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:
A. Saber extrair os dados a integrar na pirâmide da informação/conhecimento
B. Conhecer e saber aplicar técnicas de pré-processamento de dados
C. Conhecer os principais modelos de aprendizagem automática e os algoritmos que os implementam
D. Conceber e implementar algoritmos para criação de modelos de aprendizagem automática
Programa
1. Aquisição e pré-processamento de dados
1.1 Qualidade dos dados
1.2 Amostragem
1.3 Agregação
1.4 Seleção/criação de atributos
1.5 Redução da dimensionalidade
1.6 Transformação de atributos
2. Modelos e técnicas de aprendizagem automática supervisionada/ não supervisionada
2.1 Regressão linear univariada e multivariada
2.2 Regressão logística
2.3 Modelos de previsão
2.4 Modelos descritivos e de classificação (agrupamento)
2.5 Técnicas de otimização
3. Algoritmos
3.1 Algoritmos para a implementação das técnicas abordadas no ponto 2.
4. Visualização e interpretação de dados
4.1 Técnicas de visualização de dados
4.2 Interpretação de resultados de modelos de aprendizagem
Metodologia de avaliação
Avaliação por Frequência - Face ao número reduzido de estudantes inscritos, o funcionamento da UC segue o 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. Em cada um dos elementos de avaliação o aluno deverá obter uma nota mínima de 7,5 valores. 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.
Trabalhadores Estudantes - A componente de avaliação que contempla a assiduidade e empenho demonstrado na execução das tarefas em contexto de sala de aula (25%) é substituída pela realização de uma discussão oral do trabalho realizado, com o mesmo peso (25%).
Avaliação por Exame - prova escrita (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
- Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. (Vol. 1). (pp. 1-856). USA: O'Reilly
- 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: 15 de dezembro de 2023
Download da Ficha da Unidade Curricular (FUC)
