-
Apresentação
Apresentação
Esta UC tem como objetivo conferir competências no campo da Aprendizagem profunda, dotando os alunos de conhecimentos sólidos e estruturados que lhes permitam entender conceitos teóricos e desenvolver código para resolução de problemas práticos de AP.
-
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
ULHT6638-24450
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
1. Introdução: fundamentos de aprendizagem profunda, transformações não-lineares e sobreajustamento. 2. Redes neuronais artificiais, retropropagação e redes feedforward profundas. 3. Implementação e treino de redes neuronais profundas 4. Optimização e regularização de redes feedforward. Treino, teste e validação cruzada. 5. Redes de convolução, teoria e prática 6. Aprendizagem profunda não supervisionada com autoencoders. 7. Aprendizagem de representações e transferência de conhecimento. 8. Modelos geradores. 9. Redes recorrentes e problemas com dados sequenciais. 10. Aprendizagem por reforço. 11. Aspectos práticos da selecção, aplicação e optimização de redes profundas. 12. Modelos 'Large Language Models'
-
Objetivos
Objetivos
Compreender Princípios básicos de 'deep learning'. Fundamentos computacionais de redes profundas. Algoritmos de optimização, funções de activação, funções objectivo. Diferentes arquitecturas de redes profundas e sua utilidade: Densas, convolução, recorrentes, modelos geradores. Treino e regularização de redes profundas. A importância das características dos dados e da criação de conjuntos de treino, validação e teste. Ser capaz de: Seleccionar modelos e funções objectivo adequados para cada problema. Usar bibliotecas modernas de aprendizagem profunda. Implementar redes profundas, optimizar os seus hiper-parâmetros e treiná-las. Avaliar o treino dos modelos e a qualidade dos resultados. Conhecer: Tipos de problemas resolvidos com redes profundas. Arquitecturas e regularização de redes profundas. Métodos de selecção de modelos e hiper-parâmetros.
-
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
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning. CUP, https://d2l.ai Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning . MIT Press. https://deeplearningbook.org
-
Avaliação
Avaliação
A disciplina é teórico-prática, havendo uma alternância entre a componente expositiva e participativa. As aulas teóricas seguem o programa definido, apresentando os conceitos teóricos sustentados por exemplos práticos. A aprendizagem dos conceitos é validada através de pequenos exercícios em papel feitos durante a aula, que permitem ao professor aferir da eficácia das suas explicações. Nas aulas práticas os alunos aplicam os conceitos teóricos na resolução de exercícios de programação feitos em computador, de forma individual ou em grupo (máximo 3 elementos por grupo). As aulas práticas decorrem sempre em sintonia com as aulas teóricas da semana anterior.
Avaliação Contínua:
30% - 1 teste com nota mínima de 9.5 valores (componente teórica).
70% - Projeto em grupos de 2/3 com defesa presencial em grupo. A nota do projeto tem nota mínima de 9.5 (componente prática).
Época de recurso/especial:
50% - Exame 50% - Project. É necessário ter 9.5 de nota mínima em cada componente para aprovar à disciplina.
-
Mobilidade
Mobilidade
Não
