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, e validar experimental e formalmente, a melhor solução algorítmicas para uma tarefa particular. O estudante irá também ter uma visão larga de outros tipos de aprendizagem e uma ideia geral das abordagens mais recentes em aprendizagem computacional. Para além disso, é expectável que, através das várias actividades propostas ao longo do curso, o estudante adquira e aprofunde um conjunto de outras competências, nomeadamente 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.

Docente(s) responsável(eis)

Catarina Helena Branco Simões da Silva

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.