Aprendizagem Automática

Cód.: INF13203L

6 ECTS

Duração: 15 semanas/156 horas

Área Científica: Informática

Língua(s) de lecionação: Português

Língua(s) de apoio tutorial: Português

Regime de Frequência: Presencial

Objetivos de Desenvolvimento Sustentável

Educação de qualidade - Assegurar a educação inclusiva, e equitativa e de qualidade, e promover oportunidades de aprendizagem ao longo da vida para todos.

Trabalho digno e crescimento económico - Promover o crescimento económico sustentado, inclusivo e sustentável, emprego pleno e produtivo, e trabalho decente para todos.

Indústria, inovação e infraestruturas - Construir infraestrutura resiliente, promover a industrialização inclusiva e sustentável, e fomentar a inovação.

Objetivos de Aprendizagem

No final da unidade curricular o aluno deverá:
* compreender os conceitos fundamentais de aprendizagem automática
* conhecer um amplo conjunto de abordagens e algoritmos de aprendizagem automática, nomeadamente sobre aprendizagem supervisionada
* compreender as diversas etapas na construção de um sistema inteligente e quais as diferentes técnicas aplicáveis em cada etapa (definição do problema, extração de características, criação dos conjuntos de treino, teste e validação, aplicação do algoritmo, avaliação do desempenho)
* saber desenhar/programar um sistema inteligente

Conteúdos Programáticos

Conceitos básicos
Paradigmas de aprendizagem automática: aprendizagem supervisionada, não supervisionada, por reforço
Aprendizagem Supervisionada: classificação e regressão
Classificação binária, multi-classe, multi-label
Algoritmos: regressão logística, perceptrão, árvores de decisão, regras, naive Bayes, máquinas de vetores de suporte
Pratica de aprendizagem automática: overfitting, compromisso bias/variância, seleção de modelos (train/test, holdout, validação cruzada), matriz de confusão e métricas de avaliação (exatidão, erro, precisão, cobertura, outras)
Aprendizagem não Supervisionada: agrupamento
Algoritmos: K-means, EM
Métricas de avaliação de agrupamentos
Introdução aos métodos ensemble

Métodos de Ensino

Metodologias de ensino:
Aulas teóricas; aulas práticas laboratoriais com problemas que acompanham a matéria teórica.
Disponibilização de exercícios cobrindo os tópicos ensinados, para os alunos praticarem o domínio da matéria.

Avaliação

Avaliação contínua:
teórica: 50% - (i) duas frequências escritas
prática: 50% - (iii) exercícos individuais e de grupo e (iv) desenvolvimento de um pequeno projeto

Avaliação final:
teórica: 50% - (ii) exame final escrito
prática: 50% - (iii) exercícos individuais e de grupo e (iv) desenvolvimento de um pequeno projeto

Bibliografia

Introduction to Machine Learning with Python. Andreas C. Müller and Sarah Guido. O'Reilly.
Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Peter Flach. Cambridge.
Data Mining: Practical Machine Learning Tools and Techniques. Ian H. Witten, Eibe Frank, Mark A. Hall and Christopher J. Pal. Morgan Kaufmann. (4th ed.)
An Introduction to Statistical Learning with Applications in R. Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani. Springer.