Aprendizagem Computacional

Código:

M.EEC006

Sigla:

APC

Áreas Científicas
Classificação	Área Científica
OFICIAL	Outras Áreas Técnicas

Ocorrência: 2023/2024 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Eletrotécnica e de Computadores
Curso/CE Responsável:	Mestrado em Engenharia Eletrotécnica e de Computadores

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.EEC	128	Plano de Estudos Oficial	1	-	6	39	162

Língua de trabalho

Inglês

Objetivos

Esta Unidade Curricular tem por objetivo apresentar alguns dos tópicos centrais em aprendizagem computacional, dos fundamentais ao estado da arte. Será colocado especial ênfase nos conceitos teóricos e em exemplos práticos e projetos laboratoriais. Cada exercício será cuidadosamente escolhido para reforçar os conceitos explicados nas aulas teóricas e desenvolver e generalizá-los em diversas direções. Os estudantes que concluam com sucesso devem ter a capacidade de:

-Conhecer os fundamentais das técnicas de aprendizagem;

-Analisar e sintetizar conhecimento;

-Desenvolver sistemas simples de aprendizagem computacional de acordo com as necessidades existentes e aplicar as ferramentas tecnológicas mais apropriadas;

-Trabalhar em equipa, organização e planeamento;

-Adquirir capacidades de aprendizagem que permitam continuar a estudar de uma forma autónoma.

Resultados de aprendizagem e competências

Aquisição de um corpo de conhecimento fundamental e a transmissão do próprio processo de construção do conhecimento. Pretende-se fornecer uma sólida preparação matemática em machine learning e preparar competências e engenho em técnicas de machine learning fundamentais para nos processos de modelação e uso de Informação.

Modo de trabalho

Presencial

Programa

1. Introdução à Teoria da aprendizagem.
Conceitos matemáticos relevantes.
2. Modelos Lineares para Regressão (Critérios; equações normais; processos de optimização iterativos; regressão Ridge e Lasso;
Kalman filtering. Online learning.
3. Modelos generativos para classificação (decisão ótima Bayesiana; Análise discriminante linear; independência condicional e classificador Naïve Bayes; estimação não paramétrica de densidade: método das janelas de parzen)
4. Classificadores não generativos [regressão logística; discriminante de fisher]
Aplicações em Eng Electrotecnica.
5. Seleção e avaliação de modelos
6. Introdução às redes neuronais e redes neuronais profundas.
7. Introdução às redes neuronais convolucionais.
Aplicações em Eng Electrotecnica.
8. Aprendizagem não-supervisionada – Clustering [algoritmos de Clustering; Kmeans, kmedoids, soft kmeans; mistura de Gaussianas; aprendizagem de Manifolds (PCA, MDA, ISOMAP and LLE)]
Aplicações em Eng Electrotecnica.

Bibliografia Obrigatória

Sergios Theoridis; Machine learning. ISBN: 978-0-12-818803-3

Bibliografia Complementar

Christopher M. Bishop; Pattern recognition and machine learning. ISBN: 978-0-387-31073-2
Richard O. Duda; Pattern classification. ISBN: 0-471-05669-3

Métodos de ensino e atividades de aprendizagem

As aulas teóricas consistirão na exposição dos conteúdos e discussão de exemplos ilustrativos dos conceitos apresentados. As aulas teórico-práticas são focadas nos trabalhos de aplicação e realização de exercícios práticos apoiados na utilização de ferramentas computacionais.

Software

Matlab
Python

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Teste	60,00
Trabalho prático ou de projeto	40,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	40,00
Estudo autónomo	83,00
Frequência das aulas	39,00
Total:	162,00

Obtenção de frequência

Não exceder o limite de faltas e entregar todos os trabalhos práticos.

Fórmula de cálculo da classificação final

A avaliação final tem duas componentes:
- parte teórica T = 0.6 média dos mini-testes
- parte prática P = 0.4 min(média dos trabalhos práticos, T+3)

Nota final = T + P

Obs: Existe um exame de recurso para a parte teórica para quem não obteve aprovação.

Melhoria de classificação

Realização do exame de recurso (para melhorar a componente T).