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 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. 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 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: 3ª tutoria + 3º mini-teste [30% para a 3ª tutoria + 10% para o 3º mini-teste = 40%] As tutorias consistem em projetos a serem desenvolvidos em grupo, que contemplam também discussões orais individuais, que permitem avaliar o desempenho dos alunos nesses mesmos projetos. Os mini-testes, realizados individualmente, permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados em tutoria. Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante. A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD). Todos os blocos de avaliação periódica (BA1, BA2 e BA3) possuem uma nota mínima de 8,5 valores. A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação. Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação. Um estudante é considerado reprovado a esta UC caso não obtenha aprovação na ALS. Esta UC poderá contemplar a participação de organizações externas ou empresas, que poderão propor projetos devidamente enquadrados no currículo e alinhados com os objetivos de aprendizagem da UC. A 1.ª Época e 2.ª 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