Programa

Aprendizagem Automática em Bioengenharia

Mestrado Integrado em Engenharia Biomédica

Programa

Introdução. Exemplos de motivação: análise de dados de expressão genética; BCI; diagnóstico; biometria, ... Conceitos básicos. Aprendizagem supervisionada, semi- supervisionada e não supervisionada. Taxonomia de técnicas. Representação de dados. Tipos de dados. Dados estáticos e dinâmicos. Séries temporais e fluxos de dados. Revisão de conceitos de probabilidade e teoria de informação. Medidas de (dis)similaridade. Representação baseada em similaridade entre objectos. Aprendizagem supervisionada. Classificadores de classe única e multi-classe. Abordagens geométricas, probabilísticas e híbridas. Classificadores Bayesianos e análise discriminante. K-vizinhos mais próximos e SVMs. Classificadores baseados em espaços de dissemelhança. Métodos de fusão de classificadores. Aprendizagem de representação: evolução de características definidas a priori no desenho do classificador para aprendizagem de representação com base em técnicas de “Deep Learning”. Avaliação do desempenho de classificadores: medidas de desempenho e técnicas de estimação das mesmas. Técnicas de validação cruzada e “boostrapping”. A “maldição” de dimensionalidade e redução do espaço de características. Técnicas de seleção de características. Redução de dimensionalidade baseada em transformações sobre o espaço de representação. O método PCA. Abordagens de redução de dimensionalidade baseadas em teoria da informação e auto-encoders. “Big data” e anotação de dados. Aprendizagem semi-supervisionada, activa e interactiva; transferência de aprendizagem. Técnicas de aprendizagem não supervisionada. Conceitos básicos e algoritmos. Algoritmo das K-médias; métodos hierárquicos. Clustering baseada em espaços de dissimilaridade. “Clustering Ensembles” e fusão de informação. Seminários associados a projectos.