-
Apresentação
Apresentação
Esta UC tem como objetivo conferir competências introdutórias no campo da Aprendizagem automatizada, dotando os alunos de conhecimentos sólidos e estruturados que lhes permitam entender conceitos teóricos e desenvolver código para resolução de problemas práticos de AA.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Licenciado | Semestral | 6
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
2 | Obrigatório | Português
-
Código
Código
ULHT6634-24447
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
Introdução à Aprendizagem Automática.
Paradigmas de Aprendizagem Automática: Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada e Aprendizagem por Reforço.
Dados
- Tipos de dados.
- Medidas de proximidade e medidas de dispersão de dados.
- Tópicos de normalização e visualização de dados
- Visualização de Dados por Análise de Componentes Principais
Aprendizagem Supervisionada
- Regressão
- Árvores de Decisão
- Redes Neuronais
- Máquinas de Suporte Vectorial
- Classificador dos K-Vizinhos mais Próximos
- Avaliação e comparação de métodos de classificação
- Ensembles
Aprendizagem Não-Supervisionada
- Métodos de Agrupamento por partição
- Métodos de Agrupamento Probabilístico
- Métodos de Agrupamento Difuso por partição
- Métodos de Agrupamento Hierárquico
- Avaliação de métodos e de resultados de agrupamento
- Outros métodos
-
Objetivos
Objetivos
Saber
- Compreender os paradigmas e desafios da área de Aprendizagem Automatizada. Aprendizagem Supervisionada, Aprendizagem Não-Supervisionda e Aprendizagem por Reforço.
- Aprender métodos fundamentais e suas aplicações na descoberta de conhecimento orientada aos dados. Dados, selecção de modelos, complexidade de modelos, etc.
- Compreender vantagens e limitações dos métodos de Aprendizagem Automatizada estudados.
Fazer
- Implementar e adaptar algoritmos de Aprendizagem Automatizada.
- Modelar experimentalmente dados reais
- Interpretar e avaliar resultados experimentais.
- Validar e comparar algoritmos de Aprendizagem Automatizada.
Competências Complementares
- Capacidade de avaliar a adequação dos métodos a dados e aplicações práticas.
- Capacidade de avaliar criticamente os resultados obtidos.
- Autonomia para aplicar e aprofundar os conhecimentos na área de Aprendizagem Automatizada.
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
- A lecionação é constituída por aulas teórico-práticas.
- A componente teórica é essencialmente expositiva, sendo a teoria apresentada em conjunto com exemplos concretos.
- Na componente prática são desenvolvidos e resolvidos problemas práticos ao nível da programação relacionados com a teoria lecionada.
- Nesta unidade curricular a avaliação inclui os seguintes elementos:
- Avaliação teórica, sob a forma de teste escrito, exercícios, com peso de 30% na nota final (nota mínima: 9.5 valores).
- Avaliação prática (projetos/problemas de programação/apresentações), com peso de 70% na nota final (nota mínima: 9.5 valores).
-
Bibliografia principal
Bibliografia principal
-
T. Mitchell. Machine Learning, McGraw-Hill, 1997.
-
C. M. Bishop. Pattern Recognition and Machine Learning, Springer, 2006.
-
-
Horário de Atendimento
Horário de Atendimento
-
Mobilidade
Mobilidade
Não
