Curso Técnico Superior Profissional
Robótica e Inteligência Artificial
Área Científica
481 – Ciências Informáticas
Duração
Semestral
Unidade Curricular
Machine Learning II
ECTS
3
Horas de Contacto Teórico Práticas
50h ( TP 50h )
Objetivos da Aprendizagem
– Construir e treinar uma rede neural com TensorFlow para efetuar uma classificação multiclasse
– Aplicar as melhores práticas para o desenvolvimento da “machine learning”, de modo que os seus modelos se generalizem aos dados e tarefas no mundo real
– Construir e utilizar árvores de decisão e métodos de montagem de árvores, incluindo florestas aleatórias e árvores impulsionadas
Conteúdos Programáticos
Redes Neuronais:
Neurónios e o cérebro
Predição da procura
Camada de rede neural
Redes neurais mais complexas
Inferência: fazer previsões (propagação para a frente)
Inferência em Código
Dados em TensorFlow
Construir uma rede neural
Prumo frontal numa única camada
Implementação geral da propagação a prazo
Como as redes neurais são implementadas eficientemente
Matriz de multiplicação
Regras de multiplicação de matrizes
Código de multiplicação matricial
Treino de redes neurais:
Implementação de TensorFlow
Detalhes da formação
Alternativas para a ativação sigmóide
Escolha das funções de ativação
Multiclasse
Softmax
Rede neural com saída Softmax
Melhor implementação de softmax
Regras para a aplicação da aprendizagem mecânica:
Avaliação de um modelo
Seleção de modelos e conjuntos de formação/validação cruzada/teste
Diagnosticar o preconceito e a variação
Regularização e desvio/variação
Estabelecimento de um nível de base de desempenho
Curvas de aprendizagem:
Decidir o que tentar na próxima revisão
Polarização/variação e redes neurais
Laço iterativo do desenvolvimento do ML
Análise de erros
Acrescentar dados
Transferência de aprendizagem: utilização de dados de uma tarefa diferente
Ciclo completo de um projecto de “machine learning”
Equidade, parcialidade e ética
Métricas de erro para conjuntos de dados enviesados
Troca de precisão e recall
Árvores de decisão:
Modelo de árvore de decisão
Processo de aprendizagem
Medir a pureza
A escolha de uma divisão: Ganho de informação
Utilização de codificação de características categóricas com um só disparo
Características continuamente valorizadas
Árvores de Regressão
Utilização de árvores de decisão múltipla
Amostragem com substituição
Algoritmo florestal aleatório
XGBoost
Bibliografia e recursos didáticos recomendados
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)