Machine Learning II
Objectives
A definir.
General characterization
Code
100167
Credits
6.0
Responsible teacher
Fernando José Ferreira Lucas Bação
Hours
Weekly - Available soon
Total - Available soon
Teaching language
Portuguese. If there are Erasmus students, classes will be taught in English
Prerequisites
A defnir.
Bibliography
Jain, A. K., Murthy, M.N., Flynn, P.J., (1999) Data Clustering: A Review, ACM Computing Review.
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education.
Patel, A., (2019) Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data, O¿Reilly Media Inc. 978-1-492-03564-0
Jones, A., Kruger, C., Johnston, B. (2020) The Unsupervised Learning Workshop: Get started with unsupervised learning algorithms and simplify your unorganized data to help make future predictions, Packt Publishing, ISBN: 1800200706
Mitchell, T., (1997) Machine Learning, McGraw Hill.
Teaching method
A unidade curricular baseia-se em aulas teóricas-práticas e aulas laboratoriais. As aulas teóricas-práticas incluem a apresentação de conceitos e metodologias e discussão, assim como a demonstração da resolução de problemas. As aulas laboratoriais destinam-se à resolução presencial de alguns exercícios propostos e para os quais o docente esclarece as dúvidas existentes. As aulas de seminário destinam-se à apresentação de projetos.
Evaluation method
Avaliação:
1ª Época: teste 1 (30%); teste2 (30%); Projeto final (25%); Exercícios laboratoriais (10%)
2ª Época: Exame (75%); Projeto final (25%)
Subject matter
A unidade está organizada em 6 Unidades de Aprendizagem (UA):
UA1 - Introdução à Aprendizagem Não Supervisionada
1. Definição de aprendizagem não supervisionada
UA2 - Métodos de redução de dimensionalidade e visualização multidimensional
1. Análise de componentes principais
2. Escalonamento multidimensional
3. t-SNE
4. Mapas auto-organizáveis
UA3 - Clustering de dados
1. Medidas de semelhança
2. Algoritmos hierárquicos
3. Algoritmos Particionais
4. Algoritmos de densidade
5. Algoritmos probabilísticos
6. Clustering difuso
7. Análise e validação de soluções de clustering
UA4 - Regras de Associação
1. Conjuntos de itens frequentes
2. Métricas das regras de associação
3. Algoritmo apriori
4. Algoritmo Eclat
5. Algoritmo FP-growth
UA5 - Deteção de Anomalias e Valores Extremos
1. Motivação
2. Definições e Notação
3. Clustering
4. Vizinhos mais próximos
5. Mapas auto-organizáveis
UA6 - Sistemas de Recomendação
1. Métodos baseados em conteúdo
2. Métodos de filtragem colaborativa
3. Métodos híbridos