Motivação
3.2 Distribuição à posteriori
3.3 Métodos de estimação bayesiana
3.4 Seleção de modelo
4. Inferência com variáveis não observadas
4.1 Métodos EM
4.2 Estimação de misturas gaussianas
4.3 Identificação de sistemas dinâmicos múltiplos
5. Reconhecimento de Padrões
5.1 Motivação
5.2 Introdução ao reconhecimento de padrões
5.3 Classificadores ótimos
5.4 Aprendizagem
6. Análise Discriminante
6.1 Motivação
6.2 HMMs
6.3 Estimação de varáveis não observadas
6.4 Aprendizagem
6.5 Exemplos
7. Filtragem não linear e de Kalman
7.1 Desafios
7.2 Estimação de sequências
7.3 Objetivo em movimento
7.4 Incerteza
7.5 Sistemas lineares dinâmicos
7.6 Filtro de Kalman
8. Redes Bayesianas
8.1 Motivação
8.2 Redes Bayesianas
8.3 Inferência em redes Bayesianas
8.4 Algoritmo de Pearl
8.5 Algoritmo Frey para grafos
Metodologia de avaliação
Avaliação periódica - Dois testes escritos, tendo o primeiro um peso de 20% e o segundo um peso de 30%, e um trabalho prático (com peso de 50%).
Avaliação final - prova escrita com componente computacional (50%) e trabalho prático (50%)
Em cada um dos elementos de avaliação o aluno deverá obter uma nota mínima de 7,5 valores.
Bibliografia
- Hart, P. e O. Duda, R. e Stork, D. (2000). Pattern Classification. (Vol. 1). (pp. 1-635). USA: Wiley-Interscience
- 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
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
Não aplicável.
