Aprendizagem Computacional II
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2023/2024 - 1S ![Requerida a integração com o Moodle Ícone do Moodle](/fcup/pt/imagens/MoodleIcon)
Ciclos de Estudo/Cursos
Língua de trabalho
Português
Objetivos
Esta UC consiste numa introdução a alguns dos fundamentos algorítmicos de aprendizagem computacional profunda e por reforço.
Pretende-se que os estudantes façam um primeiro contacto com tais conceitos e com métodos concretos de implementação de tais algoritmos.
Deverão ser capazes de selecionar fundamentadamente algoritmos adequados assim como detalhes de arquiteturas de modelos e técnicas de aprendizagem para cada tarefa apresentada.
Deverão saber estimar o desempenho dos métodos aplicados e usar esta informação para desenho iterativo dos modelos.
Resultados de aprendizagem e competências
- Compreensão dos fundamentos dos algoritmos e metodologias de aprendizagem profunda e aprendizagem por reforço.
- Capacidade de justificar a escolha de uma solução de aprendizagem profunda ou por reforço a um determinado problema
- Capacidade de desenho de soluções para novos problemas com base em métodos de aprendizagem profunda ou por reforço
- Capacidade de avaliação do desempenho da solução proposta e otimização do modelo
Modo de trabalho
Presencial
Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)
- Conhecimentos iniciais de inteligência artificial e ciência de dados
- Conhecimentos iniciais de aprendizagem computacional (por exemplo, frequência da UC de Aprendizagem Computacional I).
- Conhecimentos de programação de preferência Python.
- Conhecimentos de álgebra matricial básica e de cálculo em R e em R^n
Programa
- Introdução às redes neuronais e aprendizagem profunda
- Técnicas de treino
- Redes neuronais convolucionais
- Redes neuronais recorrentes
- Modelos generativos
- Aprendizagem por reforço
- Elementos de explicabilidade em aprendizagem profunda
Bibliografia Obrigatória
Ian Goodfellow and Yoshua Bengio and Aaron Courville; Deep Learning, MIT Press, 2016
Bibliografia Complementar
Daniel A. Roberts;
The principles of deep learning theory. ISBN: 978-1-316-51933-2
Métodos de ensino e atividades de aprendizagem
Nas aulas teóricas será usado o método expositivo, sendo apresentados os temas do programa.
As aulas práticas consistirão na resolução de exercícios de aplicação dos conceitos introduzidos nas aulas teóricas e no desenvolvimento de um trabalho prático.
Software
Python
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Exame |
40,00 |
Trabalho prático ou de projeto |
40,00 |
Teste |
20,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Estudo autónomo |
64,00 |
Frequência das aulas |
48,00 |
Elaboração de projeto |
50,00 |
Total: |
162,00 |
Obtenção de frequência
- Nota superior a 5 nos trabalhos práticos.
Fórmula de cálculo da classificação final
F = 0.2*T + 0.4*E + 0.4*P
F: nota final
T: teste
E: Exame
P:Trabalhos práticos
Para serem aprovados, os alunos devem ter nota superior a 7 valores no exame.
Avaliação especial (TE, DA, ...)
Os estudantes com circunstâncias especiais devem expor a sua situação ao responsável.
Melhoria de classificação
O exame e o teste são melhoráveis na época de recurso. A componente prática não é melhorável.