Aprendizagem Computacional

Conhecimentos de Base Recomendados

Cálculo, Álgebra Linear, Programação.

Métodos de Ensino

Aulas TP: 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, efetuando 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 projeto 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 AC conseguem resolver. Entender as diferenças fundamentais entre os algoritmos de AC e os algoritmos tradicionais. Compreender o papel dos humanos no desenvolvimento de soluções de AC efetivas. O estudante irá também ter uma visão larga de outros tipos de aprendizagem e uma ideia geral das abordagens mais recentes em AC. Para além disso, é expectável que, através das várias atividades 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 Dado.

Métodos de Avaliação

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

Bibliografia

Jeff Prosise, Applied Machine Learning and AI for Engineers: Solve Business Problems That Can't Be Solved Algorithmically, O'Reilly, 2022
Chip Huyen, Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, O'Reilly, 2022
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly, 2022
Serg Masís, Interpretable Machine Learning with Python: Build explainable, fair, and robust high-performance models with hands-on, real-world examples, Packt, 2023
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag New York Inc., 2006.
Peter Flach, Machine Learning: the art and science of algorithms that maker sense of data, Cambridge University Press, 2012
Andreas C. Muller and Sarah Guido, Introduction to Machine Learning with Python, O'Reilly, 2017.
João Gama et al., Extracção de Conhecimento de Dados, Edições Sílabo, 2012.