Aprendizagem Computacional Probabilística

Conhecimentos de Base Recomendados

Probabilidades e Estatística, Reconhecimento de Padrões, Aprendizagem Computacional

Métodos de Ensino

Nas aulas teóricas (T) serão expostos e discutidos de modo crítico os conceitos, teorias e algoritmos relacionados a aprendizagem, inferência e regressão probabilísticas. As PL destinam-se a implementar algoritmos e técnicas, e consolidar o que foi aprendido nas T. A avaliação terá três componentes: (i) envolve a entrega de um relatório conciso ou uma apresentação oral; (ii) consiste num projeto prático relacionado com as técnicas e/ou uma aplicação concreta (ie, caso de estudo); (iii) consistirá num exame escrito que avaliará a compreensão teórica do estudante.

Resultados de Aprendizagem

Esta UC destina-se a introduzir os aspetos mais recentes e avançados na área da aprendizagem computacional probabilística, com enfase em sistemas robóticos autónomos e automação. Inclui tópicos relacionados a probabilidade, inferência Bayesiana, regressão, sistemas variantes no tempo, redes Bayesianas, redes Bayesianas dinâmicas, técnicas e algoritmos de aprendizagem e decisão. Também serão ensinados aspetos relacionados com fusão sensorial, condução autónoma, robótica móvel, perceção robótica, automação inteligente. 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 computacional probabilística numa perspetiva aplicada à robótica e automação, e estará em condições de desenhar, implementar, testar e validar soluções para problemas do mundo real. Por último, mas não menos importante, o estudante consolidará as suas competências comunicacionais de análise e síntese, escrita e oral, 

Estágio(s)

Não

Programa

1. Introdução: aprendizagem computational em sistemas roboticos, automacao, conducao autonoma e sistemas dinamicos

2. Probabilidade e processos estocasticos

3. Modelos probabilisticos e inferencia Bayesiana

4. Regressao linear e não-linear (modelos variantes no tempo)

5. Redes Bayesianas

6. Redes Bayesianas Dinamicas (DBN)

7. Aprendizagem computational probabilistica

8. ROS, aplicações (robotica, conducao autonoma, automacao, combinacao de modelos)

Docente(s) responsável(eis)

Cristiano Premebida

Métodos de Avaliação

Avaliação
Relatório de seminário ou visita de estudo: 10.0%
Projecto: 40.0%
Exame: 50.0%

Bibliografia

Kevin P. Murphy "Machine Learning: a Probabilistic Perspective", the MIT Press (2012)

A. Papoulis, S.U. Pillai. “Probability, Random Variables and Stochastic Processes”, (2002)

Sebastian Thrun, Wolfram Burgard, Dieter Fox. “Probabilistic robotics”, MIT Press, (2006)

Jerome H. Friedman, Robert Tibshirani, and Trevor Hastie. "The Elements of Statistical Learning", (2009)

David Barber "Bayesian Reasoning and Machine Learning", Cambridge University Press (2012)

Ian Goodfellow, Yoshua Bengio and Aaron Courville, "Deep Learning", MIT Press (2016)

Christopher M. Bishop "Pattern Recognition and Machine Learning". Springer (2006)

Richard S. Sutton and Andrew G. Barto. "Reinforcement Learning, An Introduction" (2018)