Aprendizagem Automática

Objetivos

1. Adquirir conhecimentos sobre conceitos de ciência de dados e machine learning.
2. Utilizar dados etiquetados e não etiquetados: problemas supervisionados de classificação e de regressão, problemas não supervisionados.
3. Avaliar a qualidade de modelos: usar medidas de qualidade para regressão, classificação e clustering.
4. Saber utilizar plataformas e bibliotecas apropriadas para experimentação e resolução de problemas em Aprendizagem Automática.

Programa

1. Conceitos básicos sobre modelos processuais, pré-processamento, modelação e os atuais paradigmas de Aprendizagem Automática (AA).
2. Algoritmos de aprendizagem não supervisionada: clustering hierárquico e não hierárquico.
3. Algoritmos de aprendizagem supervisionada para regressão e classificação: árvores de decisão e redes neuronais de perceptrão multicamada.
4. Saber usar medidas de qualidade por classe em classificação e medidas globais para classificação e regressão. Medidas qualidade para modelos não supervisionados.
5. Utilização de plataformas e bibliotecas para Aprendizagem Automática.
6. Resolução de problemas em diferentes contextos de aprendizagem: reconhecimento de imagem, processamento de linguagem natural, tratamento de dados em IoT e robótica.

Métodos de Ensino

A unidade curricular terá momentos expositivos onde se apresentam do ponto de vista teórico as diferentes formas de aprendizagem enquadrados nas técnicas de AA abordadas e momentos de atividade prática na qual os formandos terão oportunidade de experimentar e adquirir conhecimentos mais profundo em cada um dos temas abordados bem como na utilização de bibliotecas e plataformas. Nas atividades assíncronas (AA) os formandos resolvem problemas, de forma colaborativa, utilizando os algoritmos e conceitos estudados.
A avaliação final (AF) é composta por uma componente de avaliação constituída por atividades assíncronas (AA), uma componente de avaliação de grupo (TG) em formato de trabalho de projeto (nota mínima 10 valores) e um teste de avaliação (TA) presencial (nota mínima de 9,0 valores).
AF = 0,35 * AA + 0,25 * TG + 0,40 * TA
Os formandos têm avaliação positiva se AF for maior ou igual a 9,5. Um valor menor implica a realização de um exame final escrito.

Bibliografia

Jake VanderPlas. (2016). Python Data Science Handbook. O’Reilly Media. (eBook)
Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2.ª ed.). O’Reilly Media. (disponível em PDF)
Steven L. Franconeri, Lace M. Padilla, Priti Shah, Jeffrey M. Zacks, & Jessica Hullman. (2021). The Science of Visual Data Communication: What Works. Psychological Science in the Public Interest. https://doi.org/10.1177/15291006211051956

Método de Avaliação

• Atividades assíncronas - 35 %
• Frequência - 40 %
• Trabalho Individual e/ou de Grupo - 25 %