Português English
Contato

Lista de Disciplinas | CMP263

Aprendizagem de Máquina

ResponsávelMariana R. Mendoza

Semestre: 2023/01
Código: CMP263
Número de créditos/carga horária: 4 créditos/60 horas aula

Objetivos

Esta disciplina tem por objetivo introduzir os fundamentos da área de aprendizado de máquina, incluindo algoritmos de aprendizado supervisionado e não-supervisionado, e suas aplicações. Também serão discutidos aspectos envolvidos na metodologia de desenvolvimento de modelos preditivos e descritivos, como pré-processamento de dados, redução de dimensionalidade, avaliação de modelos e interpretação de modelos.

RESUMO

A disciplina apresenta os fundamentos da área de aprendizado de máquina e suas aplicações para a resolução de problemas de aprendizado supervisionado e não-supervisionado. Entre os tópicos discutidos no curso, encontram-se: algoritmos de classificação e regressão; métodos probabilísticos para classificação; métodos baseados em árvores; métodos baseados em otimização (e.g., redes neurais); métodos de identificação de padrões frequentes e de agrupamentos; técnicas de pré-processamento e redução de dimensionalidade; métodos de aprendizado baseados em múltiplos modelos; avaliação de modelos; interpretação de modelos; considerações práticas no uso de algoritmos de aprendizado de máquina.

Conteúdo Pragmático

1. Introdução

1.1 Introdução ao Aprendizado de Máquina.

1.2 Apresentação da disciplina

2. Aprendizado Supervisionado

2.1 Introdução ao aprendizado supervisionado. Classificação e Regressão

2.2 Métodos baseados em instâncias

2.3 Métodos baseados em árvores

2.4 Métodos probabilísticos para classificação

2.5 Regressão linear e logística

2.6 Modelos de neurônios artificiais e o perceptron elementar

2.7 Redes neurais multicamadas

2.8 Avaliação e comparação de modelos em aprendizado supervisionado

2.9 Uso de múltiplos modelos em aprendizado supervisionado

3. Aprendizado Não-Supervisionado

3.1 Introdução ao aprendizado não-supervisionado

3.2 Métodos de agrupamento: k-means e clustering hierárquico

3.3 Validação de modelos descritivos

3.4 Mineração de padrões frequentes. Algoritmo Apriori.

4. Pré-processamento de dados

4.1 Qualidade de dados

4.2 Técnicas de limpeza e transformação de dados

4.3 Redução de dimensionalidade

5. Discussões finais sobre a área

5.1 Interpretabilidade e explicabilidade em aprendizado de máquina

5.2 Reprodutibilidade de pesquisa em aprendizado de máquina

5.3 Considerações práticas sobre uso de algoritmos de aprendizado de máquina

PROCEDIMENTOS DIDÁTICOS

Nos encontros semanais será realizada a exposição teórica dos conteúdos. Serão propostos exercícios para serem realizados pelos alunos de forma individual ou em pequenos grupos, em classe ou extra-classe.  Ao longo do semestre, os alunos desenvolverão trabalhos práticos que podem envolver a implementação ou aplicação de algoritmos de aprendizado de máquina em problemas selecionados, ou ainda trabalhos de pesquisa sobre temas selecionados. Os trabalhos serão apresentados de forma oral e/ou escrita.

SISTEMAS DE AVALIAÇÃO

O desempenho do aluno será avaliado da seguinte forma:
• AT: atividades autônomas propostas ao longo do semestre, podendo ser de teor teórico ou prático
• TI: trabalho individual, podendo ser uma prova ou trabalho teórico a ser apresentado de forma oral e/ou escrita
• TP: trabalho prático realizado em grupos

A composição da Nota Final será realizada da seguinte forma:

NF = (AT*0,30) + (TI*0,35) + (TP*0,35)

Será aprovado o aluno que obtiver nota final (NF) acima de 6. O conceito final será calculado da seguinte forma:

Conceito A: NF  >= 9,0
Conceito B: NF  >=7,5 e < 9,0
Conceito C: NF  >= 6,0 e < 7,5
Conceito D: NF  < 6,0
Conceito FF: caso o aluno não obtenha frequência mínima de 75% (sem direito a recuperação).

BIBLIOGRAFIA BÁSICA

• FACELI, K. et al. Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina. Editora LTC, 2011.
• RUSSEL S., NORVIG, P. Inteligência Artificial. Editora Campus, 2004.
• SUTTON, R., BARTO, A. Reinforcement Learning: An Introduction. MIT Press, 1998.
Bibliografia Complementar:
• LUGER,G.F. Inteligência Artificial: Estruturas e Estratégias para a Solução de Problemas Complexos.
Editora Bookman, 2004.