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
Min-IA 2021 > Min-IA 2021 > Aprendizagem
MECD2019 > MECD2019 > 2º Ciclo > Opções > Aprendizagem
MEIC-A 2015 > MEIC-A 2015 > 2º Ciclo > Agrupamentos > Robótica Inteligente > Aprendizagem
Min-EG 2022 > Min-EG 2022 > Inteligência Artificial e Robótica > Aprendizagem
LEBiom 2021 > LEBiom 2021 > 1º Ciclo > Pré-Major > Aprendizagem
MEIC-T 2015 > MEIC-T 2015 > 2º Ciclo > Agrupamentos > Robótica Inteligente > 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
Pré-requisitos
Componente Laboratorial
Princípios Éticos
Componente de Programação e Computação
Componente de Competências Transversais
Bibliografia
Principal
Machine Learning and Pattern Recognition
Secundária
Neural Networks and Learning Machines
I. Goodfellow, Y. Bengio, A. Courville
Machine Learning: A Probabilistic Perspective