Machine Learning

Conhecimentos de Base Recomendados

É recomendável que os alunos possuam conhecimentos sólidos de matemática, estatística assim como de programação em Python. 

Métodos de Ensino

As aulas teóricas são aulas expositivas.

As aulas práticas baseiam-se em aulas expositivas intercaladas com resolução de exercícios. Algumas aulas serão exclusivamente dedicadas à resolução de exercícios.

Todos os elementos de apoio às aulas teóricas/práticas são disponibilizados aos alunos.

Todas as aulas decorrem em contexto de sala de aula em regime presencial.

Resultados de Aprendizagem

Pretende-se que os alunos adquiram um conjunto de conhecimentos e competências na área de Machine Learning, nomeadamente:

  • Conhecer as etapas de um projeto real baseado em Machine Learning
  • Analisar e preparar um conjunto de dados
  • Identificar de forma correta os aspetos relativos à classificação (métricas, estratégias de validação, …)
  • Conhecer e aplicar os algoritmos mais relevantes na Aprendizagem Supervisionada
  • Conhecer e aplicar os algoritmos mais relevantes na Aprendizagem Não Supervisionada

Programa

Componente Teórica

Cap.1 – Introdução

  • Data Mining /Machine Learning
  • Tipos de Aprendizagem
  • Classificação/Regressão
  • Principais Desafios
  • Notação Matemática

 

Cap.2 – Dados: Conceitos Fundamentais

  •  Tipos de dados
  •  Estatística Descritiva
  •  Variável Aleatória
  •  Distribuições de Dados
  •  Limpeza dos Dados

 

Cap. 3 – Etapas Principais de um Projeto

  •  Identificação/Contextualização do problema
  •  Obtenção dos dados
  •  Visualização e preparação dos dados
  •  Seleção e treino do modelo
  •  Sintonização/ajuste do modelo
  •  Monitorização e Manutenção

 

Cap. 4 –  Classificação

  • Estratégias de Validação 
  • Métricas de Avaliação

 

Cap. 5 – Aprendizagem Supervisionada

  •  Regressão Linear
  • Regressão Logistica
  •  Naïve Bayes
  •  Árvores  de Decisão
  •  Support Vector Machine
  •  KNN-nearest Neighbour
  • Random Forest
  •  Redes Neuronais

 Cap. 6 – Aprendizagem Não Supervisionada

  •  Clustering
    • K-means
    • Subtractive Clustering
  •  Principal Component Analysis

 

Componente Prática

  • Python aplicado à Análise de Dados
    • Numpy
    • Scipy
    • Pandas
    • Matplotlib
    • Seaborn
    • Scikit-learn
  • Análise e Preparação dos Dados
  • Aprendizagem Supervisionada
  • Aprendizagem Não Supervisionada

Docente(s) responsável(eis)

Estágio(s)

NAO

Bibliografia

Geron A. (2019).  Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 2nd Edition. ISBN-13: 978-1492032649, O’Reilly (ISEC: 1A-4-179)

Chen, D. (2018) Pandas for Everyone, Python Data Analysis, ISBN:13-978-0-13-454693-3, Addison-Wesley, (ISEC: 1A -19-26) 

Kuhn M., Johnson K. (2016). Applied Predictive Modeling. ISBN: 978-1-4614-6848-6, Springer. (ISEC:3-3-244)

Rashka S, Mirjalili V. (2019). Python Machine Learning, 3rd Edition. ISBN: 978-1-78995-575-0, Packt. (ISEC: 1A – 4-187)

Watt J., Borhani R., Katsaggelos A. (2020). Machine Learning Refined, 2nd Ed. ISBN: 978-1-108-48072-7, Cambridge University Pack. (ISEC: 1A – 4- 200)