Conhecimentos de Base Recomendados
São recomendados conhecimentos sobre:
– Redes Neuronais
– Classificadores
– Python
Métodos de Ensino
Aulas teóricas
– Apresentação e discussão dos temas do programa
– Apresentação e discussão de trabalhos e exemplos
– Palestras de convidados
Aulas práticas
É realizado um trabalho prático com dados reais, designadamente do LXDatalab
Resultados de Aprendizagem
1 – Compreender as principais etapas do processo de análise de dados
2 – Compreender a importância das metodologias seguidas num processo de análise de dados
3 – Seguir a metodologia CRISP-DM num processo real de análise de dados
4 – Escolher e aplicar corretamente técnicas de pré-processamento e visualização de dados
5 – Selecionar, adaptar e aplicar técnicas de aprendizagem para criação de modelos de classificação, deteção ou previsão
6 – Avaliar de forma crítica e quantitativa a qualidade dos modelos criados
Programa
1. Introdução
1.1. O que é a análise de dados
1.2. Importância da análise de dados nas organizações
2. Metodologias a seguir num processo de Análise de Dados
2.1 Metodologia CRISP-DM
2.2. Business understanding, Data understanding, Data Wrangling
2.3. Modelação, Análise de resultados e Deployment
3. Deployment de modelos
3.1. Decisões a ter em conta no deployment de modelos
3.2. Plataformas de hardware e software
3.3. Servidor de ML ONNX
4. Aplicação de Análise de Dados
4.1. Pré-processamento e preparação de dados
4.2. Classificação e deteção de objetos com CNN
4.3. Classificação de texto
4.4. Análise e predição com séries temporais
Docente(s) responsável(eis)
Estágio(s)
NAO
Bibliografia
Data Science (The MIT Press Essential Knowledge series), John D. Kelleher and Brendan Tierney, MIT Press 2018, ISBN-13: 978-0262535434.
Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, Sebastian Raschka and Vahid Mirjalili, Packt Publishing 2019; 3rd edition.
Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning: The MIT Press, 2016, 800 pp, ISBN: 0262035618
John Kelleher, Brian Mac Namee, and Aoife D’Arcy; Fundamentals of Machine Learning for Predictive Data Analytics; The MIT Press, 2015, ISBN: 9780262044691
Aurélien Géron; Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow; O’Reilly Media 2019; ISBN-13 : 978-1492032649
Ian Pointer; Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications 1st Ed.; O’Reilly Media 2019.
Outros recursos disponíveis online, designadamente manuais do Python, sk-learn, tensorflow, pytorch, keras e onnx.