Departamento de Informática (UM)

Sistemas Conexionistas para Aprendizagem Automática

15967 [L305N5]

Licenciatura em Ciência de Dados [CDADOS]

S1

César Analide Freitas Silva Costa Rodrigues

Objetivos

O objetivo 1 está relacionado com os restantes pontos do programa (2 a 8) sendo os conceitos apreendidos na medida em que se vão tratando os diferentes tópicos. O objetivo 2, relacionado com os métodos e ferramentas disponíveis, está relacionado com diversos pontos nos conteúdos propostos (2 a 8). Por outro lado, os objetivos 3 a 5 estão relacionados com competências mais de aplicação prática relacionadas com os pontos 2 a 8.

Programa

- Modelos funcionais lineares e não lineares de aprendizagem supervisionada: regressão linear e logística, Support Vector Machines.
- Redes Neuronais: funcionamento de um neurónio, redes feedforward, algoritmos de treino.
- Deep Learning: arquiteturas; algoritmos de treino; regularização e dropout; aprendizagem multitarefa.
- Redes Neuronais Convolucionais: convoluções; tipos de camadas e arquiteturas; aplicações no tratamento de imagem/vídeo; aprendizagem por transferência; redes convolucionais de grafos e suas aplicações.
- Aprendizagem não supervisionada e semi supervisionada: embeddings, visualização de dados com tSNE, clustering baseado em deep learning, auto-encoders.
- Redes Neuronais Recorrentes: tipos de camadas e arquiteturas das redes; redes com memória; mecanismos de atenção; aplicações.
- Modelos generativos e adversariais de deep learning: variational auto-encoders, generative adversarial networks, aplicações.
- Abordagens de deep reinforcement learning e suas aplicações.

Bibliografia

I. Goodfellow, Y. Bengio, A. Courville. Deep learning. MIT Press, 2016.
W. Richert, L.P. Coelho. Building machine learning systems with python. Packt publishing. 2013.
T. Mitchell, Machine Learning, McGraw Hill, 1997.
F. Chollet. Deep Learning with Python. 2017

Resultados da aprendizagem

1. Definir os principais conceitos nos campos da Aprendizagem Máquina, com foco na área do Deep Learning.
2. Identificar classes de métodos/algoritmos, aplicações e bibliotecas de programação apropriadas para a resolução dos principais problemas na área do Deep Learning.
3. Aplicar software disponível de Deep Learning para a resolução de problemas, incluindo o uso de bibliotecas de software livre.
4. Construir programas podendo usar bibliotecas de software disponíveis para a implementação de pipelines avançados de deep learning incluindo os paradigmas supervisionado, não supervisionado e por reforço.
5. Construir programas que possam implementar algoritmos existentes ou desenvolver novos algoritmos ao nível do deep learning.

Método de avaliação

- Avaliação individual periódica sob a forma de um ou mais testes escritos: 40% a 60%.
- Avaliação contínua centrada em atividades realizadas em grupo ao longo do semestre: 40% a 60%.

Funcionamento

Turno: T 1; Docente: César Analide Freitas Silva Costa Rodrigues; Dep.: DI; Horas: 30.
Turno: PL 1; Docente: Bruno Filipe Martins Fernandes; Dep.: DI; Horas: 30.