Aprendizagem Automática e Data Mining
Código
2878
Unidade Orgânica
Faculdade de Ciências e Tecnologia
Departamento
Departamento de Informática
Créditos
6.0
Professor responsável
Pedro Manuel Corrêa Calvente Barahona, Susana Maria dos Santos Nascimento Martins de Almeida
Horas semanais
4
Total de horas
58
Língua de ensino
Português
Objectivos
- Compreender os paradigmas e desafios da área de Aprendizagem Automática e Data Mining. Aprendizagem Supervisionada, Aprendizagem Não-Supervisionda e Aprendizagem por Reforço. Aprendizagem Automática no contexto de Data Mining.
- Aprender métodos fundamentais e suas aplicações na descoberta de conhecimento orientada aos dados. Dados, selecção de modelos, complexidade de modelos, etc.
- Compreender vantagens e limitações dos métodos de Aprendizagem Automática e Data Mining estudados.
Aptidões
- Implementar e adaptar algoritmos de Aprendizagem Automática e Data Mining
- Modelar experimentalmente dados reais usando esses algoritmos.
- Interpretar e avaliar resultados experimentais.
- Validar e comparar algoritmos de Aprendizagem Automática e Data Mining.
Competências
- Capacidade de avaliar a adequação dos métodos a dados e aplicações práticas.
- Capacidade de avaliar criticamente os resultados obtidos.
- Autonomia para aplicar e aprofundar os conhecimentos na área de Aprendizagem Automática e Data Mining.
Pré-requisitos
Students should have completed, with approval, the following courses:
- Artificial Intelligence.
- Probability and Statistics.
- Linguagens e Ambientes de Programação.
Conteúdo
1. Introdução
1.1 Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada e Aprendizagem por Reforço.
1.2 Classificação, regressão e agrupamento.
1.3. Aprendizagem Automática no contexto de Data Mining: aplicações.
2. Dados
2.1 Tipos de dados.
2.2 Medidas de proximidade e medidas de dispersão de dados.
2.3 Tópicos de pré-processamento e visualização de dados
2.4 Redução de dimensionalidade
3. Aprendizagem Supervisionada e Data Mining
3.1 Regressão
3.2 Árvores de Decisão
3.3 Redes Neuronais
3.4 Máquinas de Suporte Vectorial
3.5 Modelos gráficos
3.6 Classificador dos K-Vizinhos mais Próximos
3.7 Avaliação e comparação de métodos de classificação
3.8 Ensembles
4. Aprendizagem Não-Supervisionada e Data Mining
4.1 Métodos de Agrupamento por Partição
4.2 Métodos de Agrupamento Hierárquico
4.3 Mapas Auto-Organizados
4.4 Métodos de Agrupamento Probabilístico
4.5 Métodos de Agrupamento Difuso
4.6 Avaliação de métodos e de resultados de agrupamento
Bibliografia
[1] E. Alpaydin (2010). Introduction to Machine Learning, Second Edition, MIT Press.
[2] C. M. Bishop (2006). Pattern Recognition and Machine Learning, Springer, 2006.
[3] J. Han and M. Kamber (2011). Data Mining. Concepts and Techniques, Third Edition, Morgan Kaufmann.
[4] T. Mitchell (1997). Machine Learning, McGraw-Hill.
[5] Theodoridis & Koutroumbas (2009). Pattern Recognition (4th edition), Academic Press.
Método de ensino
Método de avaliação
A unidade curricular (UC) segue a forma de avaliação contínua a qual consiste numa componente teórica-prática (T) e uma componente laboratorial ou de projecto (P), tendo cada componente um peso de 50% na nota final.
Ambas as componentes são avaliadas numa escala de 0 a 20 arredondadas a unidades.
Para obter aprovação à disciplina um estudante necessita de:
(i) nota mínima de 10 valores na componente de avaliação teórica-prática; e
(ii) nota mínima de 10 valores na componente de avaliação de projecto.
A nota final da UC é definida pela média ponderada das duas componentes de avaliação, ou seja, (0.5×T + 0.5×P) numa escala de 0 a 20 valores arredondada às unidades.
Componente teórica-prática
Esta componente consiste na realização de dois testes a realizar nos dias 24 de Abril de 2013 e 4 de Junho de 2013, respectivamente. Os dois testes contarão em partes iguais para a nota da componente teórica-prática.
Em alternativa, esta componente pode ser realizada por exame de recurso, o qual se realiza no dia 15 de Junho de 2013.
Os testes e o exame de recurso são com consulta.
Componente Laboratorial ou de Projecto
Esta componente consiste na realização de 2 mini-projectos realizados em grupo de dois alunos. Aos mini-projectos de cada grupo será atribuída uma nota única (de 0 a 20 valores). Os dois mini-projectos contarão em partes iguais para a nota de projecto. A nota da componente de projecto é indivídual.
Cada mini-projecto terá um conjunto de aulas práticas dedicadas à sua realização, tendo uma data até à qual pode ser entregue conjuntamente com o respectivo relatório.
Datas de entrega:
- Primeiro trabalho prático: 21 de Abril de 2013
- Segundo trabalho prático: 31 de Maio de 2013
Será atribuída frequência aos alunos da disciplina de AA&DM dos anos lectivos de 2010/2011 e 2011/2012, com a mesma nota prática obtida nesse ano lectivo.