1. Início
  2. Faculdade de Ciências e Tecnologia
  3. Engenharia Informática
  4. Aprendizagem Automática

Aprendizagem Automática

Objetivos

Saber

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

Caracterização geral

Código

11157

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

A disponibilizar brevemente

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.

  • Stephen Marsland. Machine Learning: An Algorithmic Perspective CRC Press, 2011

Método de ensino

A disponibilizar brevemente

Método de avaliação

A disponibilizar brevemente

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