Aprendizagem de Máquina Avançada

Conhecimentos de Base Recomendados

NA

Métodos de Ensino

Durante as aulas teóricas (T) serão apresentados e discutidos os conceitos, as teorias, os algoritmos. Nas aulas (PL) os alunos consolidarão o que aprenderam nas T. Os trabalhos práticos serão realizados sob a orientação do docente. A avaliação será baseada em duas componentes: (1) projetos envolvendo as técnicas e/ou um problema prático; (2) um exame escrito para avaliar o conhecimento dos alunos sobre os conteúdos de Aprendizagem de Máquina Avançada.

Resultados de Aprendizagem

Após concluir a unidade curricular prevê-se que os alunos adiquiram conhecimento sobre tópicos avançados de aprendizagem computacional e competências para o desenvolvimento de soluções que envolvam: redes de aprendizagem computacional profundas, modelos generativos e, modelos de aprendizagem por reforço. No final deverão ter capacidade de analisar, modelar, implementar, treinar e executar: - redes totalmente conectadas, convolucionais, sequênciais, recursivas, de grafos e "transformers" - autoencoders, variational autoencoders, generative adversarial networks and diffusion models - model free q-learning e deep q-networks. Os alunos irão consolidar as suas competências de comunicação, análise e sintese, escrita e falada e de trabalho em grupo.

Estágio(s)

Não

Programa

1. Treino de modelos 1.1 Propagação para a frente 1.2 Retropropagação e Regra da Cadeia 1.3 Otimização e Otimizadores 1.4 Inicialização, Normalização e Regularização 2. Aprendizagem Profunda 2.1 Redes Neuronais Profundas 2.2 Redes Neuronais Convolucionais 2.3. Modelos de Sequência e Redes Neuronais Recorrentes 2.4. Redes neuronais de grafos 2.5. "Transformers" 3. Aprendizagem computacional generativa 3.1 "Autoencoders" 3.2 "Autoencoders" Variacionais 3.3 Redes Adversariais Generativas 3.4 Modelos de Difusão 4. Aprendizagem por Reforço 4.1 Máquinas de Estado 4.2 Processo de Decisão de Markov 4.3 Estado do Meio Ambiente e Agentes 4.4 Política, Ações do Estado e Funções de Recompensa 4.5 "Q-Learning" 4.6 &q

Docente(s) responsável(eis)

João Nuno Gonçalves Costa Cavaleiro Correia

Métodos de Avaliação

Avaliação
Projecto: 50.0%
Exame: 50.0%

Bibliografia

1. Iddo Drori (2022) The Science of Deep Learning (1st Edition), Cambridge University Press 2. Ethem Alpaydin (2010), Introduction to Machine Learning (2nd Edition), MIT Press 3. Richard S. Sutton and Andrew G. Barto (2018), Reinforcement Learning: an introduction (2nd Edition), MIT Press 4. Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016), Deep Learning, MIT Press