-
Apresentação
Apresentação
Esta UC tem como objetivo conferir competências no campo da Aprendizagem profunda, dotando os alunos de conhecimentos sólidos e estruturados que lhes permitam entender conceitos teóricos e desenvolver código para resolução de problemas práticos de AP.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Licenciado | Semestral | 5
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
3 | Obrigatório | Português
-
Código
Código
ULHT6634-24450
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
1. Introdução: fundamentos de aprendizagem profunda, transformações não-lineares e sobreajustamento. 2. Redes neuronais artificiais, retropropagação e redes feedforward profundas. 3. Implementação e treino de redes neuronais profundas 4. Optimização e regularização de redes feedforward. Treino, teste e validação cruzada. 5. Redes de convolução, teoria e prática 6. Aprendizagem profunda não supervisionada com autoencoders. 7. Aprendizagem de representações e transferência de conhecimento. 8. Modelos geradores. 9. Redes recorrentes e problemas com dados sequenciais. 10. Aprendizagem por reforço. 11. Aspectos práticos da selecção, aplicação e optimização de redes profundas. 12. Modelos 'Large Language Models'
-
Objetivos
Objetivos
Compreender Princípios básicos de 'deep learning'. Fundamentos computacionais de redes profundas. Algoritmos de optimização, funções de activação, funções objectivo. Diferentes arquitecturas de redes profundas e sua utilidade: Densas, convolução, recorrentes, modelos geradores. Treino e regularização de redes profundas. A importância das características dos dados e da criação de conjuntos de treino, validação e teste. Ser capaz de: Seleccionar modelos e funções objectivo adequados para cada problema. Usar bibliotecas modernas de aprendizagem profunda. Implementar redes profundas, optimizar os seus hiper-parâmetros e treiná-las. Avaliar o treino dos modelos e a qualidade dos resultados. Conhecer: Tipos de problemas resolvidos com redes profundas. Arquitecturas e regularização de redes profundas. Métodos de selecção de modelos e hiper-parâmetros.
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
A lecionação é constituída por aulas teórico-práticas. A componente teórica é essencialmente expositiva, sendo a teoria apresentada em conjunto com exemplos concretos. Na componente prática são desenvolvidos e resolvidos problemas práticos ao nível da programação relacionados com a teoria lecionada. Nesta unidade curricular a avaliação inclui os seguintes elementos: Avaliação teórica, sob a forma de teste escrito, exercícios, com peso de 30% na nota final (nota mínima: 9.5 valores). Avaliação prática (projetos/problemas de programação/apresentações), com peso de 70% na nota final (nota mínima: 9.5 valores).
-
Bibliografia principal
Bibliografia principal
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning. CUP, https://d2l.ai Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning . MIT Press. https://deeplearningbook.org
-
Horário de Atendimento
Horário de Atendimento
-
Mobilidade
Mobilidade
Não
