Currículo

Métodos de Aprendizagem Não Supervisionada 03595

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1: Caracterizar os principais métodos analíticos não supervisionados OA2: Utilizar R no contexto dos métodos não supervisionados OA3: Avaliar, validar e interpretar os resultados

Programa

CP1: Introdução aos métodos de aprendizagem não supervisionada CP2: Técnicas de redução da dimensionalidade dos dados - Análise em componentes principais (ACP) - Aplicações com R CP3: Técnicas de clustering: - Métodos hierárquicos - Métodos partitivos - Mapas self-organizing - Métodos probabilísticos - Qualidade e validação de soluções de clustering - Aplicações com R CP4: Estudos de caso

Método de Avaliação

Os estudantes podem optar por Avaliação ao longo do semestre ou Exame Final. AVALIAÇÃO AO LONGO DO SEMESTRE: - trabalho de grupo com discussão e nota mínima de 8 valores (50%) - teste individual com nota mínima de 8 valores (50%) A aprovação requer uma frequência mínima de 80% das aulas, participação em todos os momentos de avaliação e nota mínima de 10. EXAME: O Exame Final corresponde a um exame escrito. Os alunos têm de obter uma nota mínima de 10 para passar. Em ambas as modalidades de avaliação, os alunos poderão ser convocados para uma prova individual, oral ou escrita, destinada a validar a respetiva classificação.

Carga Horária

Bibliografia

Principal

• Nwanganga, F., M. Chapple (2020), Practical Machine Learning in R, 1st Edition, Wiley. Bouveyron, C., G. Celeux, T. B. Murphy, A. E. Raftery (2019), Model-Based Clustering and Classification for Data Science: With Applications in R, 1st Edition, Cambridge University Press. James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An Introduction to Statistical Learning: with applications in R, New York: Springer. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education.:

Secundária

• -:

Disciplinas de Execução