2023
Aprendizagem Automática
Nome: 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
Objetivos de Desenvolvimento Sustentável
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
* 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
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:
teórica: 50% - (i) duas frequências escritas e/ou (ii) exame final escrito
prática: 50% - (iii) exercícos individuais e de grupo e (iv) desenvolvimento de um pequeno projeto
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:
teórica: 50% - (i) duas frequências escritas e/ou (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.
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.
Equipa Docente (2022/2023 )
- Luís Miguel de Mendonça Rato [responsável]
