Departamento de Informática (UM)

Dados e Aprendizagem Automática - aulas em Azurém

16794 [ME96ME9600006536]

[Mestrado em Engenharia e Ciência de Dados]

S1

Victor Manuel Rodrigues Alves

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.

Funcionamento

Turno: T 1; Docente: Victor Manuel Rodrigues Alves; Dep.: DI; Horas: 15.
Turno: PL 1; Docente: Francisco Supino Marcondes; Dep.: DI; Horas: 30.