Aprendizagem Computacional para Sistemas Inteligentes

Conhecimentos de Base Recomendados

Matemática avançada para a engenharia; probabilidade e estatística; programação.

Métodos de Ensino

Aulas de orientação tutorial (OT) e seminário (S). Avaliação: trabalho prático, orientado para a investigação, com elaboração de relatório técnico-científico e apresentação oral.

Resultados de Aprendizagem

Após a frequência desta unidade curricular (UC), os estudantes devem ter adquirido os conhecimentos científicos e técnicos necessários à compreensão da aprendizagem computacional, com foco em métodos baseados em aprendizagem profunda e sua aplicação no contexto de sistemas inteligentes. Esta UC aborda técnicas avançadas de aprendizagem computacional, algoritmos e métodos, e possui uma componente prática sustentada em casos-de-estudo em domínios científicos e de investigação relacionados com SI. As aplicações incluem, por exemplo: sistemas robóticos inteligentes, veículos inteligentes (e.g., condução autónoma), sistemas inteligentes para comunicações móveis (e.g., localização e seguimento), sistemas inteligentes de gestão de energia, entre outros.

Estágio(s)

Não

Programa

Introdução à aprendizagem computacional (ML), aprendizagem profunda (deep learning) e Sistemas Inteligentes. Fundamentos e princípios teóricos e práticos em ML. Princípios e técnicas de aprendizagem profunda (DL). Redes neuronais convolucionais (CNNs). Modelos sequenciais, Redes Neuronais Recorrentes. Aprendizagem por Reforço Profundo (Deep RL). Computação e treino de alto desempenho. Tópicos avançados (e.g., interpretação, calibração, redes probabilísticas). Aplicações e problemas práticos.

Docente(s) responsável(eis)

Cristiano Premebida

Métodos de Avaliação

Avaliação
Trabalho de investigação: 100.0%

Bibliografia

1. Ian Goodfellow, Y. Bengio and A. Courville, “Deep Learning”, MIT Press 2016.

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

3. A Géron, “Hands-on Machine Learning with Scikit-Learn and TensorFlow”, O'Reilly, 2017.

4. Murphy, K.P., “Probabilistic Machine Learning: An Introduction”, The MIT Press, 2021.

5. Magnus Ekman, “Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using TensorFlow”, Addison Wesley Professional, 2021.

6. David Forsyth, “Applied Machine Learning”, Springer, 2019.

7. Shin, Y.C., Xu C., “Intelligent Systems, Modeling, Optimization, and Control”, CRC Press, 2009.

8. Sutton, R.S., Barto, A.G., “Reinforcement Learning: An Introduction”, 2nd Edition, The MIT Press, 2018.