Ficha de Componente Curricular

OBJETIVOS

- Conhecer os principais paradigmas de aprendizagem de máquina.
- Compreender e implementar:
             - Sistemas de aprendizado supervisionado: algoritmos paramétricos e não-paramétricos; máquinas de vetores de suporte (SVM); redes neurais artificiais (e.g. MLP).
             - Sistemas de aprendizado não-supervisionado: métodos de agrupamento (k-means); redutor de dimensionalidade (e.g. PCA); sistemas de recomendação.
             - Redes de Aprendizado Profundo: tecnologia; projeto, treinamento e aplicação; eficiência de projeto; principais parâmetros de arquitetura.
             - Aprender e utilizar as melhores práticas para projetos de sistemas de aprendizado de máquina.
Ao final do curso, o aluno poderá analisar e projetar sistemas de aprendizado de máquina com uma visão crítica, compreendendo as melhores práticas e conhecendo as nuances de avalição de desempenho de tais sistemas e em consonância com os processos atuais de inovação em aprendizado de máquina e em inteligência artificial.

Ementa

Introdução: método do gradiente descendente; regressões linear e logística. Aprendizado supervisionado: algoritmos paramétricos e não-paramétricos; máquinas de vetores de suporte; redes neurais artificiais. Aprendizado não-supervisionado: agregadores (clustering); redutor de dimensionalidade; sistemas de recomendação; aprendizado profundo (deep learning). Orientações em aprendizado de máquina: teoria de enviesamento e variância; regularização ; avaliação de algoritmos; curvas de aprendizado; análise de erro e de melhoria.

PROGRAMA

1) Introdução
       a) Breve histórico
       b) Análise e regressão
       c) Método do gradiente descendente

2) Aprendizado supervisionado – dados identificados
       a) Regressão linear
       b) Regressão logística
       c) Redes neurais artificiais
       d) SVM – máquinas de vetores de suporte
  3) Aprendizado não-supervisionado – dados não identificados
       a) K-means
       b) PCA , análise de componentes principais
       c) Detecção de anomalias
  4) Tópicos e aplicações especiais
       a) Sistemas de recomendação
       b) Aprendizado de máquina em larga escala
  5) Orientações para sistemas de aprendizado de máquina
       a) Enviesamento e variância
       b) Regularização
       c) Avaliação de algoritmos
       d) Curvas de aprendizado
       e) Análise de erro e de melhoria
  6) Fundamentos de Aprendizagem Profunda (Deep Learning)
       a) Aprendizado profundo
       b) Propagação e retropropagação
       c) Parâmetros e hiperparâmetros
       d) Redes neurais profundas
       e) Redes neurais profundas convolucionais
       f) Redes de crenças profundas
       g) Redes neurais recorrentes

BIBLIOGRAFIA BÁSICA

1. MITCHELL, Tom M. Machine learning. New York: McGraw-Hill, 1997. 414 p., il. ISBN 0070428077 (enc.).
2. DUDA, Richard O. Pattern classification. 2nd ed. New York: J. Wiley, c2001. xx, 654 p., ill., 27 cm. Inclui bibliografia e índice. ISBN 0471056693 (alk. paper).
3. RASCHKA, Sebastian. Python Machine Learning. Packt Publishing, 2015. ISBN: 9781783555130

BIBLIOGRAFIA COMPLEMENTAR

1. GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016. Versão online disponível em: http://www.deeplearningbook.org.
2. MARSLAND, Stephen. Machine learning: an algorithmic perspective. Boca Raton: CRC Press, c2009. xvi, 390 p., il. (Chapman & Hall/CRC machine learning & pattern recognition series). Inclui bibliografia e índice. ISBN 9781420067187 (enc.).
3. CONWAY, Drew. Machine learning for hackers. Sebastopol, CA: O'Reilly Media, 2012. xiii, 303 p., il. Inclui bibliografia e índice. ISBN 9781449303716 (broch.).
4. WITTEN, I. H. Data mining: practical machine learning tools and techniques. 2nd ed. Amsterdam; Boston, MA: Morgan Kaufman, 2005. xxxi, 525 p., ill., 24 cm. (The MorganKaufmann series in data management systems). Includes bibliographical references (p. 485-503) and index. ISBN 0120884070 (broch.).
5. GOLDBERG, David E. Genetic algorithms in search, optimization, and machine learning. Reading, Mass.: Addison-Wesley, c1989. 412 p., il. Inclui bibliografia e índice. ISBN 0201157675 (enc.).

aprovação

---

Documento assinado eletronicamente por Antonio Claudio Paschoarelli Veiga, Coordenador(a), em 22/03/2019, às 09:17, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.

---

Documento assinado eletronicamente por Sergio Ferreira de Paula Silva, Diretor(a), em 25/03/2019, às 07:03, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.

---

A autenticidade deste documento pode ser conferida no site https://www.sei.ufu.br/sei/controlador_externo.php?acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador 1099458 e o código CRC 0E476002.

---