Fundamentos de Aprendizagem Computacional para Visão Computacional

Código:

MVCOMP02

Sigla:

FACVC

Áreas Científicas
Classificação	Área Científica
CNAEF	Ciências informáticas

Ocorrência: 2020/2021 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Eletrotécnica e de Computadores
Curso/CE Responsável:	Mestrado em Visão por Computador

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MVCOMP	9	Plano de Estudos Oficial	1	-	6	42	162

Língua de trabalho

Português e inglês

Objetivos

Esta Unidade Curricular tem por objetivo 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 projetos laboratoriais. Cada exercício será cuidadosamente escolhido para reforçar os conceitos explicados nas aulas teóricas e desenvolver e generalizá-los em diversas direções. Os estudantes que concluam com sucesso devem ter a:
-Capacidade de trabalhar em equipa, organização e planeamento.
-Capacidade de analisar e sintetizar conhecimento.
-Capacidade de desenvolver sistemas simples de aprendizagem computacional de acordo com as necessidades existentes e aplicar as ferramentas tecnológicas mais apropriadas.
-Conhecer os fundamentais das técnicas de aprendizagem.
-Adquirir capacidades de aprendizagem que permitam continuar a estudar de uma forma autónoma.

Resultados de aprendizagem e competências

Os estudantes que concluam com sucesso devem ter a:
-Capacidade de trabalhar em equipa, organização e planeamento. 
-Capacidade de analisar e sintetizar conhecimento. 
-Capacidade de desenvolver sistemas simples de aprendizagem computacional de acordo com as necessidades existentes e aplicar as ferramentas tecnológicas mais apropriadas. 
-Conhecer os fundamentais das técnicas de aprendizagem. 
-Adquirir capacidades de aprendizagem que permitam continuar a estudar de uma forma autónoma.

Modo de trabalho

Presencial

Programa

1. Introdução à Teoria da aprendizagem.
2. Modelos Lineares para Regressão (Critérios; equações normais; processos de optimização iterativos; regressão Ridge e Lasso;
3. Modelos generativos para classificação (decisão ótima Bayesiana; Analise discriminante linear; independência condicional e classificador Naïve Bayes; estimação não paramétrica de densidade: método das janelas de parzen)
4. Classificadores não generativos [regressão logística; discriminante de fisher]
Aplicações em visão por computador.
5. Seleção e avaliação de modelos
6. Introdução às redes neuronais
7. Introdução às máquinas de vetores de suporte
Aplicações em visão por computador.
8. Aprendizagem não-supervisionada – Clustering [algoritmos de Clustering; Kmeans, kmedoids, soft kmeans; mistura de Gaussianas; aprendizagem de Manifolds (PCA, MDA, ISOMAP and LLE)]
Aplicações em visão por computador.
9. Introdução a modelos para dados sequenciais
Aplicações em visão por computador.

Bibliografia Obrigatória

NIPS, ICML, IJCAI, AAAI, ECML, CVPR, etc.; Artigos recentes das conferências e revistas de referência na área: NIPS, ICML, IJCAI, AAAI, ECML, CVPR, etc.
Sergios Theodoridis; Machine Learning: A Bayesian and Optimization Perspective

Bibliografia Complementar

Christopher M. Bishop; Pattern recognition and machine learning. ISBN: 978-0-387-31073-2
Trevor Hastie; The elements of statistical learning. ISBN: 0-387-95284-5

Métodos de ensino e atividades de aprendizagem

Palestras participativas, seminários e conferências, aprendizagem com base na resolução de casos práticos e projetos, trabalho autônomo e estudo independente pelos estudantes, trabalho em grupo e aprendizagem cooperativa.
Os assuntos serão abordados em palestras participativas, onde os alunos terão a oportunidade de implementar métodos por si próprios. Durante a parte da palestra, os tópicos do curso serão apresentados e discutidos. Os períodos práticos / laboratoriais serão usados para resolver exercícios e para o desenvolvimento dos trabalhos de avaliação.
Os alunos receberão tarefas de casa individuais semanais durante toda a duração do curso, envolvendo exercícios, leituras e sumarização de textos selecionados. Esta componente será responsável por 30% da nota final. O trabalho prático consistirá num projeto cobrindo os tópicos do curso. Isso representará 35% da nota final. O exame final será responsável por 35% da nota final.

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

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

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	60,00
Frequência das aulas	42,00
Trabalho escrito	30,00
Trabalho laboratorial	30,00
Total:	162,00

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.