Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Inteligência Artificial
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2023/2024
Pré-requisitos / Pre-Requisites
Conhecimentos de Álgebra Linear, Cálculo Vectorial, Probabilidades, Estatística e Programação (disciplinas standard do primeiro ano de um curso técnico).
Objetivos Gerais / Objectives
Conhecer os rudimentos da Aprendizagem Automática (AA) de modo a conseguir usar ferramentas com algoritmos de AA em problemas reais e construir algoritmos de complexidade média a partir de descrições.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final da UC o aluno deverá ser capaz de: OA1. Identificar os principais marcos históricos da disciplina; OA2. Conhecer as relações com outras disciplinas; OA3. Enumerar e reconhecer algumas das aplicações; OA4. Caracterizar as principais famílias de algoritmos usados em Aprendizagem Automática; OA5. Compreender e explicar os fundamentos e o funcionamento de um algoritmo que exemplifique: aprendizagem supervisionada (simbólica e sub-simbólica), não supervisionada, por reforço e algoritmos de procura. OA6. Saber explicar em detalhe o funcionamento de um dos algoritmos estudados. OA7. Implementar um algoritmo de aprendizagem automática e/ou usá-lo num problema não trivial.
Conteúdos Programáticos / Syllabus
CP1. Nota histórica sobre a Aprendizagem Automática. Relação com outras disciplinas. Principais aplicações. CP2. Problemas e tipos de aprendizagem; CP3. Aprendizagem Não Supervisionada; CP4. Aprendizagem Supervisionada (simbólica e sub-simbólica); CP5. Aprendizagem por Reforço; CP6. Métodos de procura e Algoritmos Genéticos; CP7. Preparação de dados, validação de resultados; CP8. Técnicas de aceleração de algoritmos de AA. CP9. Implementação de algoritmo de AA
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes
A relação entre os Conteúdos Programáticos e os Objetivos de Aprendizagem é a seguinte: CP1 - OA1, OA2, OA3 CP2 - OA4 CP3, 4, 5, 6 e 9 - OA5 e OA6 CP7, 8, 9 - OA7
Avaliação / Assessment
Apenas é possível obter aprovação a esta UC por avaliação periódica, não contemplando a modalidade de avaliação por exame. Elementos de avaliação: - 4 exercícios práticos que incluem um mini-teste (15% cada), durante o período letivo; - projeto em grupos de 2 elementos (40%) que inclui um relatório (com um limite de 10 páginas), código e apresentação oral (aproximadamente 10 minutos), a realizar em qualquer das épocas de avaliação — o projeto deve ser entregue até uma semana antes da época de avaliação escolhida A avaliação em época especial será composta pelo projeto e um teste escrito que substitui a componente dos exercícios práticos. A assiduidade não é usada como critério de avaliação ou reprovação.
Metodologias de Ensino / Teaching methodologies
Uma aula semanal de 3h ou 2 x 1h30. Inicialmente as aulas serão teóricas / expositivas (2 x 1h30). As aulas passam progressivamente para um acompanhamento e discussão dos trabalhos em curso e apresentação de temas relacionados com os trabalhos.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
Os objetivos OA1, OA2, OA3, OA4 são de aquisição de conhecimentos e são em geral apreendidos na primeira fase da disciplina. Em alguns casos há seminários sobre temas específicos nas últimas aulas. De notar que será realizado um mini-teste no término da 1ª fase que incidirá sobre a avaliação da aprendizagem destes objectivos. Os objetivos OA5, OA6, OA7 têm uma componente teórica, mas são principalmente práticos e visam a aquisição de competências. Estes objetivos são atingidos primeiro através da última fase das aulas teóricas, depois, com o trabalho prático, e com sessões de apoio ao trabalho prático grupo-a-grupo. O trabalho prático, com a respetiva apresentação e relatório avaliam todos os objetivos de aprendizagem. O documento de Planeamento de Unidade Curricular (PUC), detalhado para cada aula, evidencia a relação entre os métodos pedagógicos de ensino (de acordo com a tipologia de aula) e os resultados de aprendizagem definidos anteriormente.
Observações / Observations
Estudantes que não possam cumprir o método de avaliação descrito devem contactar o coordenador nas duas primeiras semanas de aulas. O horário de atendimento é disponibilizado aos estudantes na plataforma de e-learning e/ou na página da UC. A possibilidade de plágio é verificada com ferramentas apropriadas. Os casos de plágio serão tratados da maneira mais severa permitida pelos regulamentos.
Bibliografia Principal / Main Bibliography
Ethem Alpaydin, Introduction to Machine Learning, Fourth Edition, 2020, null, https://mitpress.mit.edu/9780262043793/introduction-to-machine-learning/
Bibliografia Secundária / Secondary Bibliography
Tom Mitchell, Machine Learning, 1997, null, http://www.cs.cmu.edu/~tom/mlbook.html Simon Haykin, Neural Networks and Learning Machines, Third Edition, 2009, null, https://cours.etsmtl.ca/sys843/REFS/Books/ebook_Haykin09.pdf R. Duda and P. Hart, Pattern Classification and Scene Analysis., 1973, null, https://www.amazon.com/Pattern-Classification-Scene-Analysis-Richard/dp/0471223611
Data da última atualização / Last Update Date
2024-02-16