introdução uc - 2010 2011

Aprendizagem Automática

Mestrado em Engenharia Informática

12-04-2023 Aprendizagem Automática / Machine Learning

Sumário

Apresentação da disciplina

2


Docentes

Aulas Luís Nunes ([email protected])

Orientação de trabalhos Luís Nunes Sancho Oliveira

([email protected])

3


Aprendizagem Automática?

“Machine Learning is the study of computer algorithms that improve automatically through experience”

Tom Mitchell, "Machine Learning", McGraw Hill, 1997

4


Objectivos

Compreender os fundamentos dos principais algoritmos de AA.

Conhecer em profundidade e saber usar pelo menos um dos principais algoritmos de AA.

Saber preparar os dados, usar, analisar e apresentar os resultados da aplicação de um algoritmo de AA a um problema específico.

5


Programa

Introdução histórica e fundamentos; Algoritmos de Aprendizagem;

Algoritmos Genéticos; Por Reforço; Não supervisionada; Supervisionada (simbólica e sub-simbólica);

Técnicas de aceleração; Preparação de dados e apresentação de

resultados; Estudo/Análise de soluções para problemas

específicos; Implementação de algoritmo(s) de aprendizagem.

6


Método de ensino

Aulas teóricas (12h) : Em bloco, no início do semestre.

Aulas teórico-práticas (24h): Seminários, apresentações, apoio e discussões de trabalhos.

Aulas de dúvidas nos horários previstos e/ou por solicitação dos alunos (por mail).

7


Horas de Trabalho previstas Aulas teóricas: 12h Aulas teórico-práticas: 24h Tutoriais (dúvidas): 1h Estudo: 40 a 50h Trabalho Final: 40h a 50h / aluno Total: 150 (aprox. 114 de estudo e trabalho

autónomo)(Valores médios de horas de trabalho por aluno)

Planeamento semanal e Ficha de Unid. Curric. (FUC) disponível na página da disciplina http://aa.dcti.iscte.pt e/ou http://fenix.iscte.pt.

8


Avaliação

Trabalho Final: Apresentação do tema (semanas 6 a 8) Individual ou em grupo

(dependendo da dificuldade do tema) Entrega de relatório e apresentação em aula do TF:

(semana 13 ou 14) Discussão do trabalho de outro grupo Quando/Se requerido pelo docente, ou pelo aluno pode

haver lugar, durante a época de exames a uma nova apresentação (melhoria) ou a uma discussão individual do trabalho

ou … exame final, 2ª época, baseado na bibliografia.

9


Propostas de TF

Trabalhos em projectos científicos (TF: review da área e protótipo) Aprendizagem por Reforço (tema de tese, possível bolsa em projecto a

submeter à FCT) Algoritmos Genéticos aplicados à evolução de controladores para robots

(tema de tese, possível bolsa em projecto a submeter à FCT)

Trabalhos ligados a empresas (TF: review da área e protótipo) Aplicações de AA para SmartGrids (tema de tese de mestrado, possível

estágio na NovaBase) Testes de Software (tema de tese de mestrado, possível estágio em

banco português) Aprendizagem de padrões de comportamento (tema de tese de

mestrado, possível colaboração com empresa internacional) Scheduling / Atribuição automática de espaços segundo restrições (tema

de tese de mestrado , possível utilização de dados reais do ISCTE)

Implementação de algoritmos para biblioteca-padrão

10


Bibliografia

O mais adequado para iniciação: (Alpaydin 2010) Ethem Alpaydin.

Introduction to Machine Learning. MIT Press (2010).ISBN 026201243X.

Para aprofundar o assunto: (Mitchell 97) Tom Mitchell, "Machine

Learning", McGraw Hill, 1997. Referências para aprofundar sub-tópicos

(consultar página da disciplina http://aa.dcti.iscte.pt).

11


Mais informação

Docente: Luís Nunes Site: http://aa.dcti.iscte.pt Lista:

https://listas.iscte.pt/mailman/listinfo/aa.dcti

Mail: [email protected] Gabinete: D617

12


Referências

(Alpaydin 2010) Ethem Alpaydin. Introduction to Machine Learning. MIT Press (2010).ISBN 026201243X.

(Mitchell 97) Tom Mitchell, "Machine Learning", McGraw Hill, 1997.

13


Sumário

Apresentação da UC

14

introdução uc - 2010 2011

Documents