Guia de Cursos

Queres conhecer a oferta de cursos da NOVA, nas áreas das licenciaturas, mestrados e doutoramentos?
No nosso Guia de Cursos encontras informação útil sobre Faculdades, Institutos e Escolas.
Podes ainda aceder a informações complementares necessárias a uma completa integração.

saber mais Guia de Cursos

Faculdade de Ciências e Tecnologia

Aprendizagem Automática

Código

11157

Unidade Orgânica

Faculdade de Ciências e Tecnologia

Departamento

Departamento de Informática

Créditos

6.0

Professor responsável

Ludwig Krippahl, Pedro Manuel Corrêa Calvente Barahona

Horas semanais

4

Total de horas

48

Língua de ensino

Português

Objectivos

Saber

  • Compreender os paradigmas e desafios da área de Aprendizagem Automática. Aprendizagem Supervisionada, Aprendizagem Não-Supervisionda e Aprendizagem por Reforço.
  • 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 estudados.

Fazer

  • Implementar e adaptar algoritmos de Aprendizagem Automática.
  • Modelar experimentalmente dados reais
  • Interpretar e avaliar resultados experimentais.
  • Validar e comparar algoritmos de Aprendizagem Automática.

Competências Complementares

  • 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.

Conteúdo

Introdução à Aprendizagem Automática.

 Paradigmas de Aprendizagem Automática: Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada e Aprendizagem por Reforço.

  Dados

2.1 Tipos de dados.

2.2 Medidas de proximidade e medidas de dispersão de dados.

2.3 Tópicos de normalização e visualização de dados

2.4 Visualização de Dados por Análise de Componentes Principais

 Aprendizagem Supervisionada

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

 Aprendizagem Não-Supervisionada

4.1 Métodos de Agrupamento por partição

4.2 Métodos de Agrupamento Probabilístico

4.3 Métodos de Agrupamento Difuso por partição

4.4 Métodos de Agrupamento Hierárquico

4.5 Cadeias de Markov

4.5 Avaliação de métodos e de resultados de agrupamento

4.6 Outros métodos

Bibliografia

  • T. Mitchell. Machine Learning, McGraw-Hill, 1997.

  • C. M. Bishop. Pattern Recognition and Machine Learning, Springer, 2006.

  • E. Alpaydin. Introduction to Machine Learning, Second Edition, MIT Press, 2010.

  • T. Hastie, R. Tibshirani, J. Friedman. Elements of Statistical Learning, Second Edition, Springer, 2009.

Método de ensino

Nas aulas teóricas são leccionados os tópicos fundamentais da matéria, os quais deverão ser complementados com a leitura da bibliografia aconselhada. Nas aulas teóricas será dedicado tempo para exposição da matéria e para dúvidas e discussão com os alunos.

As aulas laboratoriais destinam-se à orientação tutorial e realização dos trabalhos práticos sobre tópicos seleccionados da matéria.

Serão disponibilizados os acetatos da matéria teórica.

Será disponibilizada uma página Web da disciplina onde se mantém informação actualizada sobre o funcionamento da mesma.

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 às décimas

Para obter aprovação à disciplina um estudante necessita de:

(i)  nota mínima de 9.5 valores na componente de avaliação teórica-prática; e

(ii)  nota mínima de 9.5 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. 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 exame de recurso será avaliado em duas partes independentes, cada uma correspondendo a um dos testes e substituíndo a nota desse teste caso seja superior à nota do teste correspondente.

Componente Laboratorial ou de Projecto

Esta componente consiste na realização de 2 mini-projectos realizados em grupo, que podem incluir fichas e relatórios intermédios. Aos mini-projectos de cada grupo será atribuída uma nota única. 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.

As notas dos vários elementos de avaliação são arredondadas às décimas, excepto a nota final que é arredondada às unidades.

Será atribuída frequência aos alunos da disciplina de AA dos anos lectivos de 2015/16 e 2016/17, com a mesma nota da componente de projecto obtida no correspondente ano lectivo.

 

 

Cursos