Português English
Contato

Lista de Disciplinas | CMP263

Aprendizagem de Máquina

Responsáveis: Prof. Bruno C. da Silva e Mariana R. Mendoza

Semestre: 2018/2
Código: CMP263
Número de créditos/carga horária: 4 créditos/60 horas aula

RESUMO

A disciplina apresenta os fundamentos da área de aprendizado de máquina e suas aplicações para a resolução de problemas de aprendizado supervisionado, não-supervisionado, e por reforço. Entre os tópicos discutidos no curso, encontram-se: algoritmos de classificação e regressão; métodos probabilísticos para classificação; métodos baseados em árvores; redes neurais multicamada, profundas, e de convolução; métodos de identificação de padrões frequentes e agrupamento; técnicas de pré processamento e redução de dimensionalidade; métodos de aprendizado baseados em múltiplos modelos; e algoritmos de aprendizado por reforço com e sem modelo.
1. Introdução à inteligência computacional
1.1. Aplicações e histórico
1.2. Definições.
2. Técnicas de Aprendizado Supervisionado
2.1. Introdução ao aprendizado indutivo & supervisionado
2.2. Métodos de classificação baseados em distâncias
2.3. Métodos probabilísticos para classificação
2.4. Métodos baseados em árvores e regras de decisão
2.5. Regressão Linear via Gradiente Descendente
2.6. Regressão Logística
2.7. Redes Neurais Multicamadas
2.8. Redes Neurais Profundas e de Convolução
2.9. Métricas de avaliação em aprendizado supervisionado
2.10. Uso de múltiplos modelos em aprendizado supervisionado.
3. Técnicas de Aprendizado por Reforço
3.1. Processos de Decisão de Markov
3.2. Métodos baseados em programação dinâmica
3.3. Métodos de aprendizado por reforço livres-de-modelo
3.4. Algoritmos de aprendizado com aproximação de funções de valor.
4. Técnicas de Aprendizado Não-Supervisionado
4.1. Introdução ao aprendizado de modelos descritivos
4.2. Mineração de padrões freqüentes
4.3. Métodos de agrupamento e suas extensões; medidas de proximidade
4.4. Preparação de dados, redução de dimensionalidade, escolha de atributos.

PROCEDIMENTOS DIDÁTICOS

– Aulas expositivas e de exercícios;
– Projetos extra-classe: implementação de algoritmos de aprendizado de máquina.

SISTEMAS DE AVALIAÇÃO

O desempenho do aluno será avaliado da seguinte forma:
• 2 provas e/ou trabalhos práticos a serem desenvolvidos em laboratório: P1 e P2
• 2 trabalhos práticos extra-classe: T1 e T2
• P1 e T1 serão realizados aproximadamente na metade do semestre letivo, e P2 e T2 ocorrerão ao final do semestre. Ao longo das últimas semanas do curso, os trabalhos práticos também deverão ser apresentados de forma oral e escrita pelos alunos.
Composição da Nota Final:
NF = (P1*0,2) + (P2*0,2) + (T1*0,3) + (T2*0,3)
• Será aprovado o aluno que obtiver nota final (NF) acima de 6 e média aritmética das notas dos trabalhos práticos (T1 e T2) igual ou superior a 4.
• O aluno que não obtiver média aritmética igual ou superior 4 nos trabalhos práticos (T1 e T2) deverá fazer prova de recuperação, independentemente da Nota Final (NF).
• A nota da recuperação (Recup) será utilizada para substituir a média das provas (P1 e P2). A média final (MF) será, então, calculada através da fórmula:
MF = (Recup * 0,4) + (T1*0,3) + (T2*0,3).
Em caso de recuperação, o aluno será aprovado com conceito final C se obtiver MF superior a 6; caso contrário, será reprovado com conceito final D.
Cálculo do conceito final para alunos aprovados diretamente ou após recuperação:
Conceito A: NF (ou MF) >= 9,0
Conceito B: NF (ou MF) >=7,5 e < 9,0
Conceito C: NF (ou MF) >= 6,0 e < 7,5
Conceito D: NF (ou MF) < 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.