Complementos de Aprendizagem Automática

Informação

Corpo docente: Ana Maria Tomé

Duração: Semestral

Horas de trabalho: 162

Horas de contacto: 45

ECTS: 6

Área científica: Informática

Objetivos

Ampliar o conhecimento dos alunos na área de aprendizagem automática para além dos princípios fundamentais e mais tradicionais.

Resultados de Aprendizagem

  • Compreender a formulação dos diferentes tipos de modelos.
  • Compreender e aplicar modelos probabilísticos.
  • Compreender os modelos baseados em variáveis latentes.
  • Compreender as várias abordagens para transformação dos dados.
  • Compreender as implicações da dimensionalidade dados

Requisitos

Conhecimentos de aprendizagem automática.

Avaliação

A avaliação terá três componentes: leitura de trabalhos de investigação já publicados, e posterior síntese escrita (20%); projecto prático relacionado com as técnicas e/ou uma aplicação concreta (30%); exame escrito que avaliará a compreensão teórica do estudante (50%).

Metodologia

O ensino será baseado em aulas teóricas de exposição da matéria, acompanhada por exercícios práticos laboratoriais e/ou demos (notebooks).

Conteúdos

  • Classificação. Os classificadores clássicos (vizinhos mais próximos, discriminante linear, discriminante logístico, regra de Bayes)
  • Desenho e análise de experiências de aprendizagem
  • Métodos de Kernel
    • A superfície de decisão de um classificador linear
    • Definição do hiperplano ótimo. Definição de margem. Funções de kernel e o truque de kernel
    • Máquina de vetores suporte (SVM)
    • SVM para uma classe; SVM multiclasse
  • Métodos Probabilísticos
    • Estimação de parâmetros de distribuição discreta (Dirichlet e Beta)
    • Estimação de parâmetros de distribuição Gaussiana
    • Estimação Bayesiana de uma função
    • Modelos de variável latente e o algoritmo EM; Estimação de um modelo de misturas
    • Modelos Bayesianos não paramétricos
    • Modelos Latentes de Dirichlet
  • Novas representações dos dados
    • Dimensão intrínseca dos dados. Transformações
    • Modelos de factorização de matrizes:. Decomposição em valores singulares (SVD). SVD, componentes principais (PCA) ;Análise de Correlação canónica(CCA); Componentes independentes(ICA); Decomposição em factores não negativos (NMF).
    • Aprendizagem de dicionários (k-SVD)
    • Métodos de decomposição low-rank. Modelos Esparsos e PCA robusto
    • Modelos não lineares: Kernel PCA e Local Linear Embedding (LLE)

Bibliografia recomendada

  • Ethem Alpaydin: Introduction to Machine Learning – (4th edition- 2020)- MIT Press
  • Sergio Theodoridis: Machine Learning a Bayesian and Optimization Perspective. 2015, Academic Press.