Publicação em Diário da República: Despacho n.º 13495/2022 - 18/11/2022
10 ECTS; 1º Ano, 1º Semestre, 30,0 PL + 30,0 TP + 30,0 OT , Cód. 390914.
Docente(s)
- Gabriel Pereira Pires (1)(2)
(1) Docente Responsável
(2) Docente que lecciona
Pré-requisitos
Conhecimentos de Matemática (álgebra e estatística)
Objetivos
O principal objetivo desta disciplina é fornecer aos alunos conhecimentos sobre aprendizagem computacional com foco em problemas de regressão e classificação supervisionada. No final deste curso, espera-se que os alunos sejam capazes de implementar todas as etapas de regressão e de classificação e aplicá-las a conjuntos de dados diversos obtidos de problemas reais.
Programa
1. Introdução à aprendizagem automática supervisionada e não-supervisionada;
2. Estatística descriptiva;
3. Regressão linear simples e múltipla. Regressão não-linear. Estimação de parâmetros através de Ordinary Least Squares (OLS) e Gradient Descent (GD). Avaliação dos modelos de regressão;
4. Métodos de regularização;
5. Métodos de normalização e de redução de dimensionalidade;
6. Classificadores: Bayes, Linear Discriminant Analysis, Logistic regression, K-Nearest Neighbors, Decision Trees, Support Vector Machine, Artificial Neural Networks e Convolutional Neural Networks (CNN);
7. Métodos de extração de características e métodos de seleção de características;
8. Métodos de validação e métricas de avaliação de classificadores;
9. Aplicação dos métodos abordados em diferentes áreas (economia, engenharia, medicina, etc);
Metodologia de avaliação
Tarefas (trabalhos de casa): peso de 20%
Projetos individuais ou em grupo: peso de 60% (nota mínima de 40% por projeto)
Teste de avaliação: peso de 20% (nota mínima de 30%)
Os trabalhos de casa e os projetos têm prazos de entrega que vão sendo definidos ao longo do semestre.
Estes critérios e métodos de avaliação aplicam-se a todas as épocas de avaliação.
Bibliografia
- Bishop, C. (2006). Pattern recognition and machine learning. USA: Springer
- Muller, A. e Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. USA: O'Reilly
Método de Ensino
Aulas expositivas;
Aulas de resolução de problemas orientadas à programação;
Realização de projetos.
Software utilizado nas aulas
Python IDE.
Aprovado em Conselho Técnico Cientifico: 18 de dezembro de 2024
Download da Ficha da Unidade Curricular (FUC)
