Complementos em Aprendizagem Automatizada / Advanced Machine Learning

Docente responsável:
Slavisa Tomic

Objetivos de aprendizagem (conhecimentos, aptidões e competências a desenvolver pelos estudantes):

OA1. O objetivo geral desta unidade curricular é complementar a formação na área de aprendizagem automatizada de vanguarda e adquirir conhecimentos em técnicas e algoritmos na fronteira da Inteligencia Artificial e Aprendizagem Automatizada e suas tendências.
OA2. O aluno deve adquirir competências em reconhecer as várias classes de algoritmos: aprendizagem automatizada não supervisionada, supervisionada e reforçada.
OA3. O aluno deve adquirir competências técnicas em keras e tensor-flow e saber aplicar algoritmos deep-learning. Em particular Multilayer Perceptrons (MLPs), Convolutional Neural Networks (CNNs) e Recurrent Neural Networks (RNNs) e suas combinações em deep learning. Autoencoders, Generative Adversarial Networks (GANS), Variational Autoencoders (VAES) e Deep Reinforcement Learning.

Intended learning outcomes (knowledge, skills and competences to be developed by the students):

LG1. The general goal of this curricular unit is to complement his competences in Machine Learning and provide the student with the knowledge and tendencies and some competences on the frontier of Machine Learning and A.I.. LG2. The student should acquire competences on distinguish the main classes in Machine Learning: Unsupervised, Supervised and Reinforcement learning.
LG3. The student should acquire competences in techniques such as: Keras and Tensor-Flow in deep-learning. In Particular Multilayer Perceptron’s (MLPs), Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs) combinations of the previous in topological architectures in deep learning. Autoencoders, Generative Adversarial Networks (GANS), Variational Autoencoders (VAES) and Deep Reinforcement Learning.

Conteúdos programáticos:
CP1: Introdução à Aprendizagem Automatizada Supervisionada, não Supervisionada e Reforçada e suas aplicações. CP2. Introdução às Multilayer Perceptron’s (MLPs).
CP3. Introdução às Convolutional Neural Networks (CNNs).
CP4. Introdução às Recurrent Neural Networks (RNNs).
CP5. Deep-Learning com topologias MLP, CNN, RNN e mistura.
CP6. Autoencoders.
CP7. Generative Adversarial Networks (GANS).
CP8. Variational Autoencoders (VAEs).
CP9. Reinforcement Learning e Deep Reinforcement Learning.
CP10. Fronteiras em I.A. e Aprendizagem Automatizada: (1) eXplainable A.I. – Black Boxes, White Boxes e para além. (2) CNN Manifold Learning (3) Aprendizagem automatizada baseada em teoria de grafos, (4) Alternativas às feed forward neural networks e back-propagation.

Syllabus:
PC1: Introduction to Supervised, Unsupervised and Reinforcement learning and its applications. PC2. Introduction to Multilayer Perceptron’s (MLPs).
PC3. Introduction to Convolutional Neural Networks (CNNs).
PC4. Introduction to Recurrent Neural Networks (RNNs).
PC5. Deep-Learning with different topologies: MLP, CNN, RNN and its mix.
PC6. Autoencoders.
PC7. Generative Adversarial Networks (GANS).
PC8. Variational Autoencoders (VAEs).
PC9. Reinforcement Learning and Deep Reinforcement Learning.
PC10. Frontiers in A.I. and Machine Learning: (1) eXplainable A.I. – Black Boxes, White Boxes and beyond. (2) CNN Manifold Learning (3) Graph based Machine Learning and deep learning (4) Alternatives to traditional feed-forward neural networks and back-propagation.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular:
OA1 – todos os CP
OA2 – todos os CP
OA3 – todos os CP

Evidence of the syllabus coherence with the curricular unit’s intended learning outcomes:
LG1 – all PC
LG2 – all PC
LG3 – all PC

Metodologias de ensino (avaliação incluída):
A metodologia de ensino (ME) e avaliação:
ME1: Expositiva: apresentação teórica de acordo com o plano curricular.
ME2: Experimental: realização de análises de dados em laboratório informático com software apropriado ao plano curricular.
ME3: Ativa: realização de um trabalho de projeto em grupo e sua apresentação oral (40%).
ME4: Auto-estudo: trabalho individual do aluno em trabalhos semanais a atribuir (60%).
Notas importantes da avaliação:
– Classificação mínima de 8 valores no trabalho de grupo e de 8 valores no trabalho autónomo do aluno.
– Os grupos do trabalho de projeto podem ser entre 2 e 3 alunos.

Teaching methodologies (including students’ assessment):
Teaching methodologies (TM) including assessment:
TM1: Expositional: Theoretical exposition according to the syllabus.
TM2: Experimental: data analysis in informatics laboratory with appropriate software according to the syllabus. TM3: Active: teamwork in a working project and its oral presentation (40%).
TM4: Self-study: individual work on a weekly basis working problems (60%).
Important assessment notes:
– Teamwork (working project) minimum grade 8 and individual weekly working problems minimum grade 8.
– The teamwork is with teams of 2 or 3 students.

Demonstração da coerência das metodologias de ensino com os objetivos de aprendizagem da unidade curricular:
ME1: todos os OA
ME2: todos os OA
ME3: todos os OA
ME4: todos os OA

Evidence of the coherence between the teaching methodologies and the intended learning outcomes:
TM1: all LG
TM2: all LG
TM3: all LG
TM4: all LG

Bibliografia de consulta/existência obrigatória:
Deep Learning, Ian Goodfellow and Yoshua Bengio, 2016, MIT Press.
Atienza, R. (2018). Advanced Deep Learning with Keras. Packt Publishing. Birmingham – Mumbai.
In addition, a number of curated recent scientific articles covering course topics will be added throughout the fifteen weeks of lectures.