Aprendizagem Computacional

Conhecimentos de Base Recomendados

Probabilidades e Estatística, Álgebra Linear, Cálculo, Programação.

Métodos de Ensino

Aulas TP: exposição detalhada com meios audiovisuais, dos conceitos, princípios e teorias fundamentais e resolução de exercícios práticos elementares para consolidação da matéria. Aulas PL em que se os alunos resolvem s exercícios de aplicação prática, que exijam a conjugação de conceitos teóricos distintos e promovam o raciocínio crítico. A avaliação final terá em conta tanto os conceitos teóricos de base como a capacidade para resolver problemas complexos do mundo real.

Resultados de Aprendizagem

A unidade curricular apresenta os algoritmos que permitem explorar aplicações de aprendizagem computacional (supervisionada e não-supervisionada) para classificação, formalizando-a, com modelos de âmbito alargado nos mais diversos domínios. A unidade curricular funciona em paralelo com a unidade curricular de Aprendizagem Profunda e por Reforço, funcionando em modo de complementaridade.

Estágio(s)

Não

Programa

1.Introdução

-Revisão da pipeline

-Aprendizagem supervisionada vs não supervisionada

-Classificação, regressão e geração

-Tópicos de engenharia de features

-Funções de decisão generalizadas

-Abordagens para classificação multi-classe

2.Avaliação de modelos

-Medidas de avaliação de desempenho

-Particionamento de dados

-O dilema da variância-viés.

-O problema da maldição da dimensionalidade

3.Aprendizagem não supervisionada

-Clustering de partição

-Clustering hierárquico

-Clustering baseado em densidade

-Clustering baseado em modelos gaussianos combinados

4.Aprendizagem supervisionada

-Discriminantes lineares

-Classificação probabilística

-Classificação não paramétrica: kNN e SVM

-Modelos baseados em regras

5.Combinação de classificadores

-Regra do produto e da soma

-Boosting, Bagging e Stacking.

Docente(s) responsável(eis)

César Alexandre Domingues Teixeira

Métodos de Avaliação

Avaliação
Projecto: 40.0%
Exame: 60.0%

Bibliografia

1. Bishop, C.M., ?Pattern Recognition and Machine Learning?, Springer Verlag, 2006
2. Duda, R. O., Hart, P.E., and Stork, D.G., ?Pattern Classification, ? 2nd ed. Wiley Interscience (2001)
3. J.P. Marques de Sá, ?Pattern Recognition: Concepts, Methods and Applications?, 2001, XIX, 318 p., 197 illus., Springer-Verlag (2001)
4. M. N. Murty and V. S. Devi, ?Pattern Recognition: An Algorithmic Approach, Springer, 1st Edition., XII, 263 p. (2011)
5. Peter Flach, Machine Learning: the art and science of algorithms that make sense of data, Cambridge University Press, 2012.
6. Trevor Hastie, Robert Tibsshirani and Jerome Friedman, The Elements of Statistical Learning (2nd Edition), Springer, 2008.
7. Introduction to Machine Learning with Python, Andreas C. Muller and Sarah Guido, O'Reilly, 2017.
8. João Gama et alli, Extracção de Conhecimento de Dados, Edições Sílabo, 2012.