Designação | Código | Curso | Regime | Regente |
---|
Classificadores e Sistemas Conexionistas | 13625 [MC25MC2503006149] | [Mestrado em Matemática e Computação - Computação] | S2 | César Analide Freitas Silva Costa Rodrigues |
Objetivos | Esta unidade curricular (UC) integra a oferta do Perfil Machine Learning: Fundamentos e Aplicações. As matérias alvo de discussão nesta unidade curricular (UC) emanam da área científica da Inteligência Artificial, dos Sistemas Inteligentes e da Computação Natural, com aplicação como Sistemas de Aprendizagem. É objetivo desta UC a introdução dos discentes ao paradigma de resolução de problemas baseado na computação natural, com particular incidência em sistemas conexionistas como as Redes Neuronais Artificiais, em modelos de Aprendizagem por Reforço e em sistemas baseados em Máquinas de Vetores de Suporte. |
Programa | 1. Sistemas de Aprendizagem e Computação Natural 1.1. Aprendizagem baseada em sistemas conexionistas 1.2. Desenvolvimento de sistemas de classificação e regressão 2. Redes Neuronais Artificiais 2.1. Constituição dos neurónios 2.2. Arquiteturas de redes 2.3. Regras de treino 2.4. Especificação de RNAs 2.5. RNAs na resolução de problemas de classificação e regressão 3. Aprendizagem por Reforço 3.1. Conceitos básicos de recompensa e penalização 3.2. O ciclo estados-ações-recompensas 3.3. Temporal difference learning 3.4. Algoritmos Q-learning e SARSA 4. Máquinas de Vetores de Suporte 4.1. Classificadores lineares e não lineares 4.2. Classificadores lineares generalizados 4.3. Regras de aprendizagem 4.4. Algoritmos perceptron e winnow |
Bibliografia | Richard S. Sutton and Andrew G. Barto, "Reinforcement Learning: An Introduction", The MIT Press, 2nd edition, 2012 Haykin, S., "Neural Networks - A Comprehensive Foundation", Prentice-Hall, New Jersey, 2nd Edition, 1999 Nello Cristianini, John Shawe-Taylor, "An Introduction to Support Vector Machines and other kernel-based learning methods", Cambridge University Press, 2000 |
Resultados da aprendizagem | - Compreender conceitos básicos de Sistemas de Aprendizagem Automática e Computação Natural - Estudar modelos de Computação Natural na resolução de problemas - Estudar e desenvolver soluções com recurso a Redes Neuronais Artificiais - Estudar e desenvolver soluções com modelos de Aprendizagem por Reforço - Estudar e desenvolver soluções usando modelos baseados em Máquina de Vetores de Suporte - Selecionar o modelo adequado para a resolução de problemas |
Método de avaliação | - Estudo dirigido - Ensino por módulos Métodos de Ensino Socializado: - Discussão em pequenos grupos - Discussão dirigida - Brainstorming - Palestra Métodos de Ensino Sócio-Individualizado: - Projeto - Problemas - Pesquisa Métodos de avaliação A avaliação da aprendizagem envolve dois instrumentos de avaliação: um trabalho prático de desenvolvimento e uma prova escrita. A classificação final é calculada pela ponderação dos diversos instrumentos de avaliação. É considerado aprovado o aluno cuja classificação final seja superior ou igual a 10 (dez) valores. Para o cálculo da classificação final podem-se estabelecer notas mínimas, sendo que, para instrumentos de avaliação de cariz prático, esta nota mínima não pode ser inferior a 10 (dez) valores. |
Funcionamento | Turno: T 1; Docente: César Analide Freitas Silva Costa Rodrigues; Dep.: DI; Horas: 15. Turno: PL 1; Docente: Bruno Filipe Martins Fernandes; Dep.: DI; Horas: 30. |