Aprendizagem Computacional Avançada

Conhecimentos de Base Recomendados

Álgebra Linear, Cálculo, Probabilidades e Estatística, Introdução à Aprendizagem Computacional, Programação

Métodos de Ensino

Nas aulas teóricas (T) serão expostos e discutidos de modo crítico os conceitos, as teorias e os algoritmos. As PL destinam-se a exercitar e consolidar o que foi aprendido nas T, son supervisão do docente. A avaliação terá três componentes. Uma primeira, envolve a leitura de trabalhos de investigação já publicados, e posterior síntese escrita. Uma segunda, consiste num projecto prático relacionado com as técnicas e/ou uma aplicação concreta. Uma terceira componente, consistirá num exame escrito que avaliará a compreensão teórica do estudante.

Resultados de Aprendizagem

Esta UC destina-se a introduzir com rigor aspectos mais recentes e avançados na área de aprendizagem computacional, incluindo conjuntos, aprendizagem por reforço, aprendizagem profunda e aprendizagem de inspiração na natureza. Também serão aflorados, embora de modo mais superficial, aspectos relacionados com a engenharia de características e o desenho de experiências e análise de dados.

 

No final do curso o estudante terá uma visão geral do problema da transformação de dados em conhecimento, dominando as técnicas mais recentes de aprendizagem pela máquina, e estará em condições  de desenhar, implementar, testar e validar, soluções para problemas do mundo real que requerem aprendizagem automática pela máquina.

 

Por último, mas não menos importante, o estudante consolidará as suas competências  comunicacionais de análise e síntese, escrita e oral, e de trabalho em grupo.

Estágio(s)

Não

Programa

1. Introdução: o problema da ciência dos dados

2. Algoritmos fundamentais

3. Modelos baseado em conjuntos: bagging, random forests, boosting, stacking

4. Características: transformação, construção e selecção

5. Aprendizagem por Reforço

6. Aprendizagem Profunda

7. Aprendizagem de Inspiração Biológica

8. Desenho de Experiências e Análise de Dados

9. Aplicações

Docente(s) responsável(eis)

Ernesto Jorge Fernandes Costa

Métodos de Avaliação

Avaliação
Trabalho de investigação: 10.0%
Outra: 10.0%
Projecto: 30.0%
Exame: 50.0%

Bibliografia

- Peter Flach, Machine Learning: the art and science of algorithms that make sense of data, Cambridge University Press,2012.

- Ethem Alpaydin, Introduction to Machine Learning (2nd Edition), MIT Press. 2010.

- Richard S. Sutton and Andrew G. Barto, Reinforcement  Learning: an introduction (2nd Edition), MIT Press, 2018.

- Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press 2016.

- Hitoshi Iba, Evolutionary Approaches to Machine Learning and Deep Neural Networks, Springer, 2018.