1. Início
  2. NOVA Information Management School
  3. Licenciatura em Gestão de Informação
  4. Aprendizagem Máquina

Aprendizagem Máquina

Objetivos

A unidade curricular de aprendizagem máquina tem como objetivo principal permitir que os estudantes adquiram competências na extração de informações e conhecimentos de grandes bancos de dados. O sucesso dos sistemas de informação nas últimas décadas promoveu enormes bancos de dados. Esses bancos de dados têm o potencial de promover o desenvolvimento e aumentar significativamente a riqueza de nossa sociedade, permitindo a resolução de problemas. Geralmente, podemos dizer que esses repositórios de dados podem fornecer recursos valiosos para melhorar a qualidade da tomada de decisões. Assim, este curso aborda os tópicos e questões normalmente associados às designações de "aprendizagem de máquina" ou "mineração de dados". Este campo tem-se desenvolvido rapidamente e tornou-se central em várias atividades. A sua contribuição estende-se à pesquisa científica de marketing, constituindo um corpo de conhecimento muito significativo e ainda em expansão. Neste curso, são utilizados os principais aspectos metodológicos da "aprendizagem máquina" e as ferramentas mais importantes, incluindo redes neurais artificiais, árvores de classificação, entre outras. O objetivo também é fornecer aos alunos a oportunidade de desenvolver habilidades práticas de resolução de problemas. Nesse contexto, os alunos utilizarão o Python para realizar um conjunto de tarefas de modelação e extração de conhecimento.

Caracterização geral

Código

100225

Créditos

6.0

Professor responsável

Roberto André Pereira Henriques

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

Não existem pré-requisitos.

Bibliografia

  • Dean Abbott (2014) "Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst", Wiley
  • Daniel T. Larose, Chantal D. Larose (2015) "Data Mining and Predictive Analytics", 2nd Edition, Wiley
  • Mitchell, T., (1997) "Machine Learning", McGraw Hill.
  • Hand, D. J., Mannila, H., Smyth, P. (2001) "Principles of Data Mining (Adaptive Computation and Machine Learning)", MIT Press.
  • Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media.

Método de ensino

A unidade curricular é baseada em aulas teóricas e práticas. Serão aplicadas várias estratégias de ensino, incluindo aulas teóricas, apresentações de slides, aplicações passo a passo (com e sem software), perguntas e respostas. As sessões incluem a apresentação de conceitos e metodologias, resolução de exemplos, discussão e interpretação de resultados. O componente prático inclui exercícios para consolidar os conceitos teóricos abordados nas aulas teóricas.

Método de avaliação

Período regular (1º período de exames)

  • Exame (40%)
  • Projeto 1 (30%)
  • Projeto 2 (30%)

Período regular (final do período de exames)

  • Exame (40%)
  • Projeto 1 (30%)
  • Projeto 2 (30%)

Período especial de exames

  • Exame (100%)

Nota mínima de 8,0 (em 20) para o exame

Nota mínima de 8,0 (em 20) para os projetos.

Conteúdo

LU1. Introdução à aprendizagem de máquina. Modelos preditivos e descritivos.
LU2. Principais metodologias.
LU3. Ferramentas de exploração de dados e visualização.
LU4. Pré-processamento de dados.
LU5. Modelos preditivos.

  • Classificadores simples.
  • Classificadores baseados em instâncias.
  • Árvores de classificação - DDT, Cart e C 4.5.
  • Redes neuronais - MLP.
  • Tópicos adicionais em modelagem preditiva.

LU6. Modelos descritivos.

  • Análise de cesta de compras.
  • Análise RFM.
  • Algoritmos de clustering.
  • K-Means.
  • Clustering hierárquico.
  • Tópicos adicionais na segmentação.