Plano de Estudos

Complementos de Aprendizagem Automática CAA

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

Os alunos serão expostos a conteúdos de aprendizagem automática que, juntamente com as matérias das disciplinas de Aprendizagem Automática e de Prospeção de Dados, formam uma cobertura extensa da área.  Como objetivos, os alunos devem adquirir competências na identificação de problemas, das respetivas soluções e na utilização de ferramentas nesta área, com particular enfoque em abordagens não determinísticas.

Programa

Redes neuronais: modelos fundamentais e variantes; Núcleos: funções de núcleo, exemples de uso, artifício do núcleo, modelos geradores; modelos de mistura; "Boosting"; Modelos de Markov e modelos escondidos de Markov; Redes Bayesianas dinâmicas; Aprendizagem por reforço; Classificação e agrupamento em dados temporais e multidimensionais; Aprendizagem profunda: máquinas de Boltzmann restritas, redes de crença e redes convolucionais profundas, memoria de curto-longo prazo; perspectiva sobre computação evolucionária e intelligência de enxame.

Método de Avaliação

Aulas teóricas de exposição da matéra e aulas teórico-práticas para análise e solução de problemas e utilização de ferramentas adequadas para o efeito. Os elementos de avaliação são um exame final com peso de 40%, um trabalho de projeto com peso de 40% e avaliação contínua com um peso de 20%.

Carga Horária

Bibliografia

Principal

• Introduction to Evolutionary Computing: A.E. Eiben and J.E. Smith 2015 Springer
• Reinforcement Learning: An Introduction (second edition): Richard S. Sutton and Andrew G. Barto 2018 MIT Press
• Deep Learning: Ian Goodfellow, Yoshua Bengio, Aaron Courville 2016 MIT Press
• Machine Learning: a Probabilistic Approach: Kevin P. Murphy 2012 MIT Press

Secundária

Disciplinas de Execução

2019/2020 - 2 Semestre

2018/2019 - 2 Semestre

2017/2018 - 2 Semestre