Nível:
Pós-Graduação
Nome da disciplina:
Aprendizado de Máquinas: Aspectos Teóricos e Práticos
Número de Créditos:
4
Oferecimento:
Ambos os Períodos Letivos
Pré-requisito:
(não há)
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.
2. Regressão linear e logística.
3. Redes neurais e aprendizado profundo.
4. Técnicas de seleção e avaliação de modelos.
5. Máquinas de vetores de suporte (SVM). Métodos com kernel.
6. Árvores de decisão.
7. Ensemble. Florestas aleatórias.
8. Métodos clássicos. Análise discriminante. Naive-Bayes. Vizinhos mais próximos.
9. Aprendizado não supervisionado: agrupamento e redução de dimensionalidade.
10. Outras formas de aprendizado: aprendizado por reforço, detecção de anomalias, sistemas de recomendação.
11. Aprendizado em larga escala. Introdução ao big data.
12. Tópicos do estado-da-arte.
13. Teoria matemática do aprendizado computacional: minimização do risco empírico, dilema viés-variância, dimensão de Vapnik-Chervonenkis, teoria PAC-learning.
Referência Bibliográfica:
1. T. Hastie, R. Tibshirani and J. H. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.
2. C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
3. I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. The MIT Press, 2016.
4. A. Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd Edition), O’Reilly Media, Inc., 2019.
5. S. Shalev-Shwartz and S. Ben-David. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014.