6 ECTS; 2º Ano, 2º Semestre, 28,0 PL + 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. Compreender os fundamentos teóricos da aprendizagem automática
B. Formular problemas de aprendizagem supervisionada e não supervisionada
C. Conhecer e aplicar os principais modelos e algoritmos de aprendizagem automática
D. Avaliar, comparar e interpretar modelos de aprendizagem automática
E. Conceber, implementar e validar soluções baseadas em modelos de aprendizagem automática
Programa
1. Fundamentos de Aprendizagem Automática
1.1 Paradigmas de aprendizagem (supervisionada, não supervisionada)
1.2 Espaço de hipóteses
1.3 Funções custo
1.4 Generalização e risco empírico
1.5 Overfitting e underfitting
1.6 Bias-variance tradeoff
2. Modelos Supervisionados
2.1 Regressão Linear (univariada e multivariada)
2.2 Regressão Logística
2.3 k-Nearest Neighbours
2.4 Árvores de Decisão
2.5 Introdução a Support Vector Machines
3. Modelos Não Supervisionados
3.1 Clustering (k-means)
3.2 Clustering hierárquico
3.3 Redução de dimensionalidade
4. Avaliação e Validação de Modelos
4.1 Divisão treino/teste
4.2 Validação cruzada
4.3 Métricas de regressão
4.4 Métricas de classificação
4.5 Matrizes de confusão
4.6 Curvas ROC
5. Interpretação e Aplicação
5.1 Interpretação de modelos
5.2 Comparação de algoritmos
5.3 Estudo de casos aplicados a dados multimédia
5.4 Projeto integrador
Metodologia de avaliação
Avaliação por Frequência - 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 (10%); Implementação computacional do projeto proposto (30%); Relatório detalhado do trabalho desenvolvido (20%); Teste escrito (40%). 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 (10%) é substituída pela discussão oral do trabalho realizado, com o mesmo peso (10%).
Avaliação por Exame - prova escrita (50%) e trabalho prático (50%), sendo que o aluno deverá obter uma nota mínima de 7,5 valores em capa componente da avaliação. 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
- Gareth , J. e Witten , D. e Hastie, T. e Tibshirani, R. e Taylor, J. (2023). An Introduction to Statistical Learning with Applications in Python. (Vol. 1). (pp. 1-613). Alemanha: Springer
- 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
- 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
Ferramentas Open Source.
Objetivos de Desenvolvimento Sustentável
