Reconhecimento de Padrões

Código:

EEC0062

Sigla:

RPAD

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciências Fundamentais e da Eletrotecnia

Ocorrência: 2008/2009 - 2S

Ativa?	Sim
Unidade Responsável:	Ciências Fundamentais e da Electrotecnia
Curso/CE Responsável:	Mestrado Integrado em Engenharia Electrotécnica e de Computadores

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIEEC	2	Plano de estudos oficial a partir de 2006/07	4	-	6	63	160
		Plano para bachareis que em 06 estiveram no 5º ano	4	-	6	63	160
		Plano de estudos oficial a partir de 2007/08	4	-	6	63	160
		Plano para alunos que em 2006 estiveram no 3º ano	4	-	6	63	160
		Plano para alunos que em 2006 estiveram no 5º ano	4	-	6	63	160
		Plano para alunos que em 2006 estiveram no 4º ano	4	-	6	63	160
		Plano para bachareis que em 06 estiveram no 4º ano	4	-	6	63	160

Língua de trabalho

Português

Objetivos

Os objectivos a atingir são os seguintes:
1. aquisição e demonstração de conhecimentos avançados relativos a análise de dados multivariados, técnicas de classificação ou descrição de padrões ou objectos através de um conjunto de propriedades ou características e sua aplicação a problemas de reconhecimento de sinal e de imagem (competências CDIO 1.2, 2.1, 2.3);
2. demonstração de capacidade para o tratamento, a validação e a interpretação dos resultados obtidos em trabalhos práticos (competências CDIO 2.1, 2.3);
3. desenvolvimento de capacidades de trabalho autónomo e de pesquisa bibliográfica (competências CDIO 2.4, 2.5 e 3.3);
4. desenvolvimento e demonstração de capacidades relativas à elaboração de relatórios escritos e de preparação e realização de exposições orais (competência CDIO 3.2);

Programa

1. Introduction to Pattern Recognition
2. Linear Models for Regression ((shrinkage methods, lasso & ridge regression)
3. Linear Models for Classification
4. Basis expansions (splines, polynomials)
5. Prototype learning
6. Neural networks
7. Multiclass problems and hierarchical models
8. Model assessment and selection
9. Unsupervised learning
10. Synthatic, structural pattern recognition

Bibliografia Obrigatória

Bishop, Christopher M.; Pattern recognition and machine learning. ISBN: 978-0-387-31073-2
Hastie, Trevor; The elements of statistical learning. ISBN: 0-387-95284-5
Duda, Richard O.; Pattern classification. ISBN: 0-471-05669-3

Bibliografia Complementar

Mitchell, Tom M.; Machine learning. ISBN: 0-07-115467-1

Métodos de ensino e atividades de aprendizagem

*Aulas teóricas
Exposição das matérias do programa, ilustração dos métodos por meio da resolução de problemas e da análise e demonstração de casos concretos. As aulas teóricas constituem a melhor oportunidade para a interacção com o professor; os alunos são encorajados desde o primeiro dia a utilizar as aulas teóricas como foro de discussão da matéria da disciplina.

*Aulas práticas
As aulas práticas têm por objectivo a resolução de exercícios necessários à compreensão clara da matéria.

*Trabalhos práticos semanais extra-aulas:
São propostos trabalhos obrigatórios para grupos de um ou dois alunos, a desenvolver ao longo da disciplina, com vista à consolidação dos temas cobertos nas aulas.

*Projectos
São propostos vários temas de trabalhos obrigatórios para grupos de um ou dois alunos, a desenvolver ao longo da disciplina, com vista a complementar os assuntos abordados na aulas. O projecto envolverá o estudo do estado da arte no tema escolhido e será objecto de relatório e apresentação em sessão pública.

Software

Matlab 6 R12.1

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Descrição	Tipo	Tempo (Horas)	Peso (%)	Data Conclusão
Participação presencial (estimativa)	Participação presencial	56,00
Exame final	Exame	16,00
Resolução exercícios propostos semanalmente	Teste	24,00
Estudo e Preparação Relatório Projecto	Defesa pública de dissertação, de relatório de projeto ou estágio, ou de tese	16,00
	Total:	-	0,00

Componentes de Ocupação

Descrição	Tipo	Tempo (Horas)	Data Conclusão
Acompanhamento de aulas	Estudo autónomo	48
	Total:	48,00

Obtenção de frequência

A classificação de frequência (F) é dada a todos os alunos que não excedam o limite de faltas e obtenham pelo menos 50% nas classificações obtidas nos trabalhos semanais realizados ao longo do semestre e pelo menos 50% na classificação obtida no projecto.

Fórmula de cálculo da classificação final

O exame final consta de uma prova escrita com a duração não superior a 2,5 horas.
A classificação final (C) será obtida da classificação dos trabalhos semanais (H), do projecto (P) e da classificação da prova escrita (E) através da fórmula
C = 0.30H + 0.40P + 0.30E.
Todas as classificações na escala [0, 20].

Avaliação especial (TE, DA, ...)

Os alunos sem classificação de frequência devem realizar uma prova prática com características idênticas aos 'trabalhos extra-aulas' referidos para os alunos em regime normal.

Melhoria de classificação

A melhoria de classificação realiza-se segundo os mesmos moldes da classificação final. A classificação de frequência não é susceptível de melhoria.

Observações

O docente da disciplina está sempre disponível para esclarecer todas as dúvidas (jaime.cardoso@fe.up.pt).
É preferível esclarecer as dúvidas no momento em que surgem, em vez de as deixar acumular para o final do semestre.