-
Apresentação
Apresentação
Esta UC tem como objetivo conferir competências 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 | 5
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
3 | Obrigatório | Português
-
Código
Código
ULHT6634-24453
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
-
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
Metodologias de ensino
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.
-
Avaliação
Avaliação
Projeto
-
Mobilidade
Mobilidade
Não
