Inteligência Geoespacial

Ano
1
Ano lectivo
2024-2025
Código
02032918
Área Científica
Informática
Língua de Ensino
Português
Outras Línguas de Ensino
Inglês
Modo de Ensino
Presencial
Duração
Semestral
Créditos ECTS
6.0
Tipo
Obrigatória
Nível
2º Ciclo - Mestrado

Conhecimentos de Base Recomendados

NA

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 TP em que os alunos resolvem 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

A Inteligência Geoespacial estuda a conceção, desenvolvimento e implementação de sistemas capazes de reconhecer padrões nos dados geoespaciais. Em particular, esta unidade curricular tem, entre outros, os seguintes objetivos:

- Abordar a extração, transformação e carregamento de dados, otimização e administração de data warehouses e bases de dados multidimensionais.

- Estudar o tratamento de dados e técnicas de data mining (seleção e pré-processamento; algoritmos; e visualização).

- Explorar várias aplicações, formalizando-as como modelos analíticos nos mais diversos domínios.

- Comparar modelos paramétricos e não paramétricos;

- Especificar as métricas de avaliação de modelos.

- Aprofundar tópicos avançados de redução da dimensionalidade.

- Estudar a validação de dados.

- Efetuar o projeto de um sistema inteligente de reconhecimento de padrões em aplicações no domínio geoespacial.

Estágio(s)

Não

Programa

1. Discriminação de padrões

2. Métodos de pré-processamento de dados

3. Extração e Seleção de características

4. Redução Dimensionalidade

5. Métodos não supervisionados: Agrupamento de dados

6. Seleção de Modelos: Métodos Paramétricos e Métodos não Paramétricos:

7. Métodos de Kernel

8. Avaliação de Modelos e Amostragem: Bootstrapping, Boosting

Docente(s) responsável(eis)

César Alexandre Domingues Teixeira

Métodos de Avaliação

Avaliação
Projecto: 40.0%
Exame: 60.0%

Bibliografia

• Bishop, C.M., “Pattern Recognition and Machine Learning”, Springer Verlag, 2006

• Duda, R. O., Hart, P.E., and Stork, D.G., “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-Verlag (2001)

• M. N. Murty and V. S. Devi, “Pattern Recognition: An Algorithmic Approach”, Springer, 1st

Edition., XII, 263 p. (2011)