Curso de Machine Learning Aplicado à Engenharia

Aula 1 • O que é a Aprendizagem Automática

Define ML, distingue-a da programação tradicional e mapeia a sua relação com a IA e a ciência de dados. Estabelece o vocabulário utilizado ao longo do curso.

Aula 2 • Paradigmas Centrais de Aprendizagem

Contrasta a aprendizagem supervisionada, não supervisionada e por reforço com exemplos concretos. Permite que os estudantes associem tipos de problema ao paradigma de aprendizagem correto.

Aula 3 • O Ciclo de Vida de um Projeto de ML

Delineia o fluxo de trabalho de ponta a ponta, desde a definição do problema até à implementação e monitorização do modelo. Define as expetativas para todo o âmbito da engenharia abordado nos capítulos seguintes.

Aula 4 • Matemática Essencial para ML

Revê conceitos de álgebra linear, cálculo, probabilidade e estatística que sustentam os algoritmos de ML. Proporciona a fluência quantitativa necessária para o estudo posterior de algoritmos.

Aula 1 • Análise Exploratória de Dados

Aplica sumários estatísticos e visualizações para descobrir distribuições, valores atípicos e relações. Informa as estratégias de pré-processamento e engenharia de atributos em secções posteriores.

Aula 2 • Limpeza e Imputação de Dados

Aborda valores em falta, duplicados, formatos inconsistentes e ruído em conjuntos de dados brutos. Garante a integridade dos dados de treino antes do ajuste do modelo.

Aula 3 • Construção de Pipelines de Dados Reproduzíveis

Concebe pipelines automatizados e com controlo de versões que aplicam transformações de forma consistente em todas as divisões. Suporta a experimentação fiável e a implementação em produção.

Aula 4 • Recolha e Obtenção de Dados

Examina métodos para reunir dados a partir de bases de dados, APIs, raspagem de dados web e sensores. Fundamenta as decisões de obtenção de dados nos requisitos de qualidade e representatividade.

Aula 1 • Avaliação e Seleção de Modelos

Aplica validação cruzada, métricas de desempenho e testes estatísticos para comparar modelos de forma objetiva. Previne o sobreajuste e orienta as decisões finais de seleção do modelo.

Aula 2 • Regressão Linear e Logística

Deriva a regressão linear a partir dos primeiros princípios e estende-a à regressão logística para classificação. Estabelece a base da função de perda e do gradiente descendente utilizada por todos os modelos posteriores.

Aula 3 • Árvores de Decisão e Modelos Baseados em Regras

Explica os critérios de divisão da árvore, poda e vantagens de interpretabilidade. Serve como bloco de construção para os métodos de conjunto introduzidos a seguir.

Aula 4 • Métodos de Conjunto

Aborda bagging, boosting e stacking para reduzir a variância e o viés para além dos limites de um único modelo. Equipa os estudantes com os algoritmos mais competitivos prontos a usar para dados tabulares.

Aula 1 • Deteção de Anomalias e Valores Atípicos

Introduz a deteção de anomalias estatística, baseada em distância e baseada em modelos para controlo de qualidade e deteção de falhas. Diretamente aplicável à monitorização de infraestruturas e manufatura.

Aula 2 • Técnicas de Redução de Dimensionalidade

Aplica PCA, t-SNE e UMAP para reduzir o espaço de atributos preservando a estrutura. Melhora a visualização, a velocidade de treino e a redução de ruído em conjuntos de dados de alta dimensionalidade.

Aula 3 • Aprendizagem de Regras de Associação

Extrai conjuntos de itens frequentes e regras de associação utilizando os algoritmos Apriori e FP-Growth. Suporta casos de uso de recomendação, agrupamento de manutenção e otimização de processos.

Aula 1 • Ajuste de Hiperparâmetros e Pesquisa de Arquiteturas

Aplica pesquisa em grelha, pesquisa aleatória e otimização bayesiana para encontrar configurações de rede ótimas. Reduz a tentativa e erro e acelera os ciclos de desenvolvimento de modelos.

Aula 2 • Fundamentos da Rede Neuronal Feedforward

Deriva o percetrão, a arquitetura multicamada e o algoritmo de retropropagação passo a passo. Estabelece a intuição do grafo computacional utilizada em todas as frameworks de aprendizagem profunda.

Aula 3 • Redes Recorrentes e Modelos de Sequência

Aborda RNNs, LSTMs e GRUs para modelar dependências temporais em dados sequenciais de engenharia. Prepara os estudantes para previsão de séries temporais e aplicações de controlo de processos.

Aula 4 • Treino Eficaz de Redes Profundas

Aborda algoritmos de otimização, regularização e técnicas de normalização que estabilizam o treino de redes profundas. Previne modos de falha comuns, como gradientes vanishing e sobreajuste.

Aula 1 • MLOps e CI/CD para ML

Integra fluxos de trabalho de ML em pipelines de integração e entrega contínuas com testes automáticos e acionadores de retreino. Garante reprodutibilidade e iteração rápida em produção.

Aula 2 • Infraestrutura de Treino Escalável

Aborda estratégias de treino distribuído, utilização de GPU e orquestração de computação em nuvem para modelos de grande escala. Reduz o tempo de treino e permite a experimentação à escala.

Aula 3 • Padrões de Serviço e Implementação de Modelos

Compara inferência por lotes, APIs REST em tempo real e arquiteturas de implementação edge. Corresponde o padrão de implementação às restrições de latência, débito e recursos.

Aula 4 • Monitorização e Observabilidade

Implementa deteção de deriva de dados, deriva de conceito e degradação de desempenho em modelos implementados. Permite manutenção proativa antes de falhas do modelo afetarem as operações de engenharia.

Aula 1 • Sistemas de Energia e Previsão de Procura

Prevê a procura de energia e otimiza as operações da rede utilizando modelos de séries temporais e otimização. Suporta a integração de renováveis e o balanceamento de carga em sistemas de energia inteligentes.

Aula 2 • Otimização e Controlo de Processos

Utiliza regressão e aprendizagem por reforço para otimizar parâmetros de processos de manufatura e malhas de controlo. Melhora o rendimento, a eficiência energética e o débito em sistemas de produção.

Aula 3 • Sistemas de Manutenção Preditiva

Constrói modelos de previsão de falhas a partir de séries temporais de sensores usando análise de sobrevivência e classificação. Reduz o tempo de inatividade não planeado e os custos de manutenção em ambientes industriais.

Aula 4 • Monitorização da Saúde Estrutural

Deteta danos e degradação em estruturas civis e mecânicas utilizando dados de sensores de vibração e acústicos. Permite a manutenção baseada no estado para pontes, pipelines e maquinaria.

Aula 1 • Robustez Adversarial e Segurança

Examina ataques adversariais, envenenamento de dados e roubo de modelos e, em seguida, aplica defesas. Protege sistemas de ML implementados em infraestruturas críticas e ambientes sensíveis à segurança.

Aula 2 • Justiça e Mitigação de Viés

Identifica fontes de viés nos dados de treino e nos resultados do modelo e, em seguida, aplica técnicas de mitigação. Garante resultados equitativos em sistemas de força de trabalho, alocação de recursos e segurança.

Aula 3 • Quantificação de Incerteza

Quantifica a incerteza epistémica e aleatória utilizando métodos bayesianos e predição conformal. Permite que os engenheiros atuem com base nos níveis de confiança do modelo em decisões críticas para a segurança.

Aula 4 • Explicabilidade e Interpretabilidade de Modelos

Aplica SHAP, LIME e visualização de atenção para explicar previsões de modelos a engenheiros e partes interessadas. Constrói confiança e suporta a conformidade regulatória em aplicações de alto risco.