Departamento de Informática (UM)

Aprendizagem Profunda

16799 [ME95ME9500006554]

Mestrado em Inteligência Artificial [MIA]

S2

Miguel Francisco Almeida Pereira Rocha

Objetivos

Programa

1. Modelos funcionais lineares e não lineares de aprendizagem supervisionada: regressão linear e logística, Support Vector Machines;
2. Redes Neuronais: funcionamento de um neurónio, redes feedforward, algoritmos de treino;
3. Deep Learning: arquiteturas; algoritmos de treino; regularização e dropout; aprendizagem multi-tarefa;
4. Redes Neuronais Convolucionais: convoluções; camadas e arquiteturas; aplicações no tratamento de imagem/vídeo; aprendizagem por transferência; redes convolucionais de grafos e suas aplicações;
5. Aprendizagem não supervisionada e semi supervisionada: embeddings, visualização de dados com tSNE, clustering baseado em deep learning, auto-encoders;
6. Redes Neuronais Recorrentes: camadas e arquiteturas das redes; redes com memória; mecanismos de atenção; aplicações;
7. Modelos generativos e adversariais de deep learning: variational auto-encoders, generative adversarial networks, aplicações;
8. Abordagens de deep reinforcement learning e suas aplicações.

Bibliografia

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

W. Richert, L.P. Coelho. Building machine learning systems with python. Packt publishing. 2013.

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

F. Chollet. Deep Learning with Python. 2017.

Resultados da aprendizagem

- Definir os principais conceitos nos campos da Aprendizagem Máquina, com foco na área do Deep Learning;
- Conhecer classes de métodos/algoritmos, aplicações e bibliotecas de programação apropriadas para a resolução dos principais problemas na área do Deep Learning;
- Aplicar software disponível de Deep Learning para a resolução de problemas, incluindo o uso de bibliotecas de software livre;
- Construir programas podendo usar bibliotecas de software disponíveis para a implementação de pipelines avançados de deep learning incluindo os paradigmas supervisionado, não supervisionado e por reforço;
- Construir programas que possam implementar algoritmos existentes ou desenvolver novos algoritmos ao nível do deep learning.

Método de avaliação

A avaliação da aprendizagem envolve três instrumentos de avaliação: trabalho de investigação numa área relevante para a UC (peso de 30 a 40%), trabalho prático de desenvolvimento (com peso de 40% a 60%) e avaliação contínua durante as aulas (com peso de 10% a 20%). 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: Victor Manuel Rodrigues Alves; Dep.: DI; Horas: 7.5.
Turno: T 1; Docente: Miguel Francisco Almeida Pereira Rocha; Dep.: DI; Horas: 7.5.
Turno: PL 1; Docente: Victor Manuel Rodrigues Alves; Dep.: DI; Horas: 15.
Turno: PL 1; Docente: Miguel Francisco Almeida Pereira Rocha; Dep.: DI; Horas: 15.