Applied Artificial Intelligence & Machine Learning

MÓDULO OPCIONAL: INTRODUÇÃO AO PYTHON

• Preparação do ambiente (instalar o Python, editor de texto, linha de comandos)
• Conceitos fundamentais
• Tratamento de erros (debugging, traceback, excepções)
• Código externo (import, criar módulos, pip)
• Programação orientada a objectos: perspectiva de utilizador
• Exemplos práticos

Este é um módulo introdutório e opcional, não tendo avaliação. Será leccionado na sua totalidade pelo docente Diogo Silva.

INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL & MACHINE LEARNING

• Introdução à ciência de dados com o  Python;
• Importação de dados;
• Análise de dados;
• Representação de dados;
• Visualização de dados;
• Limpeza de dados;
• Integração de dados;
• Transformação de dados;
• Normalização e estandardização dos dados;
• Dados de treino e dados de teste;
• Métricas de avaliação do desempenho;
• Exemplos e iIlustrações com o Python.

INTRODUÇÃO À TECNOLOGIA AI

• Introdução, evolução e futuro da AI;
• AI lifecyle;
• ML technologies e libraries;
• AI apps;
• AI containers;
• Cloud e object stores;
• Plataformas de AI.

TIME SERIES FORECASTING

• Decomposição de séries temporais;
• Métodos de alisamento exponencial;
• Modelos ARIMA;
• Identificação de modelos, estimação, avaliação do diagnóstico, seleção e previsão;
• Redes neuronais recorrentes (RNNs) e modelos de memória de curto e longo prazo (LSTMs);
• Estudo de casos reais com o Python.

SUPERVISED MACHINE LEARNING

• Regressão linear; 
• Regressão logística; 
• Árvores de decisão; 
• Support Vector Machine (SVM); 
• Random Forest; 
• Perceptron; 
• k-Nearest Neighbour; 
• Gradient Descent;
• Gradient Boosted Trees;
• Gaussian Naive Bayes;
• Estudo de casos reais com o  Python.

DEEP LEARNING

• Introdução às Artificial Neural Networks (ANN); 
• Visão computcaional utilizando Convolution Neural Networks (CNNs); 
• Processamento de sequências utilizando Recurrent Neural Networks (RNNs) e Convolution Neural Networks (CNNs);
• Natural Language Processing (NLP); 
• Estudo de casos reais com  OpenCV, Python, Keras, TensorFlow ou Pytorch. 

UNSUPERVISED MACHINE LEARNING

• Análise de componentes principais (PCA);
• Análise de Clusters;
• Dimensionamento multidimensional (MDS);
• Deteção de anomalias e outliers; 
• Estudo de casos reais com o  Python.

PRIVACY-PRESERVING AI

• Técnicas e metodologias de Privacy-Preserving AI, tanto em Dados como em Algoritmos:
• Técnicas de dados (Differential Privacy & K-anonymity L-diversity T-closeness);
• Técnicas de AI (Deep Learning with Differential Privacy);
•  Federated Learning;
• ML em Encrypted Data com Homomorphic Encryption.

AI DEPLOYMENT & MONITORING

• Métodos de implementação e monitorização de AI utilizando Mlflow, Streamlit, Python, PySpark e Docker.
• AI & MACHINE LEARNING PROJECT
• Execução de um projeto completo de Machine Learning utilizando algoritmos de AI.