Nível
Graduação
Nome da disciplina
Aprendizado de Máquinas: Aspectos Teóricos e Práticos
Número de Créditos
4
Oferecimento
A Critério da Unidade
Pré-requisito
MC102 + MA327 + MA211
Ementa
Definição e conceitos básicos de aprendizado de máquinas; regressão linear e logística; redes neurais e aprendizado profundo; SVM e métodos com kernel; árvores de decisão; ensembles e florestas aleatórias; métodos estatísticos clássicos; aprendizado não supervisionado: agrupamento e redução de dimensionalidade; detecção de anomalias; sistemas de recomendação; tópicos do estado-da-arte; aspectos práticos e computacionais; fundamentos matemáticos: dimensão VC e PAC-learning.
Conteúdo / Programa
1. Introdução ao aprendizado de máquinas. Fundamentos de estatística.<br><br>2. Regressão linear e logística.<br><br>3. Redes neurais e aprendizado profundo.<br><br>4. Técnicas de seleção e avaliação de modelos.<br><br>5. Máquinas de vetores de suporte (SVM). Métodos com kernel.<br><br>6. Árvores de decisão.<br><br>7. Ensemble. Florestas aleatórias.<br><br>8. Métodos clássicos. Análise discriminante. Naive-Bayes. Vizinhos mais próximos.<br><br>9. Aprendizado não supervisionado: agrupamento e redução de dimensionalidade.<br><br>10. Outras formas de aprendizado: aprendizado por reforço, detecção de anomalias, sistemas de recomendação.<br><br>11. Aprendizado em larga escala. Introdução ao big data.<br><br>12. Tópicos do estado-da-arte.<br><br>13. Teoria matemática do aprendizado computacional: minimização do risco empírico, dilema viés-variância, dimensão de Vapnik-Chervonenkis, teoria PAC-learning.
Referência Bibliográfica
[1] Trevor Hastie, Robert Tibshirani, e Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.<br>[2] Christopher Bishop. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer, 2006.<br>[3] Ian Goodfellow, Yoshua Bengio, e Aaron Courville. Deep Learning. MIT Press, 2016.<br>[4] Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, 2a ed., 2019.<br>[5] Shai Shalev-Shwartz e Shai Ben-David. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014.
Forma de Avaliação
Por nota e frequência
