Statistical Learning
Áreas Científicas |
Classificação |
Área Científica |
CNAEF |
Matemática e estatística |
Ocorrência: 2020/2021 - 2S
Ciclos de Estudo/Cursos
Língua de trabalho
Português - Suitable for English-speaking students
Objetivos
Na maioria das disciplinas científicas, as hipóteses são avaliadas e validadas aplicando-se ferramentas estatísticas a dados experimentais ou observacionais.
Dois paradigmas distintos dominam o cenário estatístico: as abordagens frequencista e bayesiana, ambas tratadas com detalhe noutras ucs deste ciclo de estudos.
Os objetivos da aprendizagem estatística são compreensão e previsão. Enquadra-se em várias categorias, incluindo aprendizagem supervisionada, não supervisionada, semi-supervisionada e aprendizagem por reforço. O objetivo desta uc é tratar cada uma destas categorias, as áreas de aplicação de cada uma, metodologias de realização através de arquiteturas de redes neuronais (profundas) e implementação computacional usando tensorflow e keras.
Serão usados vários tipos de arquiteturas de redes neuronais: multicamadas (feedforward); convolutivas, recursivas, generativas e outras. Serão tratados processos de otimização de redes e de regularização, e problemas de aplicação prática em várias áreas científicas e tecnológicas.
Objetivos e competências:
- Distinguir com clareza as diferentes categorias de aprendizagem acima referidas
- Distinguir as diferentes arquiteturas de redes neuronais referidas
- Implementar essas arquiteturas com tensorflow e keras
Perante uma situação concreta escolher a metodologia de aprendizagem apropriada e a sua implementação computacional.
Resultados de aprendizagem e competências
Resultados da aprendizagem e competências:
- Distinguir com clareza as diferentes categorias de aprendizagem acima referidas
- Distinguir as diferentes arquiteturas de redes neuronais referidas
- Implementar essas arquiteturas com tensorflow e keras
Perante uma situação concreta escolher a metodologia de aprendizagem apropriada e a sua implementação computacional.
Modo de trabalho
Presencial
Programa
- Métodos de aprendizagem e inferência. Aprendizagem supervisionada, não supervisionado, semi-supervisionada e por reforço.
- Seleção de modelo. Validação cruzada. Aprendizagem robusta
- Redes neuronais como máquinas universais. Redes multicamadas: arquitetura e erro. Retropropagação.
- Redes neurais recorrentes. Retropropagação para Aprendizagem Temporal. Redes para modelação de sistemas dinâmicos.
- Redes neurais convolutivas profundas.
- Representação da aprendizagem. Autoencoders. Redes Neuronais Generativas Adversárias.
- Aprendizagem por reforço. Modelo ator-crítico. Aprendizagem de reforço sem modelo e baseado em modelo. Aprendizagem por diferença temporal. Q-Learning
Bibliografia Obrigatória
Ovidiu Calin;
Deep learning architectures. ISBN: 978-3-030-36721-3
Observações Bibliográficas
Serão publicados notas escritas e aulas gravadas de apoio à unidade curricular, da autoria do responsável da uc.
Métodos de ensino e atividades de aprendizagem
As metodologias de ensino incluem aulas formais interativas, fomentando as componentes expositiva com interpelação e diálogo com os estudantes. Incluem-se, sempre que necessário, palestras envolvendo os estudantes num processo mais ativo, e recorre-se ao estudo de “case studies” / artigos, com recurso a ferramentas como livros, artigos e internet, procurando orientar os estudantes de forma estruturada para a compreensão dos assuntos; aulas práticas laboratoriais, onde os estudantes executam experiências, implementam algoritmos cruciais na área e/ou usam programas de análise de dados que lhes permitem desenvolver competências laboratoriais e informáticas transversais e integradas na área da aprendizagem estatística. As metodologias de ensino acima mencionadas serão ajustadas de modo a permitir que os estudantes integrem os objetivos da unidade curricular.
Tipo de avaliação
Avaliação distribuída sem exame final
Componentes de Avaliação
Designação |
Peso (%) |
Apresentação/discussão de um trabalho científico |
50,00 |
Teste |
50,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Frequência das aulas |
30,00 |
Apresentação/discussão de um trabalho científico |
12,00 |
Total: |
42,00 |
Obtenção de frequência
Para obtenção da frequência os alunos têm que
- apresentar um trabalho individual sobre um tema da uc a combinar com o docente responsável. A valorização será de 20 valores.
- Realizar um teste secrito sobre os conteúdos programáticos da uc. A valorização será de 20 valores.
- Ter participação a pelo menos 50% s das aulas leccionadas em regímen síncrono (presencial ou à distància).
Fórmula de cálculo da classificação final
A classificação final é obtida com a média aritmética das classificações obtidas nas seguintes componentes: (i). Apresentação/discussão de um trabalho científico, e (ii). teste escrito.
Cada uma destas componentes será valorizada com um máximo de 20 valores, tendo cada uma um peso de 50% no cáculo da classificação final.
O aluno terá que obter um mínimo de 8 valores (num total de 20 valores) em cada uma das duas componentes referidas.
Melhoria de classificação
A melhoria de classificação far-se-á através de um exame escrito.
Observações
O modo de funcionamento da unidade curricular está condicionado às limitações impostas pela FCUP de acordo com a evolução da pandemia COVID19. Não se espera um modo de funcionamento que seja 100% presencial. Poderá ser em sistema de B-Learning se as circunstâncias assim o exigirem.