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. Introdução à Aprendizagem Automática
- Paradigmas de Aprendizagem Automática: Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada e Aprendizagem por Reforço
2. Dados
- Tipos de dados
- Medidas de proximidade e medidas de dispersão de dados
- Tópicos de normalização e visualização de dados
- Visualização de Dados por Análise de Componentes Principais
3. Aprendizagem Supervisionada
- Regressão
- Árvores de Decisão
- Redes Neuronais
- Máquinas de Suporte Vetorial
- Modelos gráficos
- Classificador dos K-Vizinhos mais Próximos
- Avaliação e comparação de métodos de classificação
- Ensembles
4. Aprendizagem Não-Supervisionada
- Métodos de Agrupamento por partição
- Métodos de Agrupamento Probabilístico
- Métodos de Agrupamento Difuso por partição
- Métodos de Agrupamento Hierárquico
- Cadeias de Markov
- Avaliação de métodos e de resultados de agrupamento
- Outros métodos
Metodologia de avaliação
Avaliação periódica - Face ao número reduzido de estudantes inscritos, o funcionamento da UC segue no paradigma PBL. Os elementos de avaliação são: Assiduidade e empenho demonstrado na execução das tarefas em contexto de sala de aula (25%), Implementação computacional do projeto proposto (50%), Relatório detalhado do trabalho desenvolvido (25%). A classificação final da UC resulta da média ponderada das classificações obtidas nas componentes de avaliação definidas.
O aluno obtem aprovação à UC, estando dispensado de Exame, de acordo com o disposto nos Pontos 11 e 12, do Artigo 11º, do regulamento Académico do IPT.
Avaliação final - prova escrita com componente computacional (50%) e trabalho prático (50%), sendo que, em cada um dos elementos de avaliação o aluno deverá obter uma nota mínima de 7,5 valores. A classificação final da UC resulta da média ponderada das classificações obtidas nas componentes de avaliação definidas.
O aluno obtem aprovação à UC de acordo com o disposto nos Pontos 11 e 12, do Artigo 11º, do regulamento Académico do IPT.
Bibliografia
- Marques, J. (2005). Reconhecimento de Padrões - Métodos Estatísticos e Neuronais. (Vol. 1). (pp. 1-284). Lisboa: IST Press
- Nielsen, T. e Jensen, F. (2007). Bayesian Networks and Decision Graphs (Information Science and Statistics). (Vol. 1). (pp. 1-448). USA: Springer
- O. Duda, R. e Hart, P. e Stork, D. (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
Não aplicável.
Aprovado em Conselho Técnico Cientifico: Reunião de 09 de fevereiro de 2022
Download da Ficha da Unidade Curricular (FUC)
