-
Apresentação
Apresentação
Na sequência de Fundamentos de Estatística para Ciências de Dados e Programação Aplicada para Ciência de Dados, estas disciplina visa introduzir os conceitos de aprendizagem automatizada supervisionada. A introdução dos conceitos de regressão e de classificação permite ao aluno a identificação do tipo de problema a ser abordado. Isto permite aos estudantes adquirir competências para analisar problemas e definir estratégias de resolução. Dentre as diferentes possibilidades de modelagem do problema, o aluno será capaz de identificar as possíveis abordagens e decidir sobre a melhor solução para um determinado conjunto de dados.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Mestre | Semestral | 6
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
1 | Obrigatório | Português
-
Código
Código
ULHT6347-23269
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
CP1. Pré-processamento de dados
CP2. Regressão: Regressão Linear Simples, Regressão Linear Múltipla, Regressão Polinomial, Árvore de Decisão, Regressão Random Forest, Support Vector Regression.
CP3. Classificação: Regressão Logística, K-NN, Support Vector Machines, Kernel SVM, Naive Bayes, Árvore de Decisão, Classificação Random Forest.
CP4. Redução de Dimensionalidade
CP5. Seleção e Boosting do Modelo: Validação Cruzada k-fold, Ajuste de Parâmetros, Grid Search, XGBoost
-
Objetivos
Objetivos
OA1. A capacidade de organização e planeamento, a capacidade de análise e síntese, capacidade para resolver problemas e tomar decisões, capacidade de trabalhar em equipa, capacidade para aplicar na prática o conhecimento adquirido e capacidade para gerar novas ideias.
OA2. Relativamente à componente técnica, na conclusão do curso, o aluno deverá ser capaz de discutir as principais noções e conceitos, tais como:
- Desenvolver técnicas de Machine Learning em Python
- Ter uma visão geral de muitos modelos de Machine Learning
- Fazer previsões precisas e análises poderosas
- Desenvolver modelos robustos de Machine Learning
- Utilizar Machine Learning para criar valor ao negócio
- Lidar com técnicas avançadas para Redução de Dimensionalidade
- Criar vários modelos de Machine Learning e entender como combiná-los para resolver um problema.
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
ME1: Expositiva: apresentação teórica de acordo com o plano curricular.
ME2: Experimental /Ativa: realização de trabalhos de projeto em grupo em laboratório e sua apresentação oral (50%).
ME3: Auto-estudo: trabalhos individuais e em grupo demonstrado em questões orais durante as aulas (50%).
Notas importantes da avaliação:
- Classificação mínima obrigatória de 9.5 em cada componente. ? As componentes de avaliação são obrigatórias, independentemente da época em que se realiza o exame.
- Os grupos do projeto podem ser entre 2 a 3 elementos.
-
Bibliografia principal
Bibliografia principal
-
Ge¿ron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow : concepts, tools, and techniques to build intelligent systems. Sebastopol, CA: O'Reilly Media. ISBN: 978-1491962299
-
-
Horário de Atendimento
Horário de Atendimento
A definir no início do semestre.
-
Mobilidade
Mobilidade
Não
