Programa | 1. Dados
2. Dados, Informação e Conhecimento
3. Dados Estruturados, Não Estruturados e Híbridos
4. Extração de Conhecimento de Dados
5. Caracterização do Processo de Extração de Conhecimento
6. Experimentação com Ferramentas de Extração de Conhecimento
7. Resolução de Casos de Estudo e Aplicação Prática
8. Sistemas de Aprendizagem
9. Aprendizagem Automática
10. Aprendizagem Supervisionada
11. Aprendizagem Não-supervisionada
12. Aprendizagem por Reforço
13. Redes Neuronais
14. Conjunto de Modelos
15. Computação Natural
16. Computação Evolucionária
17. Inteligência de Enxames |
Bibliografia | Machine Learning, T. Michell, McGraw Hill, ISBN ISBN 978-1259096952, 2017.
Introduction to Machine Learning. Alpaydin, E. ISBN: 978-0-262-02818-9. Published by The MIT Press, 2014.
Computational Intelligence: An Introduction, Engelbrecht A., Wiley & Sons. 2nd Edition, ISBN 978-0470035610, 2007.
The Elements of Statistical Learning: Data Mining, Inference, and Prediction; Hastie, T., R. Tibshirani, J. Friedman; 12nd Edition; Springer; ISBN 978-0387848570, 2016.
Machine Learning: A Probabilistic Perspective; K.P. Murphy; 4th Edition; The MIT Press, ISBN 978-0262018029, 2012. |
Resultados da aprendizagem | - Apresentar uma visão geral da Aprendizagem Automática, com ênfase na utilidade e aplicação das diferentes abordagens, em particular supervisionada, não-supervisionada e por reforço;
- Compreender os desafios inerentes à aprendizagem automática a partir de dados;
- Selecionar, tratar e processar dados para treino de sistemas de Aprendizagem Automática;
- Conhecer e aplicar os algoritmos mais comuns de aprendizagem, reconhecendo o domínio de aplicação de cada um;
- Selecionar e implementar modelos de computação natural na resolução de problemas reais. |
Método de avaliação | A avaliação da aprendizagem envolve dois instrumentos de avaliação: trabalhos práticos de desenvolvimento (com peso de 50% a 60%) e uma prova escrita (com peso de 40% a 50%). 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. |
Departamento de Informática (UM)