-
Apresentação
Apresentação
Esta cadeira fornece os fundamentos para o desenho e implementação de sistemas de recomendação (SR). Os alunos/as aprendem sobre os diferentes algoritmos relevantes, incluindo filtragem colaborativa, que envolve a previsão de preferências do utilizador com base nas preferências de utilizadores semelhantes, e recomendação baseada em conteúdo. Além destes tópicos fundamentais, os alunos aprendem também técnicas mais avançadas, como SR híbridos, SR sensíveis ao contexto, uso de deep learning e avaliação de SR. A cadeira tem uma abordagem teórico-prática que inclui a implementação de sistemas de recomendação usando conjuntos de dados do mundo real, para obter experiência prática com técnicas de ponta. No final da cadeira, os alunos/as terão uma compreensão profunda do estado da arte em sistemas de recomendação e serão capazes de aplicar essas técnicas a problemas do mundo real.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Mestre | Semestral | 7
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
2 | Opcional | Português
-
Código
Código
ULHT6347-25233
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
- CP1. Introdução aos Sistemas de Recomendação
- CP2. Filtragem Colaborativa (Collaborative Filtering)
- CP3. Filtragem Baseada em Conteúdo
- CP4. Sistemas de Recomendação Híbridos
- CP5. Métricas de Avaliação para Sistemas de Recomendação
- CP6. Factorização de Matrizes
- CP7. Abordagens de Aprendizagem Profundo para Sistemas de Recomendação
- CP8. Ética e Implicações Sociais dos Sistemas de Recomendação
-
Objetivos
Objetivos
A cadeira de complementos de sistemas de recomendação tem como objetivos de aprendizagem:
- OA1. Compreender os fundamentos dos sistemas de recomendação, incluindo seus principais desafios e aplicações
- OA2. Conhecer e comparar diferentes tipos de algoritmos de recomendação, incluindo modelagem colaborativa, baseada em conteúdo e híbrida
- OA3. Compreender as diferentes métricas de avaliação de sistemas de recomendação e ser capaz de avaliar a qualidade de um sistema de recomendação
- OA4. Ser capaz de projetar e implementar um sistema de recomendação, escolhendo o algoritmo apropriado e ajustando parâmetros para alcançar um desempenho ótimo
- OA5. Compreender as questões éticas e de privacidade envolvidas na implementação de sistemas de recomendação e estar ciente das implicações sociais e económicas desses sistemas
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
Os métodos de ensino foram desenhados para criar uma experiência de aprendizagem envolvente e eficaz. O modelo de aula tradicional fornece conhecimento fundamental e debates em sala de aula motivam os estudantes a participar ativamente do processo de aprendizagem, desenvolvendo habilidades de pensamento crítico e analítico cruciais para o sucesso da disciplina. A abordagem de auto-avaliações de recuperação de conhecimento em memória exige que os alunos recuperem informações da memória e as comuniquem com as próprias palavras para melhorar a retenção de informações a longo prazo. A combinação de aulas, debates em sala e auto-avaliações cria uma experiência de aprendizagem completa que atende às necessidades de todos os estudantes, independentemente do seu estilo cognitivo. Os métodos de ensino usados nesta disciplina desenvolvem as habilidades e o conhecimento necessários para ter sucesso como cientista de dados.
-
Bibliografia principal
Bibliografia principal
- Introduction to Recommender Systems by Aggarwal, C. C. (2016)
-
Horário de Atendimento
Horário de Atendimento
-
Mobilidade
Mobilidade
Não