Aprendizagem Automática

Conhecimentos de Base Recomendados

Programação em linguagem Python – lecionados na UC de Programação

Inteligência Artificial – lecionados nas UCs de Tópicos de Ciência de Dados e de Inteligência Artificial

Métodos de Ensino

A matéria é apresentada em aulas teórico-práticas que compreendem a exposição da teoria e a demonstração da sua aplicação com exemplos práticos. Pretende-se que esses exemplos ajudem na elaboração de um projeto que será construído ao longo do semestre de modo a permitir ter uma perspectiva global do que é uma solução na área da Aprendizagem Automática.

Resultados de Aprendizagem

Esta unidade curricular pretende dotar o aluno de um conjunto de conhecimentos de aprendizagem automática que lhe permita desenvolver soluções para problemas que envolvam análise de dados e tomada de decisões. Em concreto, pretende-se que o aluno conheça os fundamentos básicos da aprendizagem automática, domine as técnicas mais comuns, saiba identificar quais as técnicas mais adequadas para um dado problema, saiba como avaliar os modelos e como os afinar. Pretende-se que no final o aluno consiga utilizar os conhecimentos adquiridos na realização de um projeto prático representativo de um problema real.

Programa

1 – Introdução à aprendizagem automática
2 – Técnicas tradicionais supervisionadas
3 – Técnicas tradicionais não supervisionadas
4 – Redução de Dimensionalidade
5 – Avaliação e ajuste do modelo
6 – Detecção e Diagnóstico de anomalias
7 – Introdução ao Deep Learning
8 – Inteligência artificial (IA) na borda
9 – Sistemas de recomendação

Docente(s) responsável(eis)

Pedro Miguel de Oliveira Martins

Métodos de Avaliação

O aluno será avaliado através de um exame e de um trabalho prático. Cada um destes elementos corresponderá a 50% da nota final da UC.

O trabalho prático deverá ser em grupo com uma prova de defesa em que os alunos apresentarão o trabalho e responderão a perguntas. A classificação de cada aluno no trabalho considerará a componente do relatório do trabalho e a da prova de defesa do trabalho, da seguinte forma:

• NT = nota obtida pela avaliação documental do trabalho; NT no intervalo [0,20]

• ND = nota obtida na defesa do trabalho; ND no intervalo [0,1]

• NF = nota final do trabalho obtida pela seguinte fórmula: NF = NT * ND

O exame, realizado em qualquer das épocas de exame a que o aluno tiver direito, será sem consulta e com a duração de 1h.


    Estágio(s)

    NAO

    Bibliografia

    Machine Learning: An Algorithmic Perspective, Second Edition (Chapman & Hall/CRC Machine Learning & Pattern Recognition) – Stephen Marsland – 2nd Edition – 2014

    Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems – Aurélien Géron – 3rd Edition – 2023

    Machine Learning Engineering – Andriy Burkov – 2022

    Deep Learning with Python – François Chollet – 3rd Edition – 2025