Reconhecimento de Padrões

Ano
1
Ano lectivo
2020-2021
Código
02023430
Área Científica
Informática
Língua de Ensino
Português
Outras Línguas de Ensino
Inglês
Modo de Ensino
Presencial
Duração
Semestral
Créditos ECTS
6.0
Tipo
Opcional
Nível
2º Ciclo - Mestrado

Conhecimentos de Base Recomendados

Licenciatura em Engenharia Informática ou equivalente.

Métodos de Ensino

Aulas T: exposição detalhada com meios audiovisuais, dos conceitos, princípios e teorias fundamentais e resolução de exercícios práticos elementares que concretizem o interesse prático da matéria e exemplifiquem a sua aplicação a situações reais. 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. Na avaliação, abrangendo toda a matéria lecionada, pretende-se focar, de forma clara, tanto os conceitos teóricos de base como a capacidade para resolver problemas complexos.

Resultados de Aprendizagem

O Reconhecimento de Padrões (RP) estuda a conceção, desenvolvimento e implementação de sistemas capazes de reconhecer padrões nos dados. Esta UC ministra os algoritmos que permitem explorar aplicações de RP, formalizando-as, com modelos analíticos de âmbito alargado nos mais diversos domínios. Introduz conceitos básicos, modelos e ferramentas para a compreensão de um Sistema RP. Tendo como pano de fundo a natureza e dificuldades inerentes a um problema de classificação de padrões, abordaremos a discriminação de padrões, funções e regiões de decisão, separabilidade de classes e métricas. Trata ainda do estudo da extração e seleção de características, modelos paramétricos e não paramétricos, redução da dimensionalidade e métodos de kernel; métricas de avaliação de classificadores. O aluno deverá compreender as fases de um Sistema RP, escolher o classificador mais apropriado para a resolução de problemas, efetuar a  sua análise com base nos resultados e extraindo daí conhecimento.

Estágio(s)

Não

Programa

1.Discriminação de padrões: funções e regiões de decisão; Métricas de separação de classes; Discriminantes Lineares (Euclidian e Mahalanobis) e de Fisher

2.Extração e Seleção de características; métodos de ranking; Kruskal Wallis.Pré-processamento (remoção de outliers, normalização, missing data)

3. Redução Dimensionalidade: Principal Component Analysis (PCA); Linear Discriminant Analysis (LDA)

4. Métodos Paramétricos: Seleção de Modelos, Modelos Lineares Generalizados, Modelos de Mistura, Classificação de Bayes Supervisionada, Estimação de Parâmetros:Método da máxima verosimilhança;Estimação Bayes e Risco;Máximo A Posteriori (MAP); Divergência de Kullback-Leibler

5. Métodos não Paramétricos: Estimação da densidade: Método Parzen e Método k-vizinhos mais próximos

6. Métodos de Kernel: Maquinas de Vector de Suporte

7. Avaliação de Classificadores; Amostragem, matriz de confusão e probabilidade de erro; curvas ROC;

8. Classificadores Hibridos: Ensembles, Bootstrapping, Boosting.

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. A. Vieira, B. Ribeiro, Introduction to Deep Learning Business Applications for Developers From Conversational Bots in Customer Service to Medical Image Processing, Apress, 2018.