Disciplina Curricular

Aprendizagem Profunda (Dei) AP-Dei

Mestrado Bolonha em Engenharia Informática e de Computadores - Taguspark - MEIC-T 2021

Contextos

Grupo: MEIC-T 2021 > 2º Ciclo > Área Principal > Agrupamentos > Robótica Inteligente

Período:

Grupo: MEIC-T 2021 > 2º Ciclo > Área Principal > Agrupamentos > Inteligência Artificial

Período:

Grupo: MEIC-T 2021 > 2º Ciclo > Área Principal > Agrupamentos > Engenharia e Ciência de Dados

Período:

Grupo: MEIC-T 2021 > 2º Ciclo > Área Principal > Agrupamentos > Bioinformática e Biologia Computacional

Período:

Grupo: MEIC-T 2021 > 2º Ciclo > Área Principal > Agrupamentos > Tecnologias da Informação e Linguagem

Período:

Peso

6.0 (para cálculo da média)

Objectivos

A aprendizagem profunda é uma classe de métodos (da área mais vasta da aprendizagem automática) que, na última década, teve um enorme impacto em diversas aplicações, desde a análise de imagem até ao processamento de linguagem natural. O objectivo desta unidade curricular é dotar os alunos de um conhecimento geral acerca das modernas técnicas de aprendizagem profunda e da capacidade de desenvolver, implementar e testar métodos desta classe. Um outro objectivo é dotar os alunos com a formação necessária para que possam ter acesso à moderna literatura nesta área, capacitando-os assim a actualizarem os seus conhecimentos nesta área em rápida evolução.

Programa

1. Aprendizagem supervisionada. Regressão e classificação. Funções de perda, risco esperado, risco empírico e generalização. 2. Percepção multi-camada. Funções de activação. Camadas totalmente conexas e convolucionais. "Pooling". Redes residuais. Interpretações probabilísticas. 3. Optimização e o algoritmo de retro-propagação. Regularização.Optimização estocástica. Estratégias de inicialização. 4. Redes profundas para visão e processamento de imagem (segmentação, classificação, detecção de objectos, reconstrução). 5. Redes profundas para processamento de língua natural. Aprendizagem de representações de palavras. Redes recorrentes. Retro-propagação através do tempo. Unidades com portas: LSTMs e GRUs. Arquitecturas codificador-descodificador para aprendizagem sequência-para-sequência. 6. Modelos generativos profundos e aprendizagem não supervisionada. Auto-codificadores variacionais e redes generativas adversariais. 7. Tópicos avançados: mecanismos de atenção e memória.

Metodologia de avaliação

Mini-testes ao longo do semestre, os quais podem incluir componente laboratorial (50%) + exame final (50%).

Disciplinas Execução