Aprendizagem Computacional

Ano
4
Ano lectivo
2020-2021
Código
02023358
Área Científica
Engenharia Biomédica
Língua de Ensino
Português
Outras Línguas de Ensino
Inglês
Modo de Ensino
Presencial
Duração
Semestral
Créditos ECTS
6.0
Tipo
Opcional
Nível
2º Ciclo - Mestrado

Conhecimentos de Base Recomendados

Licenciatura em Engenharia Informática ou equivalente.

Métodos de Ensino

Aulas teóricas de exposição e discussão, 2h semanais, com apoio audiovisual e computacional. Demonstrações computacionais do funcionamento das técnicas de aprendizagem estudadas.

Aulas práticas, 2h semanais, para o desenvolvimento de mini-projetos sobre os diversos temas da matéria. Os mini-projectos ocupam em média 2,5 aulas práticas e são desenvolvidos em grupos de 2 ou 3 alunos. Alguns dos mini-projetos têm componente de investigação, desafiando-se os alunos a procurarem na literatura recente ideias para a sua realização. Trabalha-se no ambiente Matlab+Simulink+Toolboxes e/ou Weka.

Resultados de Aprendizagem

Estudar  as principais técnicas de aprendizagem computacional no contexto da multiplicidade de tipos de dados disponíveis nas aplicações relevantes nomeadamente desenvolvimento e interpretação de árvores de decisão, configuração e treino de redes neuronais artificiais incluindo aprendizagem profunda, de lógica difusa, sistemas difusos e neuro-difusos. Desenvolver as competências para conceber sistemas de classificação de grandes conjuntos de dados, de diagnóstico em contextos industriais e médicos, de controlo inteligente, de análise sistémica dos problemas complexos e de avaliação crítico dos resultados.

Competências genéricas em análise e síntese, comunicação escrita e oral, conhecimentos de informática relativos ao âmbito do estudo, resolução de problemas, raciocínio crítico, capacidade de decisão, trabalho em grupo,  aprendizagem autónoma, aplicação prática de conhecimentos teóricos, criatividade, autocrítica e auto-avaliação, em investigação. 

Estágio(s)

Não

Programa

Cap. 1. Introducão à aprendizagem computacional: o processo geral e suas etapas.

Cap. 2. Árvores de decisão: do algorithmo ID3 ao algoritmo C4.5.

Cap. 3. Técnicas de agrupamento (clustering)

Cap. 4. Neurónios e Redes Neuronais: arquiteturas monocamada, multicamada e RBF e suas aprendizagens.

Cap. 5. Arquiteturas avançadas de redes neuronais: de redes recorrentes e redes profundas.

Cap. 6. Lógica difusa e conjuntos difusos. Relações difusas, princípio da extensão de Zadeh.

Cap. 7. Sistemas Difusos baseados em regras, de tipos Mamdani e Sugeno. Aprendizagem de regras difusas e treino de sistemas difusos.

Cap. 8. Sistemas Neuro-difusos: a arquitetura ANFIS e seu treino. Aplicações.

Docente(s) responsável(eis)

António Dourado Pereira Correia

Métodos de Avaliação

Avaliação
Resolução de problemas: 20.0%
Projecto: 30.0%
Exame: 50.0%

Bibliografia

Foundations of Machine Learning , Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar MIT Press, 2012

Machine Learning, Tom Mitchell, McGraw-Hill, 1999

Machine Learning, An Algorithm Perspective, Marsland, Stephen, CRC Press 2008

Pattern Recognition and Machine Learning, C.M. Bishop,Springer 2006

Neural Network Design, Hagan, Demuth and  Beale, 2nd ed, 2014, ebook http://hagan.ecen.ceat.okstate.edu/nnd.html 

Deep Learning Toolbox Users´s Guide, The Mathworks, 2018

Fundamentals of Artificial Neural Networks,  Hassoun. M. H.,MIT Press, 1994.

Neural and Adaptive Systems,  J.C. Príncipe, N.R. Euliano, W. C. Lefevre, Wiley, 2000

Fuzzy Logic With Engineering Applications, 2nd Ed., Timothy Ross, McGraw Hill, 2004.

Fuzzy Logic Toolbox Users´s Guide, The Mathworks, 2018.

Introduction to Neuro-Fuzzy Systems, Robert Fullér, Springer Verlag  2000.

Neural Networks: A Comprehensive Foundation,Simon Haykin,Prentice Hall,1999

Fuzzy Modelling and Control, Andrzej Piegat, Springer Verlag, 2001.