Currículo
Aprendizagem Profunda Aplicada APA
Contextos
Groupo: Tecnologias Digitais Emergentes > Pós-Graduação (2º Ciclo) > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
OA1: Compreensão Teórica: Explicar os fundamentos teóricos da aprendizagem profunda, incluindo RN, backpropagation e técnicas de otimização. Descrever arquiteturas populares de RN, como CNNs, RNNs, LSTMs e GANs. OA2: Aplicação Prática: Implementar e treinar modelos de aprendizagem profunda utilizando frameworks como TensorFlow, Keras, OpenCV e PyTorch. Aplicar técnicas de deep learning a problemas específicos em visão computacional (e.g., reconhecimento de imagem), processamento de linguagem natural e IA generativa OA3: Análise e Avaliação: Avaliar a performance dos modelos de aprendizagem profunda utilizando métricas apropriadas. Identificar e resolver problemas de overfitting, underfitting e outras questões relacionadas ao treinamento de modelos. OA4: Projeto e Implementação: Desenvolver projetos aplicados que utilizem aprendizagem profunda para resolver problemas práticos. Integrar técnicas de IA generativa em projetos, como redes Generative Adversarial Networks (GANs) e transformadores.
Programa
PC1 Representação e operações em imagens PC2 Extração de características de imagem PC3 Introdução à aprendizagem automática PC4 Redes neuronais clássicas PC5 Redes neuronais convolucionais PC6 Transferência de conhecimento PC7 Redes Neuronais Recorrentes (RNNs) e LSTMs para processamento sequencial. PC8 Generative Adversarial Networks (GANs) PC9 Arquiteturas de redes para deteção e identificação de objetos PC10 Arquiteturas de redes para geração automática de conteúdos PC11 Projeto Aplicado
Método de Avaliação
Entrega de 10 tarefas, respondendo aos critérios de cada solicitação do docente, com o peso de 50% da nota final e classificação mínima de 8,5 valores. As tarefas incluem atividades, desenvolvidas individualmente ou em grupo, nas sessões síncronas e em sessões assíncronas agendadas pelo docente, bem como intervenções em fóruns de discussão mediados. - Projeto de aplicação previamente estabelecido pelo docente e respetiva discussão oral em grupo, com o peso de 50% na nota final e classificação mínima de 8,5 valores. A média final terá de ser igual ou superior a 9,5 valores. De acordo com o Regulamento Geral de Avaliação de Conhecimentos e Competências do Iscte, esta UC é classificada como UC de projeto, pelo que não contempla avaliação por exame.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 125.0
Carga Total -
Bibliografia
Principal
- Generative Deep Learning - Teaching Machines To Paint, Write, Compose, And Play: de David Foster Editor: O'Reilly Media - ISBN: 9781098134181
- Generative AI with Python and TensorFlow 2: Create images, text, and music with VAEs, GANs, LSTMs, Transformer models.: by Joseph Babcock and Raghav Bali. Packt Publishing (April 30, 2021) 2021 ISBN-10 : 1800200889
- Tutoriais e documentação das bibliotecas OpenCV e Tensorflow: - -
- Learning OpenCV 4 with Python 3: 3rd Edition, Joseph Howse, Joe Minichino, Packt Publishing 2020
- Deep Learning: I. Goodsfellow, Y. Bengio e A. Courville, MIT Press, 2016 2016
- Feature Extraction and Image Processing for Computer Vision: 4th Edition, M. Nixon e Alberto Aguado, Academic Press 2019