Aprendizagem Máquina II

Objectivos

A definir.

Caracterização geral

Código

100167

Créditos

6.0

Professor responsável

Fernando José Ferreira Lucas Bação

Horas

Semanais - A disponibilizar brevemente

Totais - A disponibilizar brevemente

Idioma de ensino

Português. No caso de existirem alunos de Erasmus, as aulas serão leccionadas em Inglês

Pré-requisitos

A defnir.

Bibliografia

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.

Método de ensino

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.

Método de avaliação

Avaliação:

1ª Época: teste 1 (30%); teste2 (30%); Projeto final (25%); Exercícios laboratoriais (10%)

2ª Época: Exame (75%); Projeto final (25%)

Conteúdo

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

Cursos

Cursos onde a unidade curricular é leccionada: