{"id":645,"date":"2015-12-30T09:06:59","date_gmt":"2015-12-30T11:06:59","guid":{"rendered":"http:\/\/www.inf.ufrgs.br\/ppgc_wp\/?page_id=645"},"modified":"2026-02-19T12:42:06","modified_gmt":"2026-02-19T15:42:06","slug":"cmp263","status":"publish","type":"page","link":"https:\/\/www.inf.ufrgs.br\/ppgc\/disciplinas\/lista-de-disciplinas\/cmp263\/","title":{"rendered":"CMP263"},"content":{"rendered":"

Aprendizagem de M\u00e1quina<\/strong><\/h1>\n

Respons\u00e1vel<\/b>: Mariana Recamonde Mendoza<\/a><\/p>\n

Semestre:<\/strong> 2024\/02
\nC\u00f3digo:<\/strong> CMP263
\nN\u00famero de cr\u00e9ditos\/carga hor\u00e1ria:<\/strong> 4 cr\u00e9ditos\/60 horas aula<\/p>\n

S\u00famula<\/h4>\n

A disciplina apresenta os fundamentos da \u00e1rea de aprendizado de m\u00e1quina e suas aplica\u00e7\u00f5es para a resolu\u00e7\u00e3o de problemas de aprendizado supervisionado e n\u00e3osupervisionado. Entre os t\u00f3picos discutidos no curso, encontram-se: algoritmos de classifica\u00e7\u00e3o e regress\u00e3o; algoritmos de agrupamentos; m\u00e9todos de identifica\u00e7\u00e3o de padr\u00f5es frequentes; m\u00e9todos de aprendizado baseados em m\u00faltiplos modelos; t\u00e9cnicas de pr\u00e9-processamento e redu\u00e7\u00e3o de dimensionalidade; avalia\u00e7\u00e3o de modelos; interpreta\u00e7\u00e3o de modelos; considera\u00e7\u00f5es pr\u00e1ticas no uso de algoritmos de aprendizado de m\u00e1quina.<\/p>\n

Objetivos<\/h4>\n

Esta disciplina tem por objetivo introduzir os fundamentos da \u00e1rea de aprendizado de m\u00e1quina, com \u00eanfase em algoritmos de aprendizado supervisionado e n\u00e3o supervisionado, capacitando o aluno a selecionar, aplicar, avaliar criticamente e interpretar modelos em diferentes contextos de aplica\u00e7\u00e3o. Ser\u00e3o discutidos aspectos metodol\u00f3gicos do desenvolvimento de modelos preditivos e descritivos, incluindo pr\u00e9-processamento de dados, redu\u00e7\u00e3o de dimensionalidade, avalia\u00e7\u00e3o rigorosa de desempenho, interpreta\u00e7\u00e3o de modelos e boas pr\u00e1ticas experimentais.<\/p>\n

Resumo<\/strong><\/p>\n

A disciplina apresenta os fundamentos da \u00e1rea de aprendizado de m\u00e1quina e suas aplica\u00e7\u00f5es para a resolu\u00e7\u00e3o de problemas de aprendizado supervisionado e n\u00e3o-supervisionado. Entre os t\u00f3picos discutidos no curso, encontram-se: algoritmos de classifica\u00e7\u00e3o e regress\u00e3o; algoritmos de agrupamentos; m\u00e9todos de identifica\u00e7\u00e3o de padr\u00f5es frequentes; m\u00e9todos de aprendizado baseados em m\u00faltiplos modelos; t\u00e9cnicas de pr\u00e9-processamento e redu\u00e7\u00e3o de dimensionalidade; avalia\u00e7\u00e3o de modelos; interpreta\u00e7\u00e3o de modelos. O curso enfatiza tanto os fundamentos te\u00f3ricos quanto a aplica\u00e7\u00e3o pr\u00e1tica dos m\u00e9todos, com foco em experimenta\u00e7\u00e3o computacional, avalia\u00e7\u00e3o rigorosa e an\u00e1lise cr\u00edtica de resultados.<\/p>\n

Conte\u00fado Program\u00e1tico<\/strong><\/p>\n

1. Introdu\u00e7\u00e3o
\n1.1 Introdu\u00e7\u00e3o ao Aprendizado de M\u00e1quina.
\n1.2 Tipos de aprendizado e exemplos de aplica\u00e7\u00f5es
\n1.3 Apresenta\u00e7\u00e3o da disciplina
\n2. Aprendizado Supervisionado
\n2.1 Introdu\u00e7\u00e3o ao aprendizado supervisionado. Classifica\u00e7\u00e3o e Regress\u00e3o
\n2.2 M\u00e9todos baseados em inst\u00e2ncias
\n2.3 M\u00e9todos baseados em \u00e1rvores
\n2.4 M\u00e9todos probabil\u00edsticos para classifica\u00e7\u00e3o
\n2.5 M\u00e9todos baseados em otimiza\u00e7\u00e3o
\n2.6 Avalia\u00e7\u00e3o de modelos supervisionados:
\nm\u00e9tricas para classifica\u00e7\u00e3o e regress\u00e3o;
\nvalida\u00e7\u00e3o cruzada e valida\u00e7\u00e3o aninhada;
\nvi\u00e9s, vari\u00e2ncia, overfitting e data leakage.
\n2.7 Uso de m\u00faltiplos modelos: bagging, boosting e stacking.
\n2.8 Sele\u00e7\u00e3o de modelos e otimiza\u00e7\u00e3o de hiperpar\u00e2metros.
\n3. Aprendizado N\u00e3o-Supervisionado
\n3.1 Introdu\u00e7\u00e3o ao aprendizado n\u00e3o-supervisionado
\n3.2 Medidas de similaridade e m\u00e9todos de agrupamento: k-means e clustering hier\u00e1rquico.
\n3.3 Valida\u00e7\u00e3o de modelos descritivos
\n3.4 Minera\u00e7\u00e3o de padr\u00f5es frequentes.
\n4. Pr\u00e9-processamento de dados
\n4.1 Qualidade de dados e an\u00e1lise explorat\u00f3ria.
\n4.2 T\u00e9cnicas de limpeza, transforma\u00e7\u00e3o e codifica\u00e7\u00e3o de dados.
\n4.3 Tratamento de dados desbalanceados.
\n4.4 Redu\u00e7\u00e3o de dimensionalidade e extra\u00e7\u00e3o de caracter\u00edsticas
\n5. Discuss\u00f5es finais sobre a \u00e1rea
\n5.1 Interpretabilidade e explicabilidade de modelos de aprendizado de m\u00e1quina.
\n5.2 Reprodutibilidade e rigor metodol\u00f3gico em experimentos computacionais.
\n5.3 Aspectos \u00e9ticos, limita\u00e7\u00f5es dos modelos e vieses algor\u00edtmicos.
\n5.4 Considera\u00e7\u00f5es pr\u00e1ticas no uso de algoritmos de aprendizado de m\u00e1quina em aplica\u00e7\u00f5es reais.<\/p>\n

Procedimentos did\u00e1ticos<\/strong><\/p>\n

A disciplina ser\u00e1 desenvolvida por meio de aulas te\u00f3ricas e pr\u00e1ticas, realizadas em encontros semanais. Nos encontros presenciais, ser\u00e1 feita a exposi\u00e7\u00e3o e discuss\u00e3o dos conte\u00fados te\u00f3ricos, acompanhada de exemplos pr\u00e1ticos e estudos de caso. Ao longo do semestre, ser\u00e3o propostas atividades pr\u00e1ticas e question\u00e1rios a serem desenvolvidos de forma aut\u00f4noma, individualmente ou em pequenos grupos, em sala de aula ou fora dela, com o objetivo de consolidar os conceitos abordados e estimular a aplica\u00e7\u00e3o pr\u00e1tica dos m\u00e9todos estudados.<\/p>\n

Os alunos tamb\u00e9m dever\u00e3o desenvolver trabalhos te\u00f3ricos e\/ou pr\u00e1ticos, individualmente ou em grupo, que poder\u00e3o envolver a implementa\u00e7\u00e3o, adapta\u00e7\u00e3o ou aplica\u00e7\u00e3o de algoritmos de aprendizado de m\u00e1quina a problemas selecionados, bem como estudos de natureza investigativa ou de revis\u00e3o da literatura sobre temas relacionados ao conte\u00fado da disciplina.<\/p>\n

Os trabalhos desenvolvidos ao longo do semestre ser\u00e3o apresentados e discutidos, de forma oral e\/ou escrita, promovendo a troca de experi\u00eancias, a an\u00e1lise cr\u00edtica dos resultados e o aprofundamento dos temas abordados.<\/p>\n

