Machine Learning
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2023/2024 - 2S
Ciclos de Estudo/Cursos
Língua de trabalho
Inglês
Objetivos
Os estudantes deverão ficar a conhecer Alguns dos fundamentos algorítmicos, estatísticos e computacionais da aprendizagem computacional, assim como de métodos concretos de aprendizagem computacional desde a regressão linear à aprendizagem profunda e por reforço. Deverão ser capazes de selecionar fundamentadamente os algoritmos adequados e os seus hiperparâmetros para cada problema/conjunto de dados. Deverão compreender e saber aplicar métodos inspeção e de avaliação de abordagens e de estimação de desempenho.
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.
- Fundamentos e método de avaliação de modelos
- 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 |
30,00 |
Participação presencial |
5,00 |
Trabalho prático ou de projeto |
55,00 |
Teste |
10,00 |
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
- Presença ativa em pelo menos 2/3 das aulas (a menos que seja concedida uma exceção)
- Nota superior a 10 no conjunto dos trabalhos práticos.
- Nota superior a 0 no teste
Fórmula de cálculo da classificação final
F = min( 0,3*E + 0,1*T +0,55*P + 0,05*A ; (0,75*E+0,25*T)*1,3 )
F: nota final
T: teste
E: Exame
P:Ttrabalhos práticos
A: Presença útil nas aulas
O exame é obrigatório. No caso de não realização do exame o estudante terá a classificação de "Reprovado por falta ao exame".
A nota do teste pode ser sobreposta pela do exame. No caso de a nota do teste T ser inferior à nota de exame E, T será substituída por E na fórmula.
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.