ISLA IPGT 26725

Machine Learning II

• ApresentaçãoPresentation

  A Unidade Curricular de Machine Learning II aprofunda os fundamentos e as metodologias de aprendizagem automática, articulando Inteligência Artificial, Data Science e extração de conhecimento. Aborda o processo CRISP-DM, preparação e transformação de dados, prevenção de data leakage, treino, avaliação e otimização de modelos, bem como técnicas de aprendizagem supervisionada e não supervisionada. São explorados algoritmos como regressão linear e logística, árvores de decisão, Random Forest, Gradient Boosting, K-Means e clustering hierárquico. A UC privilegia uma abordagem prática, recorrendo ao desenvolvimento e interpretação de soluções integradas de Machine Learning em Python, com atenção à transparência, enviesamento e utilização responsável dos modelos.
• ProgramaProgramme

  Conteúdos programáticos Introdução: extração de conhecimento; metodologia CRISP-DM; formulação de problemas de Machine Learning; repositórios públicos de dados e aplicações. Preparação e transformação dos dados: tipos de variáveis, análise exploratória, limpeza, valores omissos, outliers, codificação, normalização, discretização, seleção e transformação de características, pipelines e prevenção de data leakage. Treino, avaliação e otimização: treino, validação e teste; holdout e validação cruzada K-fold; funções de perda; overfitting e underfitting; métricas; classes desequilibradas; seleção de modelos e hiperparâmetros. Aprendizagem supervisionada: regressão linear e logística, árvores de decisão, Random Forest e Gradient Boosting. Aprendizagem não supervisionada: clustering, K-Means e clustering hierárquico. Interpretação e aplicação: características, previsões, enviesamento, transparência, utilização responsável e solução integrada em Python.
• ObjectivosObjectives

  Desenvolver os princípios e as caraterísticas de Machine Learning, com as metodologias da Procura, Representação do Conhecimento e Raciocínio, Planeamento e Aprendizagem Automática. Introduzir o conceito de Inteligência Artificial com Machine Learning. As bases essenciais de Inteligência Artificial nos domínios de Machine Learning e Data Science. O Aprendizado de Máquina ou Machine Learning: algoritmos supervisionados e algoritmos não supervisionados.
• BibliografiaBibliography

  Applied Machine Learning Solutions with Python: Production-ready ML Projects Using Cutting-edge Libraries and Powerful Statistical Techniques, Siddhanta Bhatta Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) by Dr Ruchi Doshi (Author), Dr Kamal Kant Hiran (Author), Ritesh Kumar Jain (Author), Dr Kamlesh Lakhwani (Author).  
• MetodologiaMethodology

  A metodologia de ensino combina exposição e discussão dos conteúdos com uma forte componente prática, através da resolução de exercícios e do desenvolvimento de aplicações em Python. São utilizadas metodologias ativas e inovadoras, designadamente Project-Based Learning e Problem-Based Learning, promovendo a resolução de problemas reais com conjuntos de dados, a experimentação e a tomada de decisão. Recorre-se ainda a learning by doing, estudos de caso, aprendizagem colaborativa e utilização orientada de ferramentas de Inteligência Artificial como apoio à programação, análise e interpretação de resultados. O Moodle suporta a disponibilização de recursos, atividades e acompanhamento contínuo da aprendizagem, promovendo autonomia, pensamento crítico e aplicação prática dos conhecimentos.
• LínguaLanguage

  Português
• TipoType

  Semestral
• ECTS

  6
• NaturezaNature

  Obrigatório
• EstágioInternship

  Não
• AvaliaçãoEvaluation

  Descrição dos instrumentos de avaliação (individuais e de grupo) - testes, trabalhos práticos, relatórios, projetos... respetivas datas de entrega/apresentação... e ponderação na nota final.

   

  Descrição	Data limite	Ponderação
  Teste de avaliação	13-01-2027	60%
  Trabalho de avaliação individual	07-01-2027	30%
  Assiduidade e participação	---	10%

   

  Adicionalmente poderão ser incluídas informações gerais, como por exemplo, referência ao tipo de acompanhamento a prestar ao estudante na realização dos trabalhos; referências bibliográficas e websites úteis; indicações para a redação de trabalho escrito...