Crit\u00e9rios de Avalia\u00e7\u00e3o<\/strong><\/p>\n

    \n
  • O desempenho do aluno ser\u00e1 avaliado da seguinte forma:
    \n\u25cf AT: atividades aut\u00f4nomas propostas ao longo do semestre, podendo ser de teor
    \nte\u00f3rico ou pr\u00e1tico
    \n\u25cf TI: trabalho individual, podendo ser uma prova ou trabalho te\u00f3rico a ser apresentado
    \nde forma oral e\/ou escrita
    \n\u25cf TP: trabalho pr\u00e1tico realizado em grupo<\/li>\n<\/ul>\n

    A composi\u00e7\u00e3o da Nota Final ser\u00e1 realizada da seguinte forma: NF = (AT*0,30) + (TI*0,35) + (TP*0,35)<\/p>\n

    Ser\u00e1 aprovado o aluno que obtiver nota final (NF) acima de 6 e frequ\u00eancia m\u00ednima de 75%.
    \nA NF ser\u00e1 convertida em conceito de acordo com as seguintes regras:
    \nConceito A: NF >= 9,0
    \nConceito B: NF >=7,5 e < 9,0
    \nConceito C: NF >= 6,0 e < 7,5
    \nConceito D: NF < 6,0
    \nConceito FF: caso o aluno n\u00e3o obtenha frequ\u00eancia m\u00ednima de 75%,
    \nindependentemente da nota e sem direito a recuperac\u0327a\u0303o.<\/p>\n

    O aluno que na\u0303o obtiver NF >= 6,0 poder\u00e1 realizar uma prova de recupera\u00e7\u00e3o, conforme definido no item \u201cAtividades de Recupera\u00e7\u00e3o Previstas\u201d.<\/p>\n

    Atividades de Recupera\u00e7\u00e3o Previstas:<\/p>\n

    Ser\u00e1 oferecida uma oportunidade de recupera\u00e7\u00e3o aos alunos que atingirem a frequ\u00eancia m\u00ednima exigida de 75% e cuja nota final (NF), calculada conforme o item \u201cCrit\u00e9rios de Avalia\u00e7\u00e3o\u201d, seja inferior a 6,0. A prova de recupera\u00e7\u00e3o abranger\u00e1 todo o conte\u00fado da disciplina e ser\u00e1 avaliada com um grau de 0 (zero) a 10 (dez), resultando na nota de recupera\u00e7\u00e3o (NR). Essa nota ser\u00e1 ent\u00e3o utilizada para calcular a m\u00e9dia final (MF). O c\u00e1lculo da MF pondera tanto o desempenho na recupera\u00e7\u00e3o quanto o esfor\u00e7o cont\u00ednuo demonstrado ao longo do semestre, refletido na NF (calculada conforme defini\u00e7\u00e3o no item \u201cCrit\u00e9rios de Avalia\u00e7\u00e3o\u201d). Assim, para os alunos que realizarem a recupera\u00e7\u00e3o, a m\u00e9dia final ser\u00e1 dada por: MF = (0,6 * NR) + (0,4 * NF)<\/p>\n

    O aluno ser\u00e1 aprovado com conceito final C se obtiver MF igual ou superior a 6,0; caso contr\u00e1rio, ser\u00e1 reprovado com conceito final D.<\/p>\n

    BIBLIOGRAFIA B\u00c1SICA
    \n\u25cf FACELI, K. et al. Intelig\u00eancia Artificial: Uma Abordagem de Aprendizado de M\u00e1quina. Editora LTC, 2011.
    \n\u25cf AUR\u00c9LIEN, G. Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems (2nd ed). O’Reilly Media, 2019.
    \n\u25cf HAN, J., KAMBER, M., PEI, J. Data Mining: Concepts and Techniques (3rd ed), Editora Morgan Kaufmann Publishers, 2011.<\/p>\n

    Bibliografia Complementar:
    \n\u25cf LUGER,G.F. Intelig\u00eancia Artificial: Estruturas e Estrat\u00e9gias para a Solu\u00e7\u00e3o de Problemas Complexos. Editora Bookman, 2004.
    \n\u25cf RUSSEL S., NORVIG, P. Intelig\u00eancia Artificial. