Aprendizagem Computacional

Código

01063129

Créditos ECTS

Objetivos

A. Aplicar os principais conceitos e metodologias em Aprendizagem Computacional a novos contextos e dados.
B. Criar e interpretar modelos usando métodos simples supervisionados e não supervisionados.
C. Criar e interpretar modelos de árvores de decisão e de indução de regras.
D. Criar e interpretar modelos de redes neuronais artificiais tanto para regressão como para classificação.
E. Avaliar e interpretar medidas de desempenho de modelos supervisionados e não supervisionados.

Programa

1. Parte I Aprendizagem automática ou computacional

Um pouco de história.
Algoritmos e modelos.
Pré-processamento e preparação dos dados para aprendizagem.
Visualização e identificação de padrões simples.

2. Algoritmos não supervisionados e supervisionados simples

Análise de clusters e redução de dimensionalidade.
Algoritmos supervisionados simples de regressão e classificação: algoritmos lineares, regressão logística, algoritmos Bayesianos, máquinas de suporte vetorial e algoritmos de visinhos mais próximos.
Medidas de avaliação de modelos supervisionados e não supervisionados.

3. Aprendizagem com árvores e regras

Indução de árvores de classificação, de regressão e de modelos.
Bagging e florestas aleatórias.
Algoritmos para indução de regras de associação e de cobertura.
Interpretação de resultados, poda, sobreajustamento e subajustamento.

4. Aprendizagem com Redes Neuronais Artificiais

O Algoritmo do Perceptrão Linear e o problema da separabilidade.
Redes de Perceptrão multicamada (MLP).
Utilização do algoritmo MLP para regressão e para classificação.
Otimização de metaparâmetros validação cruzada e com duas amostras.

Métodos de Ensino

Aulas teórico-práticas com aplicação imediata. Nos segmentos expositivos apresentam-se os conceitos com recurso a exemplos e demonstrações que ilustram a utilização dos algoritmos e conceitos. Alguns temas serão apresentados pelos alunos à turma usando a metodologia da aula invertida o que se traduz na OPT B.1 e avaliação autorreguladora das aprendizagens OPT B.5.

Após terminar cada uma das partes serão realizados exercícios de aplicação direta, envolvendo a turma em atividades de participação ativa e transmitindo feedback formativo em tempo real através de tecnologias educativas (Vevox). Assim, pretende-se promover o ensino centrado na aprendizagem do estudante OPT B.1, o uso de recursos digitais para aprendizagem OPT B.3 e avaliação autorreguladora das aprendizagens OPT B.5.

Nas sessões de laboratório, os estudantes desenvolvem projetos com base em guiões e com acompanhamento do docente, permitindo que trabalhem de forma autónoma, mas supervisionada usando uma metodologia de Problem-Based Learning, que inclui a mobilização integrada de conhecimentos e promovendo o pensamento crítico OPT B.2.

Bibliografia

Essencial:
- Aurélien Géron. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3.ª ed.). O’Reilly Media.
- Ethem Alpaydın (2021) Machine Learning. The MIT Press Essential Knowledge series.

Complementar:
- Shah, C. (2022). A Hands-On Introduction to Machine Learning. Higher Education from Cambridge University Press; Cambridge University Press.