Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Sistemas de Informação

Departamento / Department

Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year

2020/2021

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

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. | A avaliação é periódica. A avaliação é composta por um trabalho final (90%) com relatório (máximo de 10 páginas) e apresentações orais. O teste online contribui com os restantes 10% da nota final. Os temas dos trabalhos serão acordados com o docente até meio do semestre. As avaliações serão publicadas no Fénix ou e-learning. A assiduidade não é usada como critério de avaliação ou reprovação. Melhoria de nota ou EEF, trabalho final conta 100%

Metodologias de Ensino / Teaching methodologies

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. O(s) teste(s) intercalar(es) são usados para avaliar estes objectivos. Os objetivos OA5, OA6, OA7 têm uma componente teórica, mas são principalmente práticos e visam a aquisição de competências de resulção de problemas. 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

Devido à atual situação provocada pela COVID-19, o processo de avaliação poderá sofrer algumas adaptações, que serão comunicadas oportunamente, caso tal venha a ser necessário Nesta disciplina são úteis conhecimentos de Álgebra Linear, Cálculo Vectorial, Probabilidades, Estatística e Programação (disciplinas standard dos primeiros anos de um curso técnico). Datas de avaliação são definidas em Conselho de Ano. Horários de avaliações finais são definidos administrativamente e publicados na página do ISCTE. Em caso de falta a uma prova o coordenador pode permitir substituí-la por outra equivalente. 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. Mesmo para a época especial de finalistas a avaliação requer obrigatoriamente a entrega de um trabalho, de um relatório e, se requerido pelos docentes, a sua apresentação. Os temas dos trabalhos serão acordados com o docente até meio do semestre. É comum haver uma apresentação inicial em que são explicados os objectivos do trabalho. Estas apresentações também serão tidas em conta na nota do trabalho. Mesmo nos trabalhos de grupo as notas poderão ser individualizadas. A possibilidade de plágio é verificada com ferramentas apropriadas. Os casos de plágio serão tratados da maneira mais severa permitida pelos regulamentos. Os grupos de trabalho devem ter dois elementos. São aceites grupos com 1 ou 3 elementos apenas quando isso é absolutamente necessário. Dependendo do grau de dificuldade do trabalho proposto a nota e/ou o número de elementos do grupos podem ser condicionados.

Bibliografia Principal / Main Bibliography

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

Bibliografia Secundária / Secondary Bibliography

(Duda, Hart 73) R. Duda and P. Hart. Pattern Classification and Scene Analysis. Wiley & Sons, Inc, 1973 (Haykin 99) Simon Haykin. Neural Networks. Prentice Hall, 1999. (Mitchell 97) Tom Mitchell. Machine Learning, McGraw Hill, 1997.

Data da última atualização / Last Update Date

2024-02-16