Autenticação

Utilizador:

Senha:

Iniciar sessão

Esqueceu-se da senha?

Extração Automática de Informação

Código:

MES10

Sigla:

EAI

Áreas Científicas
Classificação	Área Científica
OFICIAL	Informática

Ocorrência: 2022/2023 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Sistemas e Informática
Curso/CE Responsável:	Mestrado em Engenharia de Software

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MES	17	Plano de Estudos 2017-2018	2	-	7,5	-	202,5

Língua de trabalho

Português

Objetivos

- Aquisição de conhecimento para a formulação de um problema prático usando técnicas de reconhecimento de padrões
- Assegurar que os alunos adquirem capacidade de implementação e utilização de vários algoritmos de classificação supervisionada e não-supervisionada
- Fornecer competências teóricas e práticas para efetuar análise inteligente de dados não estruturados, nomeadamente em textos, e em particular recorrendo a exemplos comuns na internet, tais como páginas web, mensagens assíncronas e de e-mail, usando as técnicas de reconhecimento de padrões adquiridas nesta UC.

Resultados de aprendizagem e competências

- Contacto com um conjunto de aplicações de análise inteligente de dados não estruturados incluindo a classificação documental, sistemas de recomendação web, análise de sentimentos em redes sociais, deteção de cibercrime, e outros.
- Desenvolvimento nos alunos da curiosidade científica e de capacidades para investigar aspetos inovadores na área de reconhecimento de padrões.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Probabilidades e Estatistica
Inteligência Artificial

Programa

Aspetos lecionados principalmente nas aulas teórico-práticas:
1. Introdução ao Reconhecimento de Padrões
1.1. Natureza do Problema
1.2. Áreas de Aplicação
1.3. Classificação Supervisionada e não-Supervisionada
2. Árvores de Decisão
2.1. Aprendizagem por Indução.
2.2. Algoritmo ID3
2.3. Regras Lógicas
3. Projeto de Classificador
3.1. Espaço vetorial de características
3.2. Funções Discriminantes
3.3. Matriz de confusão
3.4. Critério de avaliação
4. Redução de Dimensionalidade: Seleção vs. Extração de Características
5. Teoria da Decisão
5.1. Classificação Supervisionada Paramétrica: Modelo das Observações
5.1.1. Classificador de máximo a posteriori (MAP)
5.1.2. Classificador de Bayes
5.1.3. Estimação Paramétrica do Modelo das Observações
5.2. Classificação Supervisionada Não-Paramétrica
5.2.1. Classificador k-NN
6. Classificação não-Supervisionada
6.1. Algoritmo K-Médias
6.2. Clustering Hierárquico
Aspetos lecionados principalmente nas aulas prático-laboratoriais:
7. Mineração de Texto
7.1. Informação não Estruturada
7.2. Expressões Regulares
7.3. Operações Elementares
7.4. Técnicas de Pre-processamento
7.5. Seleção e Extração de Características
7.6. Categorização de Textos
7.7. Avaliação de Desempenho
8. Descoberta de Conhecimento
8.1. Medidas de Similaridade
8.1.1. Coocorrência de termos
8.1.2. Cosseno
8.1.3. Similaridade semântica
8.2. Pesquisa de documentos na web
8.3. Extração de Informação
8.3.1. Extração de Entidades
8.3.2. Extração de Relações
9. Aplicações

Bibliografia Obrigatória

Jorge Salvador Marques; Reconhecimento de Padrões, IST-Press, Lisboa

Bibliografia Complementar

Ronen Feldman and James Sanger, ; The Text Mining Handbook: Advanced Approaches In Analyzing Unstructured Data, Cambridge University Press. ISBN: ISBN-13 978-0-521-83657-9

Métodos de ensino e atividades de aprendizagem

Aulas teórico-práticas: exposição com auxílio de slides e exercícios de consolidação.
Aulas de laboratório: Exercícios de programação para resolver no computador, enquadrados por uma contextualização teórica prévia.
Será ainda estimulada a aprendizagem ativa por parte dos alunos, relativamente a aspetos do progama da UC ligados à aprendizagem automática, que os alunos desejem aprofundar de forma autónoma.
A utilização de meios de ensino à distância decorrentes da situação atual é documentada em anexo

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Apresentação/discussão de um trabalho científico	15,00
Exame	30,00
Trabalho escrito	55,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	35,00
Estudo autónomo	10,00
Frequência das aulas	25,00
Trabalho de investigação	10,00
Trabalho escrito	20,00
Total:	100,00

Obtenção de frequência

Modo de avaliação contínua: Apresentação e artigo sobre um tema de investigação 15% + 2 Testes 15% + 15% + Projeto 55%.

A aprovação exige que em cada um dos elementos se obtenha nota igual ou superior a 7.

Fórmula de cálculo da classificação final

Modo de avaliação por exame:: Exame 45% + Projeto 55%.

A aprovação exige que em cada um dos elementos se obtenha nota igual ou superior a 7.

a referência aos mecanismos de mitigação da fraude e suas consequências é o Despacho n.º 40/Presidente/2021

Melhoria de classificação

Repetição de Exame e Projeto