Machine Learning

Código:

CC4051

Sigla:

CC4051

Nível:

400

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2024/2025 - 2S

Ativa?	Sim
Página Web:	https://moodle2425.up.pt/course/view.php?id=6507
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Mestrado em Ciência de Dados (Data Science)

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
E:BBC	3	PE_Bioinformática e Biologia Computacional	1	-	6	42	162
M:A_ASTR	18	Plano de estudos a partir do ano letivo 2024/2025	1	-	6	42	162
			2
M:CTN	0	Plano Oficial a partir de 2020_M:CTN	1	-	6	42	162
M:DS	29	Plano Oficial a partir de 2018_M:DS	1	-	6	42	162
M:EGEO	4	Plano de Estudos Oficial	1	-	6	42	162

Língua de trabalho

Inglês

Objetivos

Resultados de aprendizagem e competências

- Compreensão dos fundamentos dos algoritmos e metodologias de machine learning apresentados, em particular das abordagens de aprendizagem profunda e por reforço.
- Capacidade de justificar a escolha de uma solução de machine learning a um determinado problema
- Capacidade de aplicação dos algoritmos a novos problems
- Capacidade de avaliação dos resultados

Modo de trabalho

Presencial

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

- Conhecimentos iniciais de ciência de dados (por exemplo, frequência da UC de Introdução à Ciência de Dados ou Data Mining I).
- Conhecimentos de programação de preferência em Python. Programadores experientes noutras linguagens não deverão ter dificuldades.
- Conhecimentos de processamento de dados em ficheiro e em bases de dados SQL
- Conhecimentos de inferência estatística
- Conhecimentos de álgebra matricial básica e de cálculo em R e em R^n

Programa

Nesta UC serão (re)visitados conceitos e algoritmos fundamentais para a aprendizagem de modelos e descoberta de padrões. Haverá um foco na sua aplicação justificada e experimentação orientada por exemplos.

Tópicos:

- Introdução à área: o que é machine learning
- Modelos simples de classificação e regressão (modelos lineares e de vizinho mais próximo) e a sua validação: paradigmas de aprendizagem, funções de perda, erro de viés e de variância.

- Métodos de inferência de modelos: Procura, Expectation-maximization, agregação.
- Métodos de kernel
- Redes neuronais, modelos deep e aprendizagem de representação
- Aprendizagem por reforço
- Descoberta de padrões não supervisionada, semi-supervisionada e fracamente supervisionada.

Bibliografia Obrigatória

Hastie Trevor; The elements of statistical learning. ISBN: 0-387-95284-5
Kevin Murphy; Probabilistic Machine Learning: An Introduction, MIT Press, 2022. ISBN: 9780262046824 (Disponível online: https://probml.github.io/pml-book/book1.html)

Bibliografia Complementar

Ian Goodfellow and Yoshua Bengio and Aaron Courville; Deep Learning, MIT Press, 2016

Métodos de ensino e atividades de aprendizagem

As aulas serão em parte expositivas, com dinâmicas individuais e de grupo envolvendo os estudantes. Serão realizados trabalhos práticos fora das aulas com apoio nas aulas. Os estudantes poderão também realizar trabalhos de escrita e apresentação. Haverá um teste e um exame final.

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	70,00
Trabalho prático ou de projeto	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	86,00
Frequência das aulas	42,00
Elaboração de projeto	32,00
Total:	160,00

Obtenção de frequência

n/a

Fórmula de cálculo da classificação final

A avaliação da disciplina é distribuída, composta por dois testes durante o semestre, um exame final e um trabalho prático no final do semestre.

O cálculo da classificação final é feito pela média pesada das notas práticas e teóricas através da fórmula:

NF = 0.7 * max((T1+T2),Ex) + 0.2 * TP + 0.1 * AP
onde:
T1 é a nota do Teste 1,
T2 é a nota do Teste 2,
Ex é a nota do Exame Final,
TP é a nota do Trabalho Prático e
AP é a nota da apresentação.

Não obterão aprovação, os alunos que não obtiverem um mínimo de 30% em cada componente, isto é, 6 valores em 20.

As notas dos testes + trabalho podem contar para obter aprovação. Neste caso, o exame final (época normal ou de recurso) poderá ser usado para mehoria da nota. Quem não obtiver nota positiva somente com os testes e trabalho, terá a oportunidade de conseguir aprovação numa das duas épocas de exame.

Avaliação especial (TE, DA, ...)

Os estudantes com circunstâncias especiais devem expor a sua situação ao responsável.

Melhoria de classificação

O exame pode ser melhorado nas épocas subsequentes a que o estudante tenha acesso.

A nota do teste pode ser melhorada pela nota do exame.

A componente prática não é melhorável após submissão

Observações

Os materiais da UC estão no moodle.

Os materiais estarão todos em inglês, incluindo os enunciados dos exames. As aulas serão lecionadas em inglês se isso se justificar. Os estudantes podem participar/responder usando o Português ou o Inglês.

Júri: Inês Dutra, Rita Ribeiro e Alípio Jorge.