Machine Learning

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.

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 alguns dos algoritmos mais relevantes na Aprendizagem Supervisionada;
– Conhecer e aplicar os algoritmos mais relevantes na Aprendizagem Não Supervisionada.

Componente Teórica:

Cap.1 – Introdução
Data Mining/Machine Learning
Tipos de Aprendizagem
Principais Desafios

Cap.2 – Dados: Conceitos Fundamentais
Tipos de dados
Estatística Descritiva
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 – Validação
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
XGBoost
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

• - Exame - 60.0%
• - Trabalho Individual e/ou de Grupo - 40.0%

NAO