MI632 - Reconhecimento Estatístico de Padrões





Ementa: Erro de Bayes; Medidas de Dissimilaridade.: Discriminação; Regras de Vizinho Mais Próximo; Teoria Assintótica; Estimação do Erro; Regras de Função Núcleo; Teoria de Vapnik-Chernovenkis; Classificadores Empíricos; Princípio de Máxima Verossimilhança; Árvores de Classificação; Redes Neuronais; Machine Learning.

Bibliografia:

Grenander, U.; e Miller, M. (2007). Pattern Theory: From Representation to Inference. Oxford University Press, Oxford.

Devroye, L.; Gyôrfi, L.; e Lugosi, G. (1997). A Probabilistic Theory of Pattern Recognition. Springer Verlag, Nova Iorque. (https://www.szit.bme.hu/~gyorfi/pbook.pdf)

Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press, Cambridge, MA. (http://noiselab.ucsd.edu/ECE228/Murphy_Machine_Learning.pdf)





Outras leituras recomendadas:
An Introduction to Statistical Learning. https://link.springer.com/book/10.1007/978-1-4614-7138-7 and http://faculty.marshall.usc.edu/gareth-james/
Statistical Learning with Sparsity. https://web.stanford.edu/~hastie/StatLearnSparsity_files/SLS_corrected_1.4.16.pdf










Aulas:
Segundas as 16hs: https://meet.google.com/nnh-fhxj-jic
Quartas: as 16hs: https://meet.google.com/sqq-sdma-vyg






Avaliações
Primeira Avaliação em
Segunda Avaliação em
Poderão haver outras avaliações para compor a Primeira e a Segunda avaliações.


Softwares: R A linguagem R pode ser obtida gratuitamente de  www.R-project.org

Pode-se obter gratuitamente Acrobat para ler arquivos PDF em www.adobe.com/products/acrobat/readstep.html