MI 420



NOTAS FINAIS



Introduction to Statistical Learning
Machine Learning: a probabilistic perspective
The Elements of Statistical Learning





Ementa: Aprendizagem Estatística; Seleção de Modelos; Modelos Adaptativos; SVM; Aprendizagem Não Supervisionada; Grafos; Dados de Alta Dimensão
Aulas: Ter e Qui as 10hs, CB 07
Bibliografia Sugerida: Hastie, T.; Tibshirani, R; e Friedman, J. (2011). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Segunda Edição, Springer Verlag, Nova Iorque. James, G.; Witten, D.; Hastie, T.; e Tibshirani, R (2013). An Introduction to Statistical Learning: with Applications in R Springer Verlag, Nova Iorque. Witten, I. H.; Frank, E.; e Hall, M. A. (2.011). Data Mining: Practical Machine Learning Tools and Techniques. Terceira Edição, Morgan Kaufmann, Elsevier, Burlington, MA.
Alguns sites de interesse:
http://www.stats.gla.ac.uk/steps/glossary/nonparametric.html
http://turnbull.mcs.st-and.ac.uk/~history/BiogIndex.html
http://www.morris.umn.edu/~sungurea/introstat/history/indexhistory.shtml


Trabalhos:




Avaliações:



0.5*(AV1 + AV2) >= 6.0 aprovação sem exame
0.5*(AV1 + AV2 ) < 2.5 não poderá atender ao exame. Regimento Geral de Graduação.:
Art. 57. O Plano de Desenvolvimento das disciplinas que exigem a realização de Exame deverá especificar:

I - uma nota mínima que dispense o aluno da realização do referido Exame. Essa nota não poderá ser inferior a 5,0 (cinco) e nem superior a 7,0 (sete); e

II - uma nota mínima que permita ao aluno realizar o referido Exame. Essa nota mínima especificada no Plano de Desenvolvimento não poderá ser superior a 2,5 (dois inteiros e cinco décimos).







Softwares: R, S-plus e S. 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

Outras leituras serão recomendadas durante o decorrer do curso.