Conhecimentos de Base Recomendados

Noções básicas de programação Python e de álgebra linear

Objetivos

Que os alunos adquiram e consolidem conhecimentos, aptidões e competências para:

1. Reconhecer os desafios e necessidades específicas da análise de dados.
2. Recolher (capturar), explorar, limpar, munir, e manipular conjuntos dados (Big-data).
3. Conhecer (estudar) os fundamentos e possibilidades de aplicação das técnicas de aprendizagem automática.
4. Implementar modelos de aprendizagem automática (e.g., regressão, classificação, árvores de decisão, redes de neurónios artificiais), com recurso à linguagem de programação Python e às ferramentas/bibliotecas disponíveis de código aberto.
5. Desenvolver projetos que representem soluções a problemas práticos reais, principalmente aplicações na área de análise de dados de saúde, com recurso à análise e exploração de conjuntos de dados (datasets) públicos e/ou privados disponibilizados.

A UC “Análise de Dados e Aprendizagem Automática” pretende dotar aos estudantes de conhecimentos que permitam reconhecer os desafios e necessidades específicas do processamento e análise de dados e em particular preparar o caminho para desenvolver capacidades de modelação específica no contexto Big-data. Fazer compreender os critérios para diferenciar e selecionar classes de algoritmos e métodos, bem como os pressupostos da sua utilização com recurso a técnicas emergentes de machine learning e inteligência artificial (IA). Desenvolver competências teórico-práticas de exploração de conjuntos de dados (datasets) com base na linguagem de programação Python e na utilização de algoritmos e métodos desenvolvidos / estabelecidos em ferramentas/bibliotecas comuns (de código aberto) testadas e disponibilizadas pela comunidade de investigação e desenvolvimento em ciência de dados e IA. Entre outros tópicos serão introduzidos os conceitos de Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada e Aprendizagem por Reforço. Pretende-se particularmente que os estudantes sejam capazes de aplicar as técnicas de análise de dados e aprendizagem automática desenvolvidas sobre dados de pacientes / registos de saúde (dados clínicos, análise de imagem médica, etc).

Métodos de Ensino

O ensino terá 3 grandes componentes:

• Aulas teórico-práticas - parcialmente expositivas e com recurso intensivo a resolução acompanhada de exercícios, análise de casos de estudo e dois seminários sobre tópicos específicos, que irão decorrer na totalidade a distância.


• Aulas de Laboratório - para execução acompanhada e avaliação individual de trabalhos práticos em ambiente informático para computadores pessoais, internet e dispositivos móveis.


• Orientação Tutorial - para acompanhamento personalizado da preparação dos seminários e execução de projetos a distância.

Estágio(s)

Não

Programa

PARTE 1: INTRODUÇÃO
1. Introdução à Análise de Dados e Aprendizagem de Máquina (ML)
1.1. O que é a Ciência dos Dados (DS)? Porque é que a DS é importante?
1.2. Blocos de construção da análise
1.3. Exemplos de análise de dados
1.4. O que é o ML? Porquê usar o ML?
1.5. Ciclo de vida do ML
1.6. Avaliação do desempenho
2. Introdução à Programação em Python
2.1. Instalar o Python, Ferramentas de Python
2.2. Controlo de Fluxo (Lógica condicional, loops e funções)
2.3. Coleções em Python (Trabalho com Estruturas de Dados)
2.4. Introdução a Numpy e Pandas
3. Captura e Pré-processamento de Dados
3.1. Captura / Leitura de Dados
3.2. Extração e Transformação de Características
3.3. Redução da Dimensionalidade
3.4. Clustering

PARTE 2: ALGORITMOS E MÉTODOS
4. Técnicas de Aprendizagem de Máquina.
4.1. Definição, Terminologia, Tarefas, Problemas, Objetivos, Desafios.
4.2. Ferramentas/bibliotecas Python
4.3. Tipos de aprendizagem
4.4. Aprendizagem supervisionada
4.4.1. Classificação
4.4.2. Treino de Modelos (Abordagens de Regressão e Regressão Logística)
4.4.3. Máquinas de Suporte Vetorial
4.4.4. Árvores de decisão
4.4.5. Random Forest
4.4.6. Ensemble Learning
4.4.7. Redução da dimensionalidade
4.5. Aprendizagem não supervisionada
4.5.1. Clustering
4.5.2. Misturas Gaussianas
5. Redes Neurónios e Aprendizagem Profunda
5.1. Introdução às Redes Neuronais Artificiais
5.2. Formação de Redes de Neurónios Profundas
5.3. Modelos personalizados
5.4. Carregamento e Pré-processamento de dados
5.5. Redes Convolucionais (Computer Vision)
5.6. Processamento de Sequências (RNNs e CNNs)
5.7. Processamento de Linguagem natural
5.8. Representação e Aprendizagem Generativa (Autoencoders and Generative Adversarial Networks)

PARTE 3: APLICAÇÕES
6. Exemplos de aplicações
6.1. Classificação
6.2. Regressão
6.3. Clustering

Demonstração de conteúdos

-

Demonstração da metodologia

-

Docente(s) responsável(eis)

Miguel Angel Guevara López - 1.º Semestre

Bibliografia

Ethem Alpaydın; Introduction to Machine Learning, Second-Edition, MIT Press, 2010
Ian Goodfellow, Yoshua Bengio, and Aaron Courville; Deep Learning, 2016. ISBN: 978-0262035613
Max Kuhn, Kjell Johnson; Applied Predictive Modeling, Springer, 2016. ISBN: 978-1-4614-6849-3 (eBook).
Stuart Russell, Peter Norvig; Artificial Intelligence: A Modern Approach, 4th Edition, 2021. ISBN: 978-0134610993
Trevor Hastie, Robert Tibshirani, and Jerome Friedman; The Elements of Statistical Learning: Data Mining, Inference, and Prediction., Springer, 2009. ISBN: 978-0387848570
Andriy Burkov; The Hundred-Page Machine Learning Book.. , 2019. ISBN: 978-1999579500
Sebastian Raschka, Vahid Mirjalili; Python Machine Learning Third Edition, Packt Publishing, 2019
M. Mohri, A. Rostamizadeh, A. Talwalkar; Foundations of Machine Learning, Second Edition, MIT Press, 2018