Machine Learning

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

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
• 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

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)