Aprendizagem Computacional Profunda e por Reforço

Código:

M.IA003

Sigla:

ACPR

Áreas Científicas
Classificação	Área Científica
OFICIAL	Engenharia Informática
OFICIAL	Ciência de Computadores

Ocorrência: 2024/2025 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado em Inteligência Artificial

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.IA	61	Plano de estudos oficial	1	-	6	42	162

Língua de trabalho

Inglês

Objetivos

- Perceber o funcionamento de modelos aprendizagem profunda e por reforço

- Ser capazes de selecionar algoritmos mais apropriados e detalhes de modelos e técnicas de aprendizagem para diversas tarefas

- Aprender a desenhar, testar e melhorar modelos de aprendizagem profunda e por reforço para dadas tarefas

 

Resultados de aprendizagem e competências

No final da UC, os estudantes deverão ser capazes de:

1. Entender os fundamentos e os principais algoritmos de Aprendizagem Profunda (AP) e de Aprendizagem por Reforço (ApR)


2. Identificar as técnicas de AP e ApR que se adequam a diferentes problemas de Aprendizagem Computacional e de Inteligência Artificial


3. Desenvolver novos métodos de resolução para problemas propostos


4. Aplicar os métodos a problemas concretos e avaliar os resultados

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

- Conhecimentos de base de aprendizagem computacional e de redes neuronais

Programa

A UC será organizada em módulos interligados, abrangendo pelo menos os seguintes tópicos:

 

1 – Redes neuronais

               - Redes neuronais convolucionais

               - Redes recorrentes

               - Transformers

               - Redes neuronais gráficas

 

2 – Modelos generativos

               - Redes adversariais generativas

               - Autoencoders variacionais

               - Modelos de difusão

 

3 – Métodos avançados

               - Aprendizagem auto-supervisionada

               - Foundation models

               - Aprendizagem federada

 

4 – Aprendizagem por reforço

               - Algoritmos baseados em Políticas e Valores

               - Algoritmos Ator-Crítico

               - Aprendizagem por reforço explicável

               - AutoRL

Bibliografia Obrigatória

Chollet, F; Deep learning with Python, Simon and Schuster., 2021
Bilgin, E.; Mastering Reinforcement Learning with Python: Build Next-generation, Self-learning Models Using Reinforcement Learning Techniques and Best Practices, 2020
Lapan, M. ; Deep Reinforcement Learning Hands-On: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web automation, and more, Packt Publishing Ltd., 2020
Goodfellow, I., Bengio, Y., & Courville, A.; Deep learning, MIT Press., 2016

Métodos de ensino e atividades de aprendizagem

Aulas parcialmente expositivas (cerca de 50%) com a apresentação de conceitos, algoritmos e exemplos de aplicação. O restante das aulas será utilizado para exercícios práticos propostos e para o acompanhamento do desenvolvimento de projetos ao longo da UC. Os projetos serão completados fora das aulas. Haverá um exame final individual. .

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Trabalho prático ou de projeto	40,00
Exame	60,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	60,00
Estudo autónomo	60,00
Frequência das aulas	42,00
Total:	162,00

Obtenção de frequência

Nota superior a 6 valores em 20 (2,4 em 8) no trabalho prático.

Fórmula de cálculo da classificação final

Nota Final = 60% * Exame + 40% Trabalho Prático

Para serem aprovados, os alunos devem ter nota superior a 8 valores em 20 (4,8 em 12)  no exame final.

Melhoria de classificação

Apenas é permitida a melhoria de classificação da compenente teórica da UC. O exame é realizado exclusivamente na época de recurso.