Departamento de Informática (UM)

Aprendizagem Computacional

17046 [8506R2]

Licenciatura em Ciências da Computação [CCOM]

S2

Miguel Francisco Almeida Pereira Rocha

Objetivos

Programa

1. Conceitos básicos e paradigmas de aprendizagem;
2. Avaliação dos modelos de aprendizagem: métricas de erro; métodos de estimação do erro e avaliação de modelos;
3. Arquitetura computacional de um sistema de aprendizagem: seleção, carregamento e pré-processamento dos dados; seleção, treino, avaliação e otimização dos modelos;
4. Métodos para a interpretabilidade e visualização dos modelos;
5. Aprendizagem indutiva e seus algoritmos; árvores de decisão e regressão;
6. Conjuntos de modelos;
7. Introdução às redes neuronais e à aprendizagem profunda: neurónios artificiais, funções de ativação, algoritmos de treino, topologias e grafos de computação;
8. Modelos de aprendizagem profunda: redes feedforward, convolucionais, recorrentes, baseadas em grafos, embeddings, transformers; conceitos, implementação e aplicações;
9. Modelos generativos: autoencoders, modelos adversariais, redes recorrentes; modelos de linguagem; transformers;
10. Aplicações de IA Generativa; implicações económicas e sociais.

Bibliografia

T. Michell, Machine Learning, McGraw Hill, 1997.

I. Goodfellow, Y. Bengio, A. Courville. Deep Learning, MIT Press, 2016.

F. Chollet. Deep Learning with Python. 2nd ed. Manning. 2021.

D. Foster. Generative Deep Learning – teaching machines to paint, write, compose and play. O’Reilly, 2nd ed. 2023.

M. Rocha, P. Cortez, J. Neves; Análise Inteligente de Dados – Algoritmos e Implementação em Java. FCA. 2008.

Resultados da aprendizagem

- Compreender os conceitos básicos de aprendizagem computacional e profunda, incluindo os paradigmas supervisionado, não supervisionado e generativo, e suas aplicações e implicações económicas e sociais.
- Conhecer, aplicar e implementar a arquitetura de um sistema computacional de aprendizagem máquina ou profunda, envolvendo a seleção, carregamento e pré-processamento de dados, além da seleção, treino, avaliação e otimização dos modelos.
- Selecionar o modelo de aprendizagem mais adequado, sendo capaz de avaliar o seu desempenho preditivo utilizando os métodos de estimação e as métricas de erro adequadas, bem como aplicar métodos para interpretabilidade e visualização de modelos para facilitar a análise dos resultados.
- Conhecer, aplicar, implementar e avaliar sistemas computacionais usando modelos de aprendizagem profunda.
- Conhecer e aplicar técnicas avançadas, incluindo conjuntos de modelos, otimização de hiperparâmetros e de atributos para otimizar os sistemas de aprendizagem.

Método de avaliação

Modalidade de avaliação continua e periódica. Os instrumentos de avaliação a adotar serão um teste escrito e um trabalho prático com apresentação de relatório e defesa oral a realizar em grupo. Cada um dos instrumentos terá um peso aproximado entre os 40% e os 60%.

Funcionamento

Turno: T 1; Docente: Rui Manuel Ribeiro Castro Mendes; Dep.: DI; Horas: 15.
Turno: T 1; Docente: Miguel Francisco Almeida Pereira Rocha; Dep.: DI; Horas: 15.
Turno: PL 1; Docente: Nuno Miguel Caetano Alves; Dep.: DI; Horas: 30.