Engenharia de Atributos

Conhecimentos de Base Recomendados

Análise Matemática I, Análise Matemática II, Álgebra Linear Numérica e Cálculo Científica, Estatística

Métodos de Ensino

Metodologias de ensino:
- Aulas teóricas (2h semanais) para apresentação e discussão da matéria e resolução de exercícios, estabelecendo a interligação com as aulas práticas laboratoriais, usando meios audiovisuais e demonstrações computacionais.
- Aulas práticas laboratoriais (2h semanais) para apoio à realização dos exercícios das fichas práticas e do mini-projeto.
Recursos adoptados:
- Slides de apoio às aulas teóricas
- Bibliografia diversa (livros sobre os temas abordados)
- Fichas práticas com exercícios
- Exercícios online
- Software de simulação: Matlab / Python

Resultados de Aprendizagem

A disciplina de Engenharia de Atributos tem como objectivo geral dotar o estudante de conhecimentos teóricos e ferramentas que permitam extrair, selecionar e transformar informação, por forma a que esta possa ser usada, de forma eficiente, por algoritmos de análise e aprendizagem computacional.
A disciplina aborda os dados de duas perspectivas. Primeiramente ao nível dos dados em bruto (Raw data) e consequentemente ao nível das características/atributos (features) extraída(o)s de dados em bruto.
O aluno deve no final da disciplina estar apto a:
-analisar a qualidade da informação (ex. avaliação da relação sinal/ruído);
-filtrar séries temporais;
-extrair atributos;
-desenvolver estratégias para anotação de dados;
-desenvolver técnicas para detecção e tratamento de outliers;
-tratar valores em falta;
- converter dados (ex. normalização, discretização);
-tratar desbalanceamento nos dados e
-projetar e implementar técnicas para selecção e redução de atributos.

Estágio(s)

Não

Programa

Capítulo 1:Introdução à Engenharia de Atributos
Capítulo 2:Tratamento de dados em bruto
-Aquisição de dados
-Estratégias de anotação de dados
-Avaliação da qualidade dos dados: relação sinal/ruído
-Filtragem de séries temporais: Filtros de resposta impulsiva finita e infinita
-Detecção e tratamento de outliers
-Detecção e tratamento de valores em falta
-Transformadas tempo-frequência: extracção de atributos não estacionários
Capítulo 3:Tratamento de atributos
-Avaliação da qualidade dos dados
-Deteção e tratamento de outliers
-Deteção e tratamento de valores em falta
-Conversão de dados: Discretização de variáveis continuas, conversão de variáveis categóricas
-Normalização
-Tratamento de dados desbalanceados
Capítulo 4: Selecção e redução de atributos
-Métodos independentes do classificador/regressor: Filtros
-Métodos baseados na performance de classificação/regressão: "Wrappers"
-Métodos “Embedded”
-Redução não supervisionada: PCA, MDS, ...
-Redução supervisionada: LDA,...

Métodos de Avaliação

Avaliação
Projecto: 20.0%
Mini Testes: 25.0%
Exame: 55.0%

Bibliografia

1. García, Luengo & Herrera (2015). "Data Preprocessing in Data Mining". Springer.

2. Nixon & Aguado (2008). "Feature Extraction & Image Processing". Academic Press.

3. Giannakopoulos & Pikrakis (2015). "Introduction to Audio Analysis". Academic Press.