Engenharia de Características para Aprendizagem Computacional

Conhecimentos de Base Recomendados

Probabilidades e Estatística, Álgebra Linear, Cálculo, Programação e Análise e Transformação de Dados.

Métodos de Ensino

Metodologias de ensino:

- Aulas teórico-práticas de exposição de matérias e exercitação de conceitos sobre toda a matéria com exercícios teórico-práticos

- Aulas práticas laboratoriais de apoio à realização de trabalhos práticos

Recursos adoptados:

- Slides de apoio às aulas teórico-práticas e sintetização de conhecimentos

- Bibliografia diversa (livros e artigos sobre os temas abordados)

Resultados de Aprendizagem

A disciplina tem como objectivo dotar o estudante de conhecimentos teóricos e ferramentas que permitam extrair, selecionar e transformar características representativas a partir de dados crus de diferentes fontes de informação, para que esta possa ser usada, de forma eficiente, por algoritmos de análise e aprendizagem computacional.

A disciplina aborda os dados de duas perspectivas: i) ao nível dos dados em bruto (raw data); ii) e ao nível das características/atributos (features) extraída(o)s de dados em bruto.

No final da disciplina, o aluno deve estar apto a:

- desenvolver estratégias para recolha e anotação de dados;

- desenvolver técnicas para detecção e tratamento de outliers;

- desenhar e extrair atributos, através da sua programação explícita, de diversos fontes de informação;

- tratar valores em falta;

- converter dados (e.g., normalização);

- tratar desbalanceamento nos dados

- projetar e implementar técnicas para selecção e redução de atributos.

Estágio(s)

Não

Programa

Capítulo 1: Introdução à Engenharia de Atributos

- Pipeline de Aprendizagem Computacional

- Tópicos fundamentais de aprendizagem computacional: dados, partições, modelos e avaliação

- Engenharia de atributos e seu papel na aprendizagem computacional e sistemas de recomendação baseada em conteúdo

Capítulo 2: Tratamento de dados em bruto

- Aquisição de dados

- Estratégias de anotação de dados

Capítulo 3: Extracção de atributos

- Desenho e extracção de atributos através da sua programação explícita (feature handcrafting)

Capítulo 4: Tratamento de atributos

- Deteção e tratamento de outliers

- Deteção e tratamento de valores em falta

- Conversão de dados: discretização de variáveis, conversão de variáveis categóricas

- Normalização

- Tratamento de dados desbalanceados

Capítulo 5: Selecção e redução de atributos

- Métodos independentes do classificador: Filtros

- Métodos baseados no desempenho de classificação: "Wrappers"

- Métodos “Embedded”

- Redução não supervisionada e supervisionada

Docente(s) responsável(eis)

Paulo Fernando Pereira de Carvalho

Métodos de Avaliação

Avaliação
Avaliação contínua nas aulas práticas laboratoriais: 10.0%
Projecto: 30.0%
Exame: 60.0%

Bibliografia

- Pablo Duboe (2020). “The Art of Feature Engineering”, Cambridge University Press.

- Alice Zheng & Amanda Casari (2018). “Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists”, O'Reilly Media.

- Max Kuhn & Kjell Johnson (2021). “Feature Engineering and Selection”, Chapman & Hall/CRC Data Science Series).

- Soledad Galli (2022). “Python Feature Engineering Cookbook: Over 70 recipes for creating, engineering, and transforming features to build machine learning models”, Packt Publishing.

- J.P. Marques de Sá (2001). “Pattern Recognition: Concepts, Methods and Applications”, Springer-Verlag.