-
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
ULP6613-24297
-
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. Regressão: Regressão Linear Simples, Regressão Linear Múltipla, Regressão Polinomial, Árvore de Decisão, Regressão Random Forest, Support Vector Regression. CP3. Classificação: Regressão Logística, K-NN, Support Vector Machines, Kernel SVM, Naive Bayes, Árvore de Decisão, Classificação Random Forest. 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
Implementação de ténicas de aprendizagem com base nas metodologias ativas.
-
Bibliografia principal
Bibliografia principal
Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow : concepts, tools, and techniques to build intelligent systems. Sebastopol, CA: O'Reilly Media. ISBN: 978-1491962299
-
Horário de Atendimento
Horário de Atendimento
-
Mobilidade
Mobilidade
Não