Disciplina

Aprendizagem

Área

Área Científica de Inteligência Artificial > Sistemas Inteligentes

Activa nos planos curriculares

MEIC-T 2018 > MEIC-T 2018 > 2º Ciclo > Agrupamentos > Robótica Inteligente > Aprendizagem

MEIC-A 2018 > MEIC-A 2018 > 2º Ciclo > Agrupamentos > Tecnologias da Informação e Linguagem > Aprendizagem

LEIC-T 2021 > LEIC-T 2021 > 1º Ciclo > Área Principal > Aprendizagem

LEIC-A 2021 > Leic-a 2021 > 1º Ciclo > Área Principal > Aprendizagem

MECD2019 > MECD2019 > 2º Ciclo > Opções > Aprendizagem

MEIC-A 2015 > MEIC-A 2015 > 2º Ciclo > Agrupamentos > Robótica Inteligente > Aprendizagem

LEBiom 2021 > Lebiom 2021 > 1º Ciclo > Pré-Major > Aprendizagem

MEIC-T 2015 > MEIC-T 2015 > 2º Ciclo > Agrupamentos > Robótica Inteligente > Aprendizagem

MEIC-A 2021 > MEIC-A 2021 > 2º Ciclo > Area Principal > Agrupamentos > Bioinformática e Biologia Computacional > Aprendizagem

PAST-LEIC > PAST-LEIC > Ramo de Programação e Sistemas de Informação > Aprendizagem

LEIC 2000 > LEIC 2000 > Tronco Comum > Aprendizagem

Nível

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

Tipo

Não Estruturante

Regime

Semestral

Carga Horária

1º Semestre

3.0 h/semana

1.5 h/semana

147.0 h/semestre

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

Bibliografia

Principal

Machine Learning and Pattern Recognition

C. Bishop

2006

Springer


Secundária

Neural Networks and Learning Machines

S. Haykin

2008

Pearson


Deep Learning

I. Goodfellow, Y. Bengio, A. Courville

2016

MIT Press


Machine Learning: A Probabilistic Perspective

K. Murphy

2012

MIT Press