Fundamentos de Aprendizagem Computacional para Visão Computacional
Áreas Científicas |
Classificação |
Área Científica |
CNAEF |
Ciências informáticas |
Ocorrência: 2023/2024 - 1S
Ciclos de Estudo/Cursos
Sigla |
Nº de Estudantes |
Plano de Estudos |
Anos Curriculares |
Créditos UCN |
Créditos ECTS |
Horas de Contacto |
Horas Totais |
MVCOMP |
8 |
Plano de Estudos Oficial |
1 |
- |
6 |
42 |
162 |
Docência - Responsabilidades
Língua de trabalho
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
À distância
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.
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Participação presencial |
35,00 |
Trabalho prático ou de projeto |
65,00 |
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 65%.
Fórmula de cálculo da classificação final
As componentes de avaliação dos alunos são: • H – Trabalhos • P – Projecto.
Cada componente receberá uma classificação de 0 a 20.
A nota final será calculada de acordo com a seguinte regra: 35% * H+ 65% * P. A nota será de 0 a 20 valores.
A nota de aprovação corresponde a um mínimo de 10 valores.