-
Apresentação
Apresentação
Na sequência de Fundamentos de Estatística para Ciências de Dados e Programação Aplicada para Ciência de Dados, estas disciplina visa introduzir os conceitos de aprendizagem automatizada supervisionada. A introdução dos conceitos de regressão e de classificação permite ao aluno a identificação do tipo de problema a ser abordado. Isto permite aos estudantes adquirir competências para analisar problemas e definir estratégias de resolução. Dentre as diferentes possibilidades de modelagem do problema, o aluno será capaz de identificar as possíveis abordagens e decidir sobre a melhor solução para um determinado conjunto de dados.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Mestre | Semestral | 7
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
2 | Obrigatório | Português
-
Código
Código
ULHT6347-24297
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
CP1. Pré-processamento de dados CP2. Classificação: K-NN, Support Vector Machines, Kernel SVM, Naive Bayes PC3. Clusterização: K-Means, Hierarchical Clustering CP4. Redução de Dimensionalidade CP5. Seleção e Boosting do Modelo: Validação Cruzada k-fold, Ajuste de Parâmetros, Grid Search, XGBoost
-
Objetivos
Objetivos
OA1. A capacidade de organização e planeamento, a capacidade de análise e síntese, capacidade para resolver problemas e tomar decisões, capacidade de trabalhar em equipa, capacidade para aplicar na prática o conhecimento adquirido e capacidade para gerar novas ideias. OA2. Relativamente à componente técnica, na conclusão do curso, o aluno deverá ser capaz de discutir as principais noções e conceitos, tais como: Desenvolver técnicas de Machine Learning em Python Ter uma visão geral de muitos modelos de Machine Learning Fazer previsões precisas e análises poderosas Desenvolver modelos robustos de Machine Learning Utilizar Machine Learning para criar valor ao negócio Lidar com técnicas avançadas para Redução de Dimensionalidade Criar vários modelos de Machine Learning e entender como combiná-los para resolver um problema.
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
Os detalhes sobre métodos inovadores serão adicionados mais tarde.
-
Bibliografia principal
Bibliografia principal
T. Mitchell. Machine Learning, McGraw-Hill, 1997 C. M. Bishop. Pattern Recognition and Machine Learning, Springer, 2006.
-
Horário de Atendimento
Horário de Atendimento
-
Mobilidade
Mobilidade
Não