Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
460 - Matemática e estatística
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2023/2024
Pré-requisitos / Pre-Requisites
Não tem
Objetivos Gerais / Objectives
Esta Unidade Curricular foca-se no desenvolvimento de competências em aprendizagem automática não supervisionada e aprendizagem por reforço. Os alunos serão capacitados para extrair conhecimento de conjuntos de dados em diversas áreas, utilizando métodos de aprendizagem não supervisionada e estratégias de aprendizagem por reforço. Irão abordar vários problemas reais, para os quais irão analisar e interpretar dados, através de projetos práticos discutidos em aula. Adquirirão conhecimento em técnicas avançadas de modelação de algoritmos não supervisionados para segmentação e análise de padrões, e algoritmos de aprendizagem por reforço para a tomada de decisões baseadas em recompensas. Os alunos também aprenderão a avaliar e otimizar o desempenho destes modelos, aplicando-os em situações práticas do mundo real.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1. Compreender os principais métodos de aprendizagem não supervisionada OA2: Avaliar, validar e interpretar os resultados de modelos não supervisionados OA3: Desenvolver projetos de descoberta de conhecimento a partir de dados utilizando modelos de aprendizagem não supervisionada OA4: Conhecer, através da abordagem de vários contextos de problemas (por exemplo, segmentação de clientes) nos quais a aprendizagem não supervisionada pode efetivamente proporcionar soluções relevantes para esses problemas OA5. Compreender os fundamentos teóricos e práticos da aprendizagem por reforço OA6. Implementar e testar algoritmos de aprendizagem por reforço em ambientes simulados para entender a dinâmica entre as ações e consequentes recompensas OA7. Avaliar e otimizar o desempenho de modelos de aprendizagem por reforço, utilizando métricas apropriadas OA8. Aprender e aplicar os algoritmos não supervisionados e por reforço em casos de estudo práticos
Conteúdos Programáticos / Syllabus
CP1: Introdução à aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas. CP2: Redução de dimensionalidade e visualização de dados: Análise de Componentes Principais (PCA), t-SNE e UMAP para redução de dimensionalidade e interpretação visual. CP3: Clustering e técnicas de segmentação: exploração de algoritmos como K-Means, DBSCAN, Expectation-Maximization (EM), clustering hierárquico. CP4: Análise e deteção de outliers através de técnicas não supervisionadas: KNN, LOF, iForest CP5: Mapas Self-Organizing (SOMs): aplicação de mapas auto-organizáveis para visualização e análise de padrões complexos em grandes volumes de dados. CP6: Regras de associação e algoritmo de Apriori. CP7: Técnicas de aprendizagem por reforço: Q-Learning, SARSA. Introdução aos conceitos e implementação prática. CP8: Exploration vs. exploitation na aprendizagem por reforço: estratégias para equilibrar a tomada de decisão.
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
São, de seguida, indicados através dos códigos referidos nos objetivos e no programa, quais são os elementos do programa que respondem a cada um dos objetivos: OA1 <== CP1 OA2 <== CP2 + CP3 + CP4 OA3 <== CP2 + CP3 + CP4 + CP5 + CP6 OA4 <== CP3 OA5 <== CP7 OA6 <== CP7 + CP8 OA7 <== CP7 + CP8 OA8 <== CP2 + CP3 + CP4 + CP5 + CP6 + CP7 + CP8
Avaliação / Assessment
Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação a 100% por projeto, pelo que esta UC não contempla exame final. A avaliação é realizada ao longo do semestre e é constituída por 3 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição: - BA1: 1ª tutoria + 1º mini-teste [20% para a 1ª tutoria + 10% para o 1º mini-teste = 30%] - BA2: 2ª tutoria + 2º mini-teste [20% para a 2ª tutoria + 10% para o 2º mini-teste = 30%] - BA3: 1 projeto final [40%] As tutorias consistem em discussões orais individuais que permite avaliar o desempenho dos alunos nos projetos propostos para a realização da tutoria. Os mini-testes permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados também em tutoria. O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre, onde poderá haver participação de organizações externas / empresas no desafio proposto. A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação. A presença nas aulas não é obrigatória.
Metodologias de Ensino / Teaching methodologies
- A estratégia pedagógica adotada combina aulas teóricas, que abordam conceitos fundamentais e ilustram estes através de exemplos práticos, bem como a atribuição de trabalho autónomo, visando a consolidação dos objetivos de aprendizagem propostos. - A apresentação de problemas reais e a discussão das limitações de abordagens tradicionais são essenciais para reforçar a compreensão dos estudantes e fomentar o desenvolvimento do pensamento crítico. Esta metodologia é enriquecida pela introdução de casos e desafios propostos por empresas parceiras, permitindo que os estudantes apliquem os conhecimentos adquiridos na resolução de problemas do mundo real, promovendo assim uma maior ligação entre a teoria e a prática. - O ensino de conteúdos técnicos avançados é apoiado pela análise detalhada dos requisitos dos problemas a serem abordados, juntamente com uma exploração aprofundada das vantagens e dos desafios específicos de cada método ou tecnologia. Esta abordagem é complementada pela colaboração com o setor empresarial, que pode fornecer contextos reais de aplicação e feedback prático, incentivando uma aprendizagem mais aplicada e orientada para resultados concretos que respondem a desafios do mundo real.
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
- Inicialmente, os alunos são introduzidos aos fundamentos e desafios do campo da Aprendizagem Automática Não Supervisionada, focando-se na compreensão e identificação dos dados que caracterizam estes problemas. Nesta fase, são abordados os primeiros conceitos relacionados à história e aos fundamentos da aprendizagem automática não supervisionada, bem como técnicas de clustering e redução de dimensionalidade (OA1; OA2; OA3). - Nas aulas práticas subsequentes, os alunos enfrentam desafios que envolvem a aplicação de técnicas de clustering, detecção de outliers, e uso de mapas auto-organizáveis para analisar padrões nos dados. Estas atividades práticas permitem aos alunos explorar as diversas etapas do processo de descoberta de conhecimento a partir de dados, aprofundando assim a compreensão dos métodos de aprendizagem não supervisionada (OA2; OA3). - Paralelamente, a introdução aos conceitos e práticas da aprendizagem por reforço permite aos alunos compreender a importância de algoritmos como Q-Learning e SARSA, e a aplicação destes em ambientes simulados, o que permite destacar a diferença entre aprendizagem supervisionada, não supervisionada e por reforço, e como cada uma pode ser aplicada para resolver problemas específicos, integrando teoria e prática de forma progressiva (OA5; OA6; OA7). - No que diz respeito à avaliação, os alunos são desafiados com projetos que devem ser desenvolvidos de forma totalmente autónoma, refletindo situações reais em que a aprendizagem não supervisionada e por reforço podem ser aplicadas. - Durante as sessões de tutoria, o docente não só transmite conhecimento, mas também orienta os estudantes na correta aplicação prática, atuando como um "cliente" que apresenta necessidades específicas a serem atendidas pelos projetos. Aqui, os alunos têm a oportunidade de aplicar e integrar os conhecimentos adquiridos em todos os Objetivos de Aprendizagem, desde a compreensão teórica até o desenvolvimento de soluções inovadoras para problemas complexos, abrangendo tanto a aprendizagem não supervisionada quanto a aprendizagem por reforço (OA3; OA4; OA5; OA6; OA7; OA8).
Observações / Observations
-
Bibliografia Principal / Main Bibliography
Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature. Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer. Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC. Szepesvari, C. (2010). Algorithms for reinforcement learning (R. Brachman & T. Dietterich, Eds.; 1.a ed.). Morgan & Claypool.
Bibliografia Secundária / Secondary Bibliography
Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda. Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer. Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning, second edition: An Introduction (2.a ed.). MIT Press.
Data da última atualização / Last Update Date
2024-02-16