Tópicos Avançados de Aprendizagem Computacional

Código:

MECD10

Sigla:

TAAC

Áreas Científicas
Classificação	Área Científica
CNAEF	Ciências informáticas

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Eletrotécnica e de Computadores
Curso/CE Responsável:	Mestrado em Engenharia 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
MECD	27	Plano de estudos Oficial	2	-	6	42	162

Língua de trabalho

Inglês

Objetivos

Capacidade de trabalhar em equipa, organização e planeamento.
Capacidade de analisar e sintetizar conhecimento.
Capacidade de desenvolver sistemas de aprendizagem computacional de acordo com as necessidades existentes e aplicar as ferramentas tecnológicas mais apropriadas. Conhecer, aplicar e avaliar modelos avançados de aprendizagem computacional.
Conhecer técnicas de aprendizagem profunda, com abordagens de treino ‘end-to-end’, e minimizando o uso de dados etiquetados. Resolver aplicações utilizando métodos de autoaprendizagem. Adquirir capacidades de aprendizagem que permitam continuar a estudar de uma forma autónoma.

Resultados de aprendizagem e competências

Conhecer técnicas de aprendizagem profunda, com abordagens de treino ‘end-to-end’, e minimizando o uso de dados anotados. Resolver aplicações utilizando métodos de autoaprendizagem. Adquirir capacidades de aprendizagem que permitam continuar a estudar de uma forma autónoma.

Modo de trabalho

Presencial

Programa

Aprendizagem profunda. Modelos profundos.
Redes neuronais convolucionais profundas. Técnicas de regularização. Técnicas de otimização. Treino ‘end-to-end’.
Automodeladores. Modelos generativos. Aplicação a Visão por Computador.

Aprendizagem com uso eficiente de dados. Aprendizagem fracamente supervisionada. Aprendizagem multi-tarefa. Aprendizagem por transferência.

Modelos para dados sequenciais. Modelos de Markov Escondidos. Redes Neuronais recorrentes. Aplicação a NLP.

Modelos baseados em atenção. Transformers e grandes modelos de linguagem.

Bibliografia Obrigatória

Ian Goodfellow; Deep learning. ISBN: 978-0-262-03561-3

Bibliografia Complementar

Sergios Theoridis; Machine learning. ISBN: 978-0-12-818803-3

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.

Software

python

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Participação presencial	5,00
Trabalho escrito	30,00
Teste	35,00
Trabalho prático ou de projeto	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	70,00
Frequência das aulas	52,00
Trabalho escrito	40,00
Total:	162,00

Obtenção de frequência

Conforme o disposto nas normas gerais de avaliação da FEUP.

Fórmula de cálculo da classificação final

Durante as aulas, serão propostos pequenos questionários de escolha múltipla (quizzes), com um peso de 5% na Classificação Final. Os alunos terão trabalhos para resolver fora do horário das aulas, envolvendo exercícios sobre os tópicos abordados nas aulas. Esta componente corresponde a 30% da Classificação Final. O trabalho prático consistirá num projeto cobrindo os tópicos do curso, correspondendo a 30% da Classificação Final. O teste tem um peso de 35% da nota final.

A Classificação Final só é válida caso o estudante obtenha pelo menos 35% da nota máxima possível na componente "Teste".

Conforme previso nas normas gerais de avaliação da FEUP, a aprovação à Unidade Curricular implica a obtenção de uma Classificação Final igual ou superior a 10 valores em 20.

Melhoria de classificação

A avaliação do teste poderá ser melhorada no exame de recurso. A melhoria das restantes componentes é possível, mas deverá ser realizada no ano seguinte à obtenção de aprovação à unidade curricular e consiste nas correspondentes componentes de avaliação a realizar pelos alunos desse novo ano.