Currículo

Matemática para Aprendizagem Profunda MAP

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1: Identificar 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. Identificar 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. OA7. Identificar teoremas fundamentais sobre redes neuronais assimptóticas e aplicar esses resultados na análise crítica de modelos. OA8. Avaliar possíveis áreas de pesquisa para serem desenvolvidos em projeto.

Programa

1. Modelos matemáticos de neurónios e funções de ativação. 2. Hardware: Aceleradores de IA para aprendizagem profunda. 3. Algoritmos eficientes para operações matriciais e álgebra tensorial. 4. Backpropagation e diferenciação automática. 5. Problemas de classificação e de regressão com redes neuronais feedforward. 6. Teoremas de aproximação universal e análise assimptótica. 7. Redes de convolução e reconhecimento de imagem. 8. Técnicas de regularização. 9. Aprendizagem por reforço profunda 10. Modelos de IA sustentável.

Método de Avaliação

Avaliação ao longo do semestre: - quatro quizzes online realizados individualmente ao longo do semestre com o peso de 20% na nota final; - trabalho de investigação individual realizado ao longo do semestre (com entrega de um relatório escrito e uma componente de implementação em python), com o peso de 30% na nota final. O trabalho de investigação deverá corresponder ao desenvolvimento duma extensão livre do programa da cadeira, tendo de conter uma componente de implementação obrigatória; - teste final presencial com o peso de 50 % na nota final, com nota mínima de 7,5 valores. Avaliação por exame (1.ª Época em caso de escolha do estudante, 2.ª Época e Época Especial): Exame presencial (100% da nota final).

Carga Horária

Bibliografia

Principal

• "François Chollet, “Deep Learning with Python”, Manning, Second Edition 2021. Ovidiu Calin, “Deep Learning Architectures: A Mathematical Approach”, Springer, 2020. Maxim Lapan, “Deep Reinforcement Learning Hands On”, Packt, Second Edition 2020. " : . .

Secundária

Disciplinas de Execução