Aprendizagem Computacional

Conhecimentos de Base Recomendados

Licenciatura em Engenharia Informática ou equivalente.

Métodos de Ensino

Aulas teóricas de exposição e discussão, 2h semanais, com apoio audiovisual e computacional. Demonstrações computacionais do funcionamento das técnicas de aprendizagem estudadas.

Aulas práticas, 2h semanais, para o desenvolvimento de mini-projetos sobre os diversos temas da matéria. Os mini-projetos ocupam em média 2,5 aulas práticas e são desenvolvidos em grupos de 2 ou 3 alunos. Alguns dos mini-projetos têm componente de investigação, desafiando-se os alunos a procurarem na literatura recente ideias para a sus realização. Trabalha-se no ambiente Matlab+Simulink+Toolboxes e/ou Weka.

Resultados de Aprendizagem

Estudar  as principais técnicas de aprendizagem computacional no contexto da multiplicidade de tipos de dados disponíveis nas aplicações relevantes nomeadamente desenvolvimento e interpretação de árvores de decisão , configuração e treino de redes neuronais artificiais, de lógica difusa, sistemas difusos e neuro-difusos, e configuração e treino de máquinas de vetores de suporte. Desenvolver as competências para conceber sistemas de classificação de grandes conjuntos de dados, de diagnóstico em contextos industriais e médicos, de controlo inteligente, de análise sistémica dos problemas complexos e de avaliação crítico dos resultados.

Competências genéricas em análise e síntese, comunicação escrita e oral, conhecimentos de informática relativos ao âmbito do estudo, resolução de problemas, raciocínio crítico, capacidade de decisão, trabalho em grupo,  aprendizagem autónoma, aplicação prática de conhecimentos teóricos, criatividade, autocrítica e auto-avaliação, em investigação. 

Estágio(s)

Não

Programa

Cap. 1. Introducão à aprendizagem computacional

Cap. 2. Árvores de decisão

Cap. 3 Redes Neuronais: arquiteturas básicas

Cap. 4. Redes Multicaamada e aprendizagem por retropropagação.

Cap. 5 .Redes RBF (Radial Basis Function). Algoritmos de treino.

Cap. 6. Arquiteturas avançadas de redes neuronais: redes recurrentes e aprendizagem em tempo real.

Cap.7 Lógica difusa e conjuntos difusos. Relações difusas, princípio da extensão de Zadeh.

Cap. 8. Sistemas Difusos baseados em regras, de tipos Mamdani e Sugeno. Aprendizagem de regras difusas: técnicas de clustering.

Cap. 9. Sistemas Neuro-difusos: a arquitetura ANFIS e seu treino.Aplicações.

Cap. 10. Máquinas de Vetores de Suporte.

Métodos de Avaliação

Avaliação
Resolução de problemas: 20.0%
Projecto: 30.0%
Exame: 50.0%

Bibliografia

Foundations of Machine Learning , Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar MIT Press, 2012

Pattern Recognition and Machine Learning, C.M. Bishop,Springer 2006

Neural Network Design, Hagan, Demuth and Beale, PWS Publishing, 1995.

Neural Network Toolbox Users´s Guide, The Mathworks, 2012

Fundamentals of Artificial Neural Networks, Hassoun. M. H.,MIT Press, 1994.

Neural and Adaptive Systems, J.C. Príncipe, N.R. Euliano, W. C. Lefevre, Wiley, 2000

Fuzzy Logic With Engineering Applications, 2nd Ed., Timothy Ross, McGraw Hill, 2004.

Fuzzy Logic Toolbox Users´s Guide, The Mathworks, 2012.

Introduction to Neuro-Fuzzy Systems, Robert Fullér, Springer Verlag 2000.

Neural Networks: A Comprehensive Foundation,Simon Haykin,Prentice Hall,1999

Fuzzy Modelling and Control, Andrzej Piegat, Springer Verlag, 2001.