Saber
Fazer
Competências Complementares
Introdução à Aprendizagem Automática.
Paradigmas de Aprendizagem Automática: Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada e Aprendizagem por Reforço.
Dados
2.1 Tipos de dados.
2.2 Medidas de proximidade e medidas de dispersão de dados.
2.3 Tópicos de normalização e visualização de dados
2.4 Visualização de Dados por Análise de Componentes Principais
Aprendizagem Supervisionada
3.1 Regressão
3.2 Árvores de Decisão
3.3 Redes Neuronais
3.4 Máquinas de Suporte Vectorial
3.5 Modelos gráficos
3.6 Classificador dos K-Vizinhos mais Próximos
3.7 Avaliação e comparação de métodos de classificação
3.8 Ensembles
Aprendizagem Não-Supervisionada
4.1 Métodos de Agrupamento por partição
4.2 Métodos de Agrupamento Probabilístico
4.3 Métodos de Agrupamento Difuso por partição
4.4 Métodos de Agrupamento Hierárquico
4.5 Cadeias de Markov
4.5 Avaliação de métodos e de resultados de agrupamento
4.6 Outros métodos
T. Mitchell. Machine Learning, McGraw-Hill, 1997.
C. M. Bishop. Pattern Recognition and Machine Learning, Springer, 2006.
E. Alpaydin. Introduction to Machine Learning, Second Edition, MIT Press, 2010.
Stephen Marsland. Machine Learning: An Algorithmic Perspective CRC Press, 2011
Horas por crédito | 28 | ||
Horas p/ semana | Semanas | Horas | |
Aulas práticas e laboratoriais | 24.0 | ||
Aulas teóricas | 24.0 | ||
Avaliação | 8.0 | ||
Estudo | 60.0 | ||
Projectos e trabalhos | 52.0 | ||
Total de Horas | 168 | ||
ECTS | 6.0 |