Currículo

Aprendizagem Automática Supervisionada 04102

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1. Conhecer a história da aprendizagem automática; conhecer e compreender os diferentes tipos de aprendizagem automática: conceitos, fundamentos e aplicações OA2. Conhecer os conceitos que permitem realizar uma Análise Exploratória de Dados (EDA), como também compreender a importância na resolução de problemas e na tomada de decisão OA3. Aprender mecanismos de Data Wrangling - preparação de dados para serem alvo de input para um algoritmo supervisionado OA4. Conhecer a utilização de variáveis contínuas e categóricas; distinguir classificação e regressão OA5. Conhecer e analisar os resultados através da aplicação de métricas de avaliação de desempenho OA6. Compreender os algoritmos supervisionados: árvores de decisão, regressão linear e logística, SVMs, Naive-Bayes e k-NN OA7. Compreender algoritmos de ensemble: bagging e boosting OA8. Conhecer e compreender o funcionamento das Redes Neuronais Artificiais (RNA) OA9. Conhecer e compreender a otimização de hiperparâmetros

Programa

CP1. Introdução à Aprendizagem Automática: A história, fundamentos e conceitos base CP2. Análise Exploratória de Dados (EDA): Data Wrangling e Data Visualization CP3. Classificação e Regressão; Variáveis contínuas e categóricas / discretas; métricas de avaliação de performance CP4. Aprendizagem supervisionada: SVM, Árvores de Decisão, Regressões Linear e Logística, Naive-Bayes e k-NN. CP5. Bagging e Boosting em algoritmos supervisionados CP6. Redes Neuronais Artificiais CP7. Otimização de hiperparâmetros

Método de Avaliação

Esta UC, por ter uma natureza bastante prática e de aplicação, segue o modelo de avaliação ao longo do semestre a 100% por projeto, pelo que esta UC não contempla exame final. A avaliação 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 em grupo [40%] Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. Em qualquer BA, poderá haver necessidade de realizar uma discussão oral individual para aferição de conhecimentos. 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 em grupo 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.

Carga Horária

Bibliografia

Principal

• McMahon, A. (2023). Machine learning engineering with python - second edition: Manage the lifecycle of machine learning models using MLOps with practical examples. McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3.a ed.). O’Reilly Media. Burkov, A. (2019). The hundred-page machine learning book. Andriy Burkov. Mueller, J. P. (2019). Python for Data Science for Dummies, 2nd Edition (2.a ed.). John Wiley & Sons. VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.:

Secundária

• Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc. Avila, J. (2017). Scikit-Learn Cookbook - Second Edition. Birmingham: Packt Publishing. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann. Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss Intelligence and Analytics: Systems for Decision Support. Prentice Hall. Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O'Reilly.:

Disciplinas de Execução

2025/2026 - 2º Semestre

2023/2024 - 2º Semestre

2024/2025 - 2º Semestre