Currículo

Tópicos Avançados de Aprendizagem Profunda 04947

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

No final da UC, cada estudante deverá ser capaz de: OA1: Compreender o funcionamento e as capacidades das Redes Adversárias Generativas (GANs), incluindo as suas arquiteturas e principais desafios. OA2: Conceber e implementar soluções com GANs, abrangendo a definição de arquiteturas, o treino e a análise de aplicações práticas. OA3: Entender os conceitos fundamentais da Aprendizagem por Reforço Profundo e aplicar algoritmos (p. ex. DQN, PPO, AlphaZero) em ambientes simulados. OA4: Modelar e analisar séries temporais com redes neuronais avançadas, como LSTMs, GRUs e transformadores, adequando-as às particularidades de dados sequenciais. OA5: Explorar e implementar algoritmos genéticos/evolucionários profundos em contextos de otimização, avaliando a sua aplicabilidade prática. OA6: Desenvolver projetos práticos que integrem múltiplas técnicas avançadas, adaptando-as a cenários reais ou simulados, incentivando o trabalho colaborativo e a capacidade de investigação.

Programa

CP1: Conceitos e fundamentos de GANs, arquiteturas base (DCGAN, WGAN), processo de treino (gerador vs. discriminador), desafios e aplicações práticas (geração de imagens, dados sintéticos). CP2: Revisão de conceitos de aprendizagem por reforço, algoritmos fundamentais (DQN, PPO, AlphaZero), ambientes simulados, exploração vs. exploitação. CP3: Análise de séries temporais com redes neuronais: LSTMs, GRUs e transformadores para dados sequenciais, particularidades de modelação temporal (sazonalidade, tendência), avaliação de previsões e estratégias de melhoria. CP4: Princípios de algoritmos evolutivos profundos, operadores genéticos, estratégias de adaptação, casos de uso em otimização de hiperparâmetros. CP5: Interpretação de modelos avançados, técnicas de explicabilidade e equidade para promover a transparência e a robustez em modelos profundos. CP6: Desenvolvimento de projetos práticos em áreas como saúde, banca, finanças ou IoT, integrando múltiplas técnicas avançadas.

Método de Avaliação

A avaliação segue o modelo de Avaliação ao Longo do Semestre (previsto no RGACC) a 100% por projeto/trabalhos práticos, sem exame final, promovendo o envolvimento contínuo do estudante. As componentes de avaliação são: - Três Mini-trabalhos (20% cada) Ao longo do semestre, cada mini-trabalho incide sobre um tópico específico: -- Criação de uma GAN simples, com foco na definição da arquitetura e no treino do gerador e do -discriminador. -- Modelo de Aprendizagem por Reforço Profundo, incluindo a escolha do algoritmo (DQN, PPO, etc.) e a validação do treino num ambiente simulado. -- Modelação de Séries Temporais, utilizando LSTMs, GRUs ou transformadores, avaliando a sua capacidade de previsão em dados sequenciais. Em cada mini-trabalho, avaliam-se a implementação prática, a capacidade de análise dos resultados, a clareza do código e a correta utilização das bibliotecas. Os mini-trabalhos poderão ser realizados individualmente ou em grupos. Não há nota mínima em cada mini-trabalho, mas o conjunto representa 60% da nota final. - Projeto Final (40%) Num trabalho de maior envergadura, os estudantes podem integrar um ou mais tópicos dos mini-trabalhos (GANs, Aprendizagem por Reforço, Séries Temporais, Algoritmia Genética/Evolucionária Profunda), ou explorar um cenário diferente que exija a combinação de técnicas avançadas. Valorizam-se a otimização do modelo, a análise crítica de resultados, a formulação de melhorias e a capacidade de justificar as escolhas técnicas realizadas. Neste projeto, é exigida a entrega de um relatório técnico e uma apresentação (online) para defesa dos métodos e conclusões, permitindo aferir as competências de comunicação e domínio do tema. O projeto final deverá ser realizado em grupos. A nota final resulta da soma ponderada dos três mini-trabalhos (20% cada) e do projeto final (40%). Para aprovação, é necessário obter pelo menos 10 valores na classificação final. Caso o estudante não atinja esta classificação, é considerado Reprovado. A melhoria de nota pode ser obtida no ano letivo seguinte, repetindo as componentes de avaliação em conformidade com o regulamento vigente. As avaliações podem ocorrer na 1.ª Época e na 2.ª Época, não havendo exame final complementar. A presença nas sessões síncronas não é obrigatória, mas fortemente recomendada pela riqueza das discussões e pelo feedback imediato sobre os progressos individuais e coletivos. Recomenda-se ainda a leitura do Regulamento de Estudantes com Estatuto Especial (REEE) e do Código de Conduta Académica (CCA).

Carga Horária

Bibliografia

Não foi definida bibliografia principal

Disciplinas de Execução