Disciplina
Matemática para Aprendizagem Automática
Área
Área Científica de Análise Real e Análise Funcional > Análise Real e Análise Funcional
Activa nos planos curriculares
GENI > GENI > 1º Ciclo > Área Principal > Percursos > Fundamentos para Matemática Aplicada > Opções 2 > Matemática para Aprendizagem Automática
MMAC 2021 > MMAC 2021 > 2º Ciclo > Área Principal > Áreas de Especialização > Área de Especialização em Matemática > Área Científica > Análise Real e Análise Funcional > Matemática para Aprendizagem Automática
MECD2019 > MECD2019 > 2º Ciclo > Opções > Matemática para Aprendizagem Automática
Nível
25% Avaliação contínua, 25% Laboratórios, 50% Exame.
Tipo
Não Estruturante
Regime
Semestral
Carga Horária
1º Semestre
0.5 h/semana
119.0 h/semestre
Objectivos
Compreender os princípios matemáticos, em particular de Álgebra Linear, dos quais depende a Aprendizagem Automática. Saber usá-los em várias aplicações relevantes como redução de dimensionalidade, redes neuronais, e outras. Ser exposto a problemas atuais de investigação na área da matemática para aprendizagem automática.
Programa
1- Complementos de Álgebra Linear • Valores Singulares e SVD • Introdução ao cálculo tensorial • Normas e Optimização • Aproximações com baixa característica • Pseudoinversas • Optimização com restrições • Sistemas de recomendação 2- Máquinas de Vetores de Suporte e Métodos de Núcleo • Núcleos reprodutores • Espaço de Hilbert induzido por um núcleo reprodutor (RKHS) • Propriedades de Fecho • Máquinas Generalizadas de Vetores de Suporte 3- Redução de dimensão • Análise de componentes principais (PCA) • PCA robusta • PCA não linear e baseada em núcleos • PCA esparsa • PCA funcional • Processamento de imagem e vídeo 4- Redes Neuronais (RNs) • Regressão logística • RNs multicamada e aprendizagem • RNs como aproximadores de funções, teoremas fundamentais 5- Matrizes especiais e aplicações • Transformada de Fourier discreta • Matrizes de translação e circulantes • Matrizes de Toeplitz • Matrizes de Markov • RNs de convolução 6- Outras Aplicações • Clustering • NLP
Metodologia de avaliação
25% Avaliação contínua, 25% Laboratórios, 50% Exame.
Pré-requisitos
Álgebra Linear, Cálculo Diferencial e Integral II, Probabilidade e Estatística.
Componente Laboratorial
Os exercícios são resolvidos em laboratório computacional, onde os alunos experimentam os conceitos adquiridos.
Princípios Éticos
Todos os membros de um grupo são responsáveis pelo trabalho do grupo. Em qualquer avaliação, todo aluno deve divulgar honestamente qualquer ajuda recebida e fontes usadas. Numa avaliação oral, todo aluno deverá ser capaz de apresentar e responder a perguntas sobre toda a avaliação.
Componente de Programação e Computação
Os alunos irão programar em Python nos laboratórios, e os exercícios correspondem a 25% da nota.
Componente de Competências Transversais
A UC permite o desenvolvimento de competências transversais em Pensamento Crítico, Criatividade e Estratégias de Resoluções de Problemas, nas aulas, em trabalho autónomo e nas várias componentes de avaliação. A percentagem de avaliação associada a estas competências deverá ser da ordem dos 15%.
Bibliografia
Principal
Linear Algebra and Learning from Data
Neural Networks and Learning machines: A compreensible foundation
Neural Networks and Deep Learning: A Textbook
Generalized Principal Component Analysis