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, 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 (AC) 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 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, 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
7. Aprendizagem Computacional Responsável

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

- 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, O'Reilly, 2022.
- Serg Masís, Interpretable Machine Learning with Python, 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.
- Trevor Hastie, Robert Tibsshirani and Jerome Friedman, The Elements of Statistical Learning (2nd Edition), Springer, 2008.
- 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.