Objetivos | O conteúdo programático proposto foi desenhado para satisfazer o grande objetivo da UC: apresentar uma visão geral da Aprendizagem Automática, com ênfase na utilidade e aplicação das diferentes abordagens, em particular supervisionada, não-supervisionada e por reforço. A sequência definida para a apresentação e discussão dos diversos tópicos do programa foi definida como uma introdução completa e atualizada dos conceitos-chave da aprendizagem, apresentando gradualmente e naturalmente as diferentes abordagens a Aprendizagem Automática, nomeadamente as suas especificidades e limitações.
|
Programa | 1. Dados
1.1. Dados, Informação e Conhecimento
1.2. Dados Estruturados, Não Estruturados e Híbridos
2. Extração de Conhecimento de Dados
2.1. Caracterização do Processo de Extração de Conhecimento
2.2. Experimentação com Ferramentas de Extração de Conhecimento
2.3. Resolução de Casos de Estudo e Aplicação Prática
3. Sistemas de Aprendizagem
4. Aprendizagem Automática
4.1. Aprendizagem Supervisionada
4.2. Aprendizagem Não-supervisionada
4.3. Aprendizagem por Reforço
4.4. Redes Neuronais
4.5. Conjunto de Modelos
5. Computação Natural
5.1. Computação Evolucionária
5.2. 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;
- Processar dados para treino de sistemas de Aprendizagem Automática;
- Aplicar os algoritmos mais comuns de aprendizagem, reconhecendo o domínio de aplicação de cada um;
- 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)