ME906 | IMECC - Instituto de Matemática, Estatística e Computação Científica

Nível

Graduação

Nome da disciplina

Métodos em Aprendizado Supervisionado de Máquina

Número de Créditos

Oferecimento

A Critério da Unidade

Pré-requisito

ME613

Ementa

Estratégias de aprendizado supervisionado de máquina para problemas de regressão e classificação. Métodos de reamostragem, SVM e árvores de decisão. Expor os alunos a estratégias modernas de modelagem, focando em modelos preditivos. Elaboração de um produto de dados empregando ferramentas computacionais.

Conteúdo / Programa

Métodos lineares para Regressão Mínimos quadrados Seleção de variáveis Regressão ridge Lasso Mínimos quadrados parcial Componentes principais Métodos lineares para Classificação Regressão linear com matriz indicadora Análise discriminante linear Regressão logística Vizinhos mais próximos Hiperplanos de separação Métodos de reamostragem Validação cruzada Bootstrap Seleção de Modelos Lineares e Métodos de Regularização Seleção de subconjuntos Métodos de encolhimento Métodos de redução de dimensionalidade Considerações sobre alta-dimensionalidade Além da Linearidade Regressão polinomial Funções escada Funções base Splines de regressão Splines de alisamento Regressão local Modelos aditivos generalizados Métodos baseados em árvores Introdução a árvores de decisão Bagging, Florestas Aleatórias, Boosting Support Vector Machines Classificador de margem máxima Classificador de vetor de suporte SVM com mais de duas classes Relação com regressão logística

Referência Bibliográfica

Hastie, T., Tibshirani, R., Friedman, J. - The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2001). James, G., Witten, D., Hastie, T., Tibshirani, R. - An Introduction to Statistical Learning - with Applications in R (2013)

Forma de Avaliação

Por nota e frequência