Currículo

Aprendizagem Automática Não Supervisionada 04101

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

No final da UC, o aluno deverá: OA1. Compreender os fundamentos teóricos e práticos da aprendizagem não supervisionada, abrangendo técnicas de redução de dimensionalidade e clustering. OA2. Avaliar, validar e interpretar os resultados de modelos não supervisionados, selecionando métricas adequadas e justificando as conclusões obtidas. OA3. Conceber e realizar projetos de descoberta de conhecimento desde a preparação de dados até à extração de insights, documentando a escolha de algoritmos e a análise crítica dos resultados. OA4. Identificar contextos de aplicação, em que a aprendizagem não supervisionada acrescenta valor ao formular o problema em termos adequados. OA5. Compreender os princípios dos sistemas de recomendação baseados em regras de associação, filtragem colaborativa e filtragem baseada em conteúdo. OA6. Implementar, avaliar e otimizar sistemas de recomendação, utilizando métricas adequadas, e discutindo aspetos de escalabilidade, ética e impacto no utilizador.

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 aglomeração: exploração de algoritmos como K-Means, DBSCAN, e clustering hierárquico. CP4. Análise e deteção de outliers através de técnicas não supervisionadas: KNN, LOF, iForest. CP5. 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. Sistemas de Recomendação: princípios gerais, filtragem colaborativa (user-based e item-based), filtragem baseada em conteúdo e abordagens híbridas. CP8. Avaliação e otimização de sistemas de recomendação: métricas (precisão, recall, cobertura, NDCG, lift) e implementação prática em estudos de caso.

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 [25% para a 1ª tutoria + 10% para o 1º mini-teste = 35%] - BA2: 2ª tutoria + 2º mini-teste [25% para a 2ª tutoria + 10% para o 2º mini-teste = 35%] - BA3: 1 projeto final [30%] 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 em sala de aula, permitem avaliar o conhecimento teórico aplicado a cada um dos projetos avaliados em tutoria. O projeto final consiste no desenvolvimento de um trabalho prático que agrega os conhecimentos e competências adquiridos ao longo do semestre. Em qualquer BA, poderá ser necessária uma discussão oral individual para confirmação de autoria e/ou aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre. 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. 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 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

• 1. Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature. 2. Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer. 3. Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC. 4. McAuley, J. (2022). Personalized machine learning. Cambridge University Press.:

Secundária

• 5. Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda. 6. Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer. 7. Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC. 8. Falk, K. (2019). Practical recommender systems. Manning Publications. 9. Ricci, F., Rokach, L., & Shapira, B. (Eds.). (2022). Recommender systems handbook (3.a ed.). Springer.:

Disciplinas de Execução

2025/2026 - 2º Semestre

2025/2026 - 2º Semestre