Currículo

Tópicos de Matemática em Aprendizagem Automática TMAA

Contextos

Groupo: Inteligência Artificial > 2º Ciclo > Parte Escolar > Unidades Curriculares Obrigatórias

ECTS

6.0 (para cálculo da média)

Objectivos

OA1. Conhecer conceitos fundamentais de álgebra linear, teoria das probabilidades e informação. OA2. Aplicar as técnicas anteriores (OA1) no contexto de aprendizagem automática, em particular, implementando métodos de Kernel e processos Gaussianos em problemas de regressão e classificação. OA3. Dominar técnicas fundamentais de análise de Fourier e wavelets. OA4. Utilizar os métodos anteriores (OA1 e OA3) no contexto de processamento de sinal e imagem. OA5. Aplicar algoritmos básicos de programação dinâmica à resolução de problemas via aprendizagem por reforço. OA6. Implementar em Python as técnicas referidas.

Programa

I - Álgebra Linear, probabilidades e informação. 1. Produtos internos e decomposição de matrizes. 2. Análise de componentes principais. 3. Variáveis aleatórias, informação e entropia. 4. Métodos de Núcleo e processos Gaussianos em regressão e classificação. II - Processamento de sinal. 1. Transformada de Fourier discreta, FFT e convolução. 2. Wavelets discretas. 3. Aplicações ao processamento de som e imagem. III - Programação dinâmica e aprendizagem por reforço. 1. O contexto da aprendizagem por reforço. 2. A equação de Bellman. 3. Métodos iterativos e aplicações. 4. Métodos de Monte Carlo.

Método de Avaliação

Esta UC, tendo uma forte componente de caráter eminentemente prático, contempla unicamente a modalidade de avaliação ao longo do semestre. Para tal, é requisito mínimo a assiduidade a 50% das aulas. A avaliação será feita através de 2 fichas de exercícios, 2 projetos, e uma prova escrita final. Cada ficha de exercícios vale 10% da nota final (em conjunto valem 20%), e são realizadas individualmente por escrito. Cada projeto vale 15% da nota final (em conjunto valem 30%), e é para ser desenvolvido e implementado em Python. Os projetos são realizados em grupos de 3 pessoas, preferencialmente, e estarão sujeitos a uma discussão final. A prova escrita final (valendo 50% da nota final) coincide com as datas de exame de 1ª época e 2ª época, e engloba toda a matéria da UC, exceptuando qualquer a implementação em Python. Para obter aprovação à UC uma nota mínima de 8.0 valores é exigida nesta prova escrita final. A época especial está reservada para os casos previstos no Artigo 14o do Regulamento Geral de Avaliação de Conhecimentos e Competências (RGACC).

Carga Horária

Carga Horária de Contacto -

Trabalho Autónomo - 119.0

Carga Total -

Bibliografia

Principal

  • 1. Ian Goodfellow, Yoshua Bengio e Aaron Courville, "Deep learning", MIT press, 2016. 2. Christopher M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006. 3. Richard S. Sutton and Andrew G. Barto, "Reinforcement Learning: an introduction", MIT press, 2nd edition, 2018. 4. Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola, "Dive into Deep Learning", 1st Edition, Cambridge University Press, 2024.:

Secundária

  • 1. Francois Chollet, "Deep Learning with Python", Second Edition, Manning Publications Co., 2021. 2. Steven L. Brunton and J. Nathan Kutz, “Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control”, Cambridge University Press, 1st edition, 2019.:

Disciplinas de Execução

2025/2026 - 1º Semestre

2024/2025 - 1º Semestre