Aprendizagem Computacional
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Outras Áreas Técnicas |
Ocorrência: 2023/2024 - 2S
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 |
Docência - Responsabilidades
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).