Aprendizagem Computacional

Conhecimentos de Base Recomendados

Cálculo, Álgebra Linear, Programação

Métodos de Ensino

Aulas T: apresentação e discussão dos conceitos, técnicas e algoritmos de aprendizagem computacional. Na PL, o aluno exercita em computador o uso dos algoritmos de aprendizagem computacional  na resolução de problemas de complexidade média, efectuando simulações eventualmente por recurso a ferramentas. Este  trabalho é feito em grupo, na aula PL, com a monitorização do professor. Esta componente pesa na avaliação final (10%).  Realização, fora das aulas, de um projecto com entrega de um relatório e defesa pública (30% da nota final). Exame escrito com peso de 60%.

Resultados de Aprendizagem

Pretende-se introduzir os algoritmos aprendizagem computacional fundamentais, acompanhados da discussão dos princípios e da matemática subjacente. No final pretende-se que o/a aluno/a seja capaz de identificar, avaliar e validar experimental e formalmente, a melhor solução algorítmica para uma tarefa particular. Compreender o tipo de problemas do mundo de hoje que os algoritmos de aprendizagem computacional  conseguem resoolver.Entender as diferenças fundamentais entre os algforitmos de aprendizagem computacional e os algoritmos tradicioanis.Compreender o papel dos humanos no desenvolvimento de soluções de AC efectivas.Irá ter uma visão larga de outros tipos de aprendizagem e uma ideia geral das abordagens recentes em aprendizagem computacional. Para além disso, é expectável que, através das várias actividades propostas ao longo do curso,adquira e aprofunde um conjunto de outras competências,de comunicação oral e escrita, de argumentação, pensamento crítico e de trabalho em grupo.

Estágio(s)

Não

Programa

1. Introdução: tipos de aprendizagem, tarefas e dados
2. Aprendizagem Supervisionada: regressão e classificação
3. Aprendizagem Não Supervisionada: Agrupamento e Associação
4. Métricas de Desempenho
5. Aspectos complementares: aprendizagem semi-supervisionada, aprendizagem por reforço, aprendizagem de conceitos, aprendizagem vaga, conjuntos, aprendizagem profunda.
6. Aprendizagem Computacional para Grandes Dados

Métodos de Avaliação

Avaliação
Resolução de problemas: 10.0%
Projecto: 30.0%
Exame: 60.0%

Bibliografia

- Peter Flach, Machine Learning: the art and science of algorithms that maker sense of data, Cambridge University Press, 2012.
- Trevor Hastie, Robert Tibsshirani and Jerome Friedman, The Elements of Statistical Learning (2nd Edition), Springer, 2008.
- Introduction to Machine Learning with Python, Andreas C. Muller and Sarah Guido, O'Reilly, 2017.
- João Gama et alli, Extracção de Conhecimento de Dados, Edições Sílabo, 2012.