Departamento de Informática (UM)

Classificadores e Sistemas Conexionistas

13625 [MC25MC2503006149]

Mestrado em Matemática e Computação [MMC]

S2

César Analide Freitas Silva Costa Rodrigues

Objetivos

Esta unidade curricular (UC) integra a oferta do Perfil Machine Learning: Fundamentos e Aplicações.
As matérias alvo de discussão nesta unidade curricular (UC) emanam da área científica da Inteligência Artificial, dos Sistemas Inteligentes e da Computação Natural, com aplicação como Sistemas de Aprendizagem.
É objetivo desta UC a introdução dos discentes ao paradigma de resolução de problemas baseado na computação natural, com particular incidência em sistemas conexionistas como as Redes Neuronais Artificiais, em modelos de Aprendizagem por Reforço e em sistemas baseados em Máquinas de Vetores de Suporte.

Programa

1. Sistemas de Aprendizagem e Computação Natural
1.1. Aprendizagem baseada em sistemas conexionistas
1.2. Desenvolvimento de sistemas de classificação e regressão
2. Redes Neuronais Artificiais
2.1. Constituição dos neurónios
2.2. Arquiteturas de redes
2.3. Regras de treino
2.4. Especificação de RNAs
2.5. RNAs na resolução de problemas de classificação e regressão
3. Aprendizagem por Reforço
3.1. Conceitos básicos de recompensa e penalização
3.2. O ciclo estados-ações-recompensas
3.3. Temporal difference learning
3.4. Algoritmos Q-learning e SARSA
4. Máquinas de Vetores de Suporte
4.1. Classificadores lineares e não lineares
4.2. Classificadores lineares generalizados
4.3. Regras de aprendizagem
4.4. Algoritmos perceptron e winnow

Bibliografia

Richard S. Sutton and Andrew G. Barto, "Reinforcement Learning: An Introduction", The MIT Press, 2nd edition, 2012

Haykin, S., "Neural Networks - A Comprehensive Foundation", Prentice-Hall, New Jersey, 2nd Edition, 1999

Nello Cristianini, John Shawe-Taylor, "An Introduction to Support Vector Machines and other kernel-based learning methods", Cambridge University Press, 2000

Resultados da aprendizagem

- Compreender conceitos básicos de Sistemas de Aprendizagem Automática e Computação Natural
- Estudar modelos de Computação Natural na resolução de problemas
- Estudar e desenvolver soluções com recurso a Redes Neuronais Artificiais
- Estudar e desenvolver soluções com modelos de Aprendizagem por Reforço
- Estudar e desenvolver soluções usando modelos baseados em Máquina de Vetores de Suporte
- Selecionar o modelo adequado para a resolução de problemas

Método de avaliação

- Estudo dirigido
- Ensino por módulos
Métodos de Ensino Socializado:
- Discussão em pequenos grupos
- Discussão dirigida
- Brainstorming
- Palestra
Métodos de Ensino Sócio-Individualizado:
- Projeto
- Problemas
- Pesquisa
Métodos de avaliação
A avaliação da aprendizagem envolve dois instrumentos de avaliação: um trabalho prático de desenvolvimento e uma prova escrita.
A classificação final é calculada pela ponderação dos diversos instrumentos de avaliação.
É considerado aprovado o aluno cuja classificação final seja superior ou igual a 10 (dez) valores.
Para o cálculo da classificação final podem-se estabelecer notas mínimas, sendo que, para instrumentos de avaliação de cariz prático, esta nota mínima não pode ser inferior a 10 (dez) valores.

Funcionamento

Turno: T 1; Docente: César Analide Freitas Silva Costa Rodrigues; Dep.: DI; Horas: 15.
Turno: PL 1; Docente: Bruno Filipe Martins Fernandes; Dep.: DI; Horas: 30.