Os estudantes deverão ficar a conhecer os fundamentos algorítmicos da aprendizagem automática, assim como técnicas de resolução dos desafios apresentados por cada conjunto de dados. Deverão ser capazes de selecionar os algoritmos adequados para cada problema e de aplicar os algoritmos a novos conjuntos de dados e a compreender e avaliar os seus resultados.

Resultados de aprendizagem e competências

- Compreensão dos fundamentos dos algoritmos e metodologias de machine learning apresentados
- Capacidade de justificar a escolha de uma solução de machine learning a um determinado problema
- Capacidade de aplicação dos algoritmos a novos conjuntos de dados
- Capacidade de avaliação dos resultados

- Modelos simples de classificação e regressão (modelos lineares e de vizinho mais próximo) e a sua validação: paradigmas de aprendizagem, funções de perda, erro de viés e de variância.

- Métodos de inferência de modelos: Procura, Expectation-maximization, agregação.

- Métodos de kernel

- Redes neuronais, modelos deep e aprendizagem de representação

- Fatorização de matrizes

- Avaliação de modelos

- Descoberta de padrões não supervisionada, semi-supervisionada e fracamente supervisionada.

As metodologias de ensino predominantes serão a exposição de conceitos, com recurso a slides e a demonstração de exemplos laboratório de informática. Os estudantes serão constantemente desafiados a resolver novos problemas, com base nos exemplos já demonstrados, e a refletir sobre os resultados e desempenho do processos de armazenamento e processamento em estudo.