Aprendizagem Automática › 40430

código no paco
40430
área científica
Informática / Sistemas de Informação
créditos
6
escolaridade
ensino teórico-prático (TP) - 3 horas/semana
idioma(s) de lecionação
Inglês
competências

Aprendizagem Automática (Machine Learning) é subárea de Inteligência Artificial focada em desenho, analise e implementação de programas computacionais que aprendam com experiencia. Aprendizagem através de processamento de dados tem alto valor científico e comercial.  Aprendizagem Automática considera métodos e os respectivos programas de software para extrair conhecimento útil (padrões, modelos, relações) de grandes bases de dados que frequentemente contem informação caótica e redundante. A maior utilidade e impacto do conhecimento extraído a partir de dados e eventos históricos é na previsão de eventos e alterações similares no futuro.

O objectivo desta disciplina é fornecer ao aluno conhecimentos de tópicos clássicos (classificação e regressão) e tópicos avançados (reinforcement learning, deep learning) de Aprendizagem Automática. Através de trabalhos práticos pretende se transmitir aos alunos conhecimentos numa área de ciências de computador com opções crescentes de emprego.

conteúdos
  1. Fundamentos de aprendizagem automática.

1.1 Aprendizagem supervisionada

  • Linear (univariate/ multivariate) regression.
  • Logistic regression. Regularization. Regularized cost function. 
  • Nonlinear classification. Binary versus multiclass classification. Artificial Neural Networks (ANN). Error backpropagation algorithm.  Computer vision examples. 
  • Large margin classifiers - Support Vector Machines (SVM). Linearly versus nonlinearly separable data. Kernels. Gaussian/Polynomial kernels. 
  • Model selection and validation - Bias versus Variance.
  • Naive Bayes. K-Nearest Neighbor (kNN)

 1.2 Aprendizagem não supervisionada (agrupamento).

  • K-means clustering.  Choosing the number of clusters. Hierarchical clustering. Hard versus fuzzy clustering. Expectation maximization. 
  • Data dimensionality reduction. Data visulaization. 
  • PCA (Principal components analysis)
  • Semi-supervised learning. 

 1.3 Reinforcement learning. Markov decision process (MDP). Value/Policy iterations.  Discrete versus Continuous state MDP. 

1.4 Deep Learning 

2. Aplicações

Reconhecimento de dígitos manuscritos a partir de imagens.

Reconhecimento de emails tipo spam.

Classificação de dados biomédicos.

Compressão de imagens.

Classificação de sinais de EEG.

Detecção e reconhecimento de faces.

Brain Computer Interface

Sensor network data for smart home monitoring. 

requisitos
  • Cálculo I
  • Fundamentos de Programação
  • Álgebra Linear e Geometria Analítica
  • Cálculo II
metodologia

Aulas de 3 horas divididas em parte teórica e parte pratica (Matlab/Octave, Python, Rapid Miner).

Avaliação: Dois projectos (P1, P2) e um exam final (E). 

Nota Final= 25%P1+25%P2+50%E

bibliografia recomendada
  1. Tom Mitchell, Machine Learning. McGraw-Hill, 1997.
  2. Christopher Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
Este sítio web utiliza cookies sem recolher informação pessoal que permita a identificação dos utilizadores. Ao navegar neste sítio está a consentir a sua utilização.saber mais
Para que esta página funcione corretamente deve ativar a execução de Javascript. Se tal não for possível, algumas funcionalidades poderão estar limitadas.