Conhecimentos de Base Recomendados

-

Objetivos

Esta UC proporcionará aos estudantes formação abrangente em ferramentas de aprendizagem de máquina / profunda (ML/DL), uma introdução às técnicas de AI generativa (GenAI), e modelação de dados em diferentes domínios de aplicação.

Objetivos de Aprendizagem:
OA1. Compreensão e aplicação de técnicas de AI emergentes (i.e., ML/DL, GenAI).
OA2. Compreensão e utilização de linguagens e ferramentas de programação para desenvolver aplicações de ML/DL (e.g., Python, Tensorflow, Pytorch).
OA3. Desenhar, implementar, treinar e validar modelos de ML/DL para processamento de dados.
OA4. Solução de problemas reais considerando os aspetos éticos e legais, e as implicações económicas e sociais da automatização de processos em cenários diversos (e.g., indústria 4.0/5.0, análise de dados biomédicos).

Métodos de Ensino

A metodologia de ensino engloba 4 grandes componentes:

Aulas Teórico-práticas (TP) - com recurso a “métodos tradicionais ajustados ao tempo atual”, i.e., exposição interativa e questionamento aos estudantes, mas incluindo sempre que possível a resolução acompanhada de exercícios simples e análise de casos de estudo.

Seminários (S) - com recurso a “métodos tradicionais ajustados ao tempo atual”, i.e., exposição interativa e questionamento aos estudantes, sobre tópicos específicos (escolhidos pelo docente), que os estudantes terão de desenvolver de forma independente, apresentar logo, e que serão avaliados de forma individual e coletiva, com a participação de todos os elementos da turma.

Aulas (práticas) de Laboratório (PL) - com recurso a “métodos centrados na indagação e na cooperação”, i.e., aprendizagem baseada em problemas e design thinking, para execução acompanhada e avaliação individual e/ou coletiva de trabalhos práticos em ambiente laboratorial, tendo como base a utilização de computadores pessoais, e possibilidade de pesquisa aberta em internet.

Orientação Tutorial (OT) - com recurso a “métodos centrados na indagação e na cooperação”, i.e., aprendizagem baseada em problemas e aprendizagem baseada em projetos, para acompanhamento da execução de projetos (na modalidade a distância), que poderá ser personalizada ou não, dependendo das capacidades e competências de cada estudante particular.

Por último, os estudantes terão de desenvolver um projeto relacionado com a solução de um problema prático real (com um grão maior de complexidade) de forma autónoma e no final, os alunos têm de entregar todo o código desenvolvido, elaborar um relatório, e submeterem-se a uma discussão com os docentes da UC.

Estágio(s)

Não

Programa

CP1-INTRODUÇÃO
Introdução, Conceitos Básicos,
Algoritmos de ML
Laboratórios:Álgebra para ML

CP2-ANNs
Perceptrons
Overfitting, regularização
Função de custo
Autoencoders
Arquiteturas Multimodais
Gradientes, Pesos
Lab:Otimização, Autoencoders

CP3-Ferramentas
Computação Simbólica
Modelos, normalização por lotes
Lab:Tensorflow

CP4-CNNs
Conceitos básicos
Dropout e pooling
Arquiteturas de CNNs
Transfer learning (TL)
Lab:CNNs, TL

CP5-Computer Vision
Introdução, Conceitos Básicos
Deteção de Objetos
Segmentação
Visualização e Interpretação
Lab:Deteção, Classificação

CP6-MODELOS SEQUENCIAIS
Introdução
RNNs, LSTM e GRU
Processamento de Texto
Geração de Sequências
RNN Bidirecionais
ELMO,Transformers
Arquiteturas CNN-LSTM
Lab:Séries, Padding, Masking, BERT

CP7-Introdução à GenAI
Introdução, Conceitos Básicos
Aplicações, Opções Tecnológicas, capacidades e limitações
ImpactonasEmpresas e naSociedade
Lab:GenAI

Demonstração de conteúdos

Alinhamento dos Objetivos de Aprendizagem (OA) com os Conteúdos Programáticos (CP):

O Objetivo de Aprendizagem OA1 será atingido mediante o trabalho desenvolvido nos Conteúdos Programáticos CP1, CP2.
O Objetivo de Aprendizagem OA2 será atingido mediante o trabalho desenvolvido no Conteúdo Programático CP3.
O Objetivo de Aprendizagem OA3 será atingido mediante o trabalho desenvolvido no Conteúdo Programático CP4, CP5, CP6, CP7.
O Objetivo de Aprendizagem OA4 será atingido mediante o trabalho desenvolvido no Conteúdo Programático CP4, CP5, CP6, CP7.

Demonstração da metodologia

As componentes de Compreensão e Aplicação dos Objetivos de Aprendizagem OA1 e OA2 são alcançados nas aulas TP com a exposição das matérias e resolução de exercícios, e com a realização dos laboratórios.

A Compreensão do Objetivo de Aprendizagem OA3 é avaliada / alcançada com a realização dos seminários e o teste, e a Compreensão do Objetivo de Aprendizagem OA4 é avaliada / alcançada com a realização do Projeto.

As componentes de Aplicação e Avaliação dos Objetivos de Aprendizagem OA1 a OA4 são alcançados mediante a realização do teste e o trabalho desenvolvido para o projeto final, em que os alunos terão de explorar / resolver um problema real. A avaliação da componente de Avaliação dos diversos Objetivos de Aprendizagem é feita através das duas componentes da avaliação TP e PL no seu conjunto.

Docente(s) responsável(eis)

Miguel Angel Guevara López - 1.º Semestre

Bibliografia

Principal:
- Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016) Deep Learning. MIT Press.
- Daniel A. Roberts, Sho Yaida, Boris Hanin (2022) The Principles of Deep Learning Theory. Cambridge UniversityPress.
- Aurelien Geron (2019) Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow : Concepts, Tools, andTechniques to Build Intelligent Systems. 2nd Edition. O'Reilly Media (US). ISBN: 9781492032649

Complementar:
- George A. Tsihrintzis, Lakhmi C. Jain (2020) Machine Learning Paradigms, Advances in Deep Learning-basedTechnological Applications. Learning and Analytics in Intelligent Systems (LAIS, volume 18), Springer.
- Adrian Rosebrock (2017) Deep Learning for Computer Vision with Python. Pyimageresearch
- Pramod Singh, Avinash Manure (2020) Learn TensorFlow 2.0 Implement Machine Learning and Deep Learning Modelswith Python. Apress