Currículo

Aprendizagem Automática Não Supervisionada 04101

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1. Compreender os principais métodos de aprendizagem não supervisionada OA2: Avaliar, validar e interpretar os resultados de modelos não supervisionados OA3: Desenvolver projetos de descoberta de conhecimento a partir de dados utilizando modelos de aprendizagem não supervisionada OA4: Conhecer, através da abordagem de vários contextos de problemas (por exemplo, segmentação de clientes) nos quais a aprendizagem não supervisionada pode efetivamente proporcionar soluções relevantes para esses problemas OA5. Compreender os fundamentos teóricos e práticos da aprendizagem por reforço OA6. Implementar e testar algoritmos de aprendizagem por reforço em ambientes simulados para entender a dinâmica entre as ações e consequentes recompensas OA7. Avaliar e otimizar o desempenho de modelos de aprendizagem por reforço, utilizando métricas apropriadas OA8. Aprender e aplicar os algoritmos não supervisionados e por reforço em casos de estudo práticos

Programa

CP1: Introdução à aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas. CP2: Redução de dimensionalidade e visualização de dados: Análise de Componentes Principais (PCA), t-SNE e UMAP para redução de dimensionalidade e interpretação visual. CP3: Clustering e técnicas de segmentação: exploração de algoritmos como K-Means, DBSCAN, Expectation-Maximization (EM), clustering hierárquico. CP4: Análise e deteção de outliers através de técnicas não supervisionadas: KNN, LOF, iForest CP5: Mapas Self-Organizing (SOMs): aplicação de mapas auto-organizáveis para visualização e análise de padrões complexos em grandes volumes de dados. CP6: Regras de associação e algoritmo de Apriori. CP7: Técnicas de aprendizagem por reforço: Q-Learning, SARSA. Introdução aos conceitos e implementação prática. CP8: Exploration vs. exploitation na aprendizagem por reforço: estratégias para equilibrar a tomada de decisão.

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 [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 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

• Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature. Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer. Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC. Szepesvari, C. (2010). Algorithms for reinforcement learning (R. Brachman & T. Dietterich, Eds.; 1.a ed.). Morgan & Claypool.:

Secundária

• Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda. Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer. Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning, second edition: An Introduction (2.a ed.). MIT Press.:

Disciplinas de Execução

2025/2026 - 1º Semestre

2023/2024 - 1º Semestre

2024/2025 - 1º Semestre