Disciplina Curricular

Aprendizagem Apre

Mestrado Bolonha em Engenharia Informática e de Computadores - Taguspark - MEIC-T 2015

Contextos

Grupo: MEIC-T 2015 > 2º Ciclo > Agrupamentos > Robótica Inteligente

Período:

Grupo: MEIC-T 2015 > 2º Ciclo > Agrupamentos > Bioinformática e Biologia Computacional

Período:

Grupo: MEIC-T 2015 > 2º Ciclo > Agrupamentos > Tecnologia para Processamento de Informação e Linguagem

Período:

Grupo: MEIC-T 2015 > 2º Ciclo > Agrupamentos > Processamento e Análise de Dados

Período:

Grupo: MEIC-T 2015 > 2º Ciclo > Agrupamentos > Sistemas Inteligentes

Período:

Peso

7.5 (para cálculo da média)

Objectivos

Esta disciplina visa proporcionar uma introdução completa e actualizada aos conceitos-chave da Aprendizagem Computacional (machine learning). Após a frequência da Unidade Curricular, espera-se que os alunos: • Compreendam os desafios inerentes à aprendizagem computacional a partir de dados. • Conheçam e apliquem correctamente os passos necessários para treinar e validar um modelo que permita explicar um conjunto de dados e efectuar previsões sobre dados nunca vistos. • Conheçam e apliquem correctamente os algoritmos mais comuns de aprendizagem, reconhecendo o domínio de aplicação de cada um.

Programa

1. Introdução à aprendizagem 2. Revisões a) Probabilidades e teoria da informação b) Álgebra linear c) Optimização 3. Introdução à aprendizagem superivisionada - Métodos lineares a) Regressão linear b) Regressão logística e perceptrão 4. Fundamentos da teoria da aprendizagem a) O compromisso entre viés e variância b) Sobre- e sub-ajustamento c) Regularização d) Selecção de modelos e) Aprendizagem estatística 5. Aprendizagem supervisionada - Métodos não-paramétricos a) k-vizinhos mais próximos b) Regressão com pesos locais 6. Aprendizagem supervisionada - Árvores de decisão e métodos ensemble a) Árvores de decisão b) Árvores de regressão c) Métodos ensemble 7. Aprendizagem supervisionada - Métodos Bayesianos a) Naive Bayes b) Regressão linear Bayesiana c) Redes Bayesianas 8. Aprendizagem supervisionada - Métodos de kernel a) Classificadores de margem máxima b) Regressão com kernels 9. Aprendizagem supervisionada - Redes neuronais artificiais a) Perceptrão multicamada b) Backpropagation c) Redes convolucionais d) Redes recorrentes e) Regularização 10. Aprendizagem não-supervisionada a) k-médias b) Modelos de mistura e o algoritmo de Expectation-Maximization c) Análise de componentes principais e componentes independentes d) Autoencoders 11. Applicações a) Classificação de textos b) Classificação de imagens

Metodologia de avaliação

Os alunos terão um conjunto de 5 mini-projectos (bi-semanais), a serem preparados em casa e realizados durante as sessões de laboratório. Os 5 mini-projectos deverão ser realizados em grupos de 2. A nota média dos 5 trabalhos corresponde à componente prática da avaliação (NP). NF = 0.5 × NP + 0.5 × NE

Disciplinas Execução

2018/2019 - 2ºSemestre