Aprendizagem Computacional II

Código:

CC3043

Sigla:

CC3043

Nível:

300

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2023/2024 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Licenciatura em Inteligência Artificial e Ciência de Dados

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
L:BIOINF	0	Plano de Estudos Oficial	3	-	6	48	162
L:IACD	61	Plano Oficial a partir do ano letivo 2021/22	3	-	6	48	162

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.