Aprendizagem com Dados Não Estruturados
Objetivos
No final desta unidade curricular o estudante terá adquirido conhecimentos, aptidões e competências que lhe permitam:
Compreender:
-Os principios básicos do ''''''''deep learning'''''''':
extração automática das carateristicas ou representações, usadas para classificação ou regressão, através de multiplas camadas.
métodos de optimização e regularização a usar nos modelos com grande número de parâmetros
-As diferenças entre os modelos apresentados: redes ''''''''feed forward'''''''' com todas as conexões, redes de convolução e redes recorrentes.
-Problemas e técnicas para processar dados não estruturados
Ser capaz de:
-Seleccionar e implementar um modelo para resolver alguns problemas típicos e conseguir optimiza-lo para obter uma solução razoável
Conhecer:
Os problemas aos quais se tem aplicado o ''''''''deep learning'''''''': reconhecimento de objectos em imagens, reconhecimento de voz, processamento de linguagem natural, sistemas de recomendação, etc.
Caracterização geral
Código
12084
Créditos
6.0
Professor responsável
Claudia Alexandra Magalhães Soares, João Alexandre Carvalho Pinheiro Leite
Horas
Semanais - 4
Totais - 48
Idioma de ensino
Português
Pré-requisitos
-
Bibliografia
-Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press
-Yann LeCun , Yoshua Bengio and Geoffrey Hinton, Deep learning, Nature, Vol. 521, pp 436-444, 2015
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 nota final será a média ponderada de:
30%: teste teórico.
20%: primeiro trabalho prático.
50%: projecto final, prático.
Conteúdo
1-Introdução: tipos de dados e problemas para resolver.
2-Deep Feedforward Nets
3-Otimização das redes Feedforward
4-Regularizaçãoas redes Feedforward
5-Redes de convolução
6-Redes recorrentes e problemas sequenciais
7-Introdução aos modelos geradores e aplicação ao ''''''''unsupervised learning''''''''.
8- Aprendizagem semi-supervisionada, representações e transference learning
9- mais alguns tipos de problemas (sistemas de recomendação, etc)
Cursos
Cursos onde a unidade curricular é leccionada: