Currículo

Fundamentos Matemáticos para Aprendizagem Profunda FMAP

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1: Reconhecer as várias componentes dum modelo de aprendizagem profunda com redes neuronais. OA2: Implementar, em versão stand-alone, usando python, versões simplificadas das componentes implícitas em OA1. OA3. Relacionar diferentes arquiteturas com a resolução de diferentes problemas. OA4. Aplicar técnicas de regularização para melhorar a performance de modelos de aprendizagem profunda. OA5. Conhecer em detalhe e aplicar o algoritmo DQN no contexto de aprendizagem por reforço. OA6. Utilizar a biblioteca Keras na implementação de modelos de aprendizagem profunda com vista à resolução de problemas em reconhecimento de imagem, processamento de linguagem natural e aprendizagem por reforço.

Programa

1. Regressão linear. 2. Classificadores lineares. 3. Redes neuronais densas e backprop. 4. Diferenciação automática. 5. Introdução ao TensorFlow e ao Keras 6. Técnicas de regularização. 7. Redes de convolução. 8. Data augmentation e fine-tuning. 9. Introdução à aprendizagem por reforço profunda

Método de Avaliação

Os alunos deverão poderão seguir um de dois modelos de avaliação: Modelo 1 (Avaliação Regular): Teste escrito 1 (35%), nota mínima 8.0 em 20.0 Teste escrito 2 (35%), nota mínima 8.0 em 20.0 Participação na aula (30%) Modelo 2 (Avaliação por exame): Exame escrito (100%) Observação: Todos os momentos de avaliação estão sujeitos a uma eventual discussão oral, que poderá alterar total ou parcialmente a classificação de cada item abordado na discussão.

Carga Horária

Bibliografia

Principal

• - François Chollet, “Deep Learning with Python”, Manning, Second Edition 2021. - Maxim Lapan, “Deep Reinforcement Learning Hands On”, Packt, Second Edition 2020.:

Secundária

• - Ian Goodfellow and Yoshua Bengio, and Aaron Courville, "Deep Learning", MIT press, 2016:

Disciplinas de Execução