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

Compreender a pipeline de Machine Learning e a distinção entre aprendizagem supervisionada e não supervisionada, dominando técnicas de engenharia de features para otimizar os dados. O estudante deverá ser capaz de aplicar métodos rigorosos de avaliação de desempenho (medidas, particionamento) para quantificar a performance e diagnosticar problemas como o dilema viés-variância e a maldição da dimensionalidade. Outro objetivo central é dominar as principais técnicas de aprendizagem não supervisionada (Clustering) e supervisionada (kNN, SVM, Discriminantes), entendendo a sua base teórica e aplicação. Por fim, o aluno deverá aplicar estratégias avançadas de combinação de classificadores (Boosting, Bagging) para aumentar a robustez e precisão dos modelos preditivos.

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

Métodos de Avaliação

Avaliação
Projecto: 40.0%
Exame: 60.0%

Bibliografia

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

-Duda, R. O., Pattern Classification, 2nd ed. Wiley Interscience (2001).

-J.P. Marques de Sá, Pattern Recognition: Concepts, Methods and Applications, 2001, XIX, 318 p., 197 illus., Springer (2001).

-M. N. Murty, Pattern Recognition: An Algorithmic Approach, Springer, 1st Edition., XII, 263 p. (2011).

-Peter Flach, Machine Learning: the art and science of algorithms that make sense of data, Cambridge University Press, 2012.

-Trevor Hastie, The Elements of Statistical Learning (2nd Edition), Springer, 2008.

-Introduction to Machine Learning with Python, Andreas C. Muller and Sarah Guido, O'Reilly, 2017.

-Deisenroth, Marc Peter, Mathematics for machine learning. Cambridge UP, 2020.

-Géron, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow,O'Reilly, 2022.

-Murphy, Kevin P. Probabilistic machine learning: an introduction. MIT press, 2022.