Machine Learning

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

A nota final da disciplina é obtida através da seguinte expressão:

Nota final = 0.6 * Exame + 0.4 * Avaliação Prática

Os componentes possuem pesos diferenciados:

• Exame: 12 Valores;
• Trabalho Prático: 8 Valores;

Exame

• Exame escrito, sem consulta, que incidirá sobre os conteúdos lecionados nas aulas teóricas e práticas.
• É obrigatória a obtenção de uma classificação igual ou superior a 35%. A não obtenção desta classificação mínima implica a reprovação à disciplina.
• Não são permitidos quaisquer processos informais de melhoria de classificação entre épocas de exame.
• O exame será realizado nos períodos destinados às épocas de exame (Normal, Recurso, Especial).

Avaliação Prática

• A implementar com base no ambiente Python.
• Os alunos devem formar grupos de 2 alunos
• Previstos 2 momentos de avaliação:
  • M1 – 3 valores
  • M2 – 5 valores
  • Em cada um dos momentos de avaliação os alunos terão de:

 Apresentar nas aulas prática o trabalho realizado

• Apresentação oral (máx. 10 minutos)

 Elaborar um pequeno documento em que apresente de forma totalmente objetiva e condensada (máx. 10 páginas) o trabalho realizado

• Deve ser entregue em data anterior à da apresentação na aula.
• A nota do trabalho prático será considerada em todas as épocas de exame a realizar durante o ano letivo (Normal, Recurso, Especial). Como tal, não existirá nova oportunidade para a realização/entrega dos elementos de avaliação

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
• 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
• 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

NAO