Aprendizagem Computacional

Código:

PDEEC0049

Sigla:

ML

Áreas Científicas
Classificação	Área Científica
OFICIAL	Engenharia Eletrotécnica e de Computadores

Ocorrência: 2018/2019 - 1S

Ativa?	Sim
Página Web:	http://fe.up.pt/~jsc/ML/
Unidade Responsável:	Departamento de Engenharia Eletrotécnica e de Computadores
Curso/CE Responsável:	Programa Doutoral 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
PDEEC	33	Plano de estudos oficial	1	-	7,5	70	202,5

Língua de trabalho

Inglês

Objetivos

Esta Unidade Curricular é dirigida a estudantes interessados em aprendizagem computacional. A aprendizagem computacional é uma disciplina base nas ciências da informação. Combina elementos de Matemática, Ciência dos Computadores e estatística. Tem aplicaçãoes em biologia, física, engenharia e qualquer outra área onde a previsão automática é necessária.

Esta Unidade Curricular tem por objectivo apresentar alguns dos tópicos centrais em aprendizagem computacional, dos fundamentais ao estado da arte. Será colocado especial ênfase nos conceitos teóricos e em exemplos práticos e projectos laboratoriais. Cada exercício será cuidadosamente escolhido para reforçar os conceitos explicados nas aulas teóricas e desenvolver e generalizá-los em diversas direcções.

Resultados de aprendizagem e competências

TODO

Modo de trabalho

Presencial

Programa

1. Introdução à Teoria de decisão Bayesiana a.Função de Verosimilhança e probabilidade a priori b.Decisão óptima de Bayes c.Problemas de previsão d.Inferência versus dedução

2. Modelos Lineares para Regressão a.Criterios b.A decomposição bias/variancia e o teorema de Gauss-Markov c.regressão Ridge e Lasso d.Regressão Bayesiana

3. Modelos Lineares para Classificação a.Analise discriminante linear e discriminante de fisher b.regressão logistica c.o algoritmo perceptron d.máquinas de vectores de suporte e.métodos de margem larga

4. regressão e classificação não linear a.expensão da base (splines, polinómios, RBF, wavelets) b.redes neuronais c.Núcles e RKHS d.Árvores de Classificação e regressão e.métodos de protótipos e vizinhos mais próximos f.Modelos aditivos e boosting

5. Aprendizagem não-supervisionada a.algoritmos de Clustering b.misturas finitas e infinitas c.SOMs d.outros problemas (estimação da densidade, PCA, ICA)

6. teoria da aprendizagem e selecção de modelos a.risco esperado e empirico b.validação cruzada c.minimização do risco empirico e estrutural d.Generalization bounds e.medidas de capacidade (VC, cover numbers, Rademacher)

7. Modelos Gráficos probabilisticos a.redes bayesianas b.independência condicional c.campos de markov aleatórios d.Inferência em modelos gráficos probabilisticos

8. Dados sequenciais a.Modelos de Markov b.Modelos de Markov escondidos

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
Theodoridis, Sergios 1951-; Pattern recognition. ISBN: 0126858756

Bibliografia Complementar

Duda, Richard O.; Pattern classification. ISBN: 0-471-05669-3
Mitchell, Tom M.; Machine learning. ISBN: 0-07-115467-1

Métodos de ensino e atividades de aprendizagem

O programa vai incluir no início material introdutório para fornecer o conhecimento básico de aprendizagem computacional. Beneficiando deste material introdutório, irão sendo cobertos tópicos progressivamente mais avançados.

A unidade curricular está organizada em uma aula teórica semanal e aulas práticas. Durante a exposição teórica irão ser abordados os tópicos da Unidade Curricular. As aulas práticas irão ser usadas para resolver exercícios e para o desenvolvimento dos trabalhos semanais.

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	35,00
Participação presencial	30,00
Trabalho escrito	35,00
Total:	100,00

Obtenção de frequência

Irão ser atribuidos trabalhos semanais durante a duração da unidade curricular, envolvendo exercícios, leituras e resumos de textos seleccionados. Os trabalhos semanais terão um peso de 30% na nota final. O trabalho de projecto a desenvolver consistirá na abordagem de um tópico do curso e terá um peso de 35%.

Fórmula de cálculo da classificação final

Irão ser atribuidos trabalhos semanais durante a duração da unidade curricular, envolvendo exercícios, leituras e resumos de textos seleccionados. Os trabalhos semanais terão um peso de 30% na nota final. O trabalho de projecto a desenvolver consistirá na abordagem de um tópico do curso e terá um peso de 35%. O exame final terá um peso de 35% da nota final.

Avaliação especial (TE, DA, ...)

Estes alunos irão ser sujeitos a todos os procedimentos de avaliação dos alunos regulares. A única diferença em relação aos alunos regulares é que não são obrigados a frequentar as aulas e a entregar os trabalhos bi-semanais nos prazos definidos para os alunos regulares.

Melhoria de classificação

Não aplicável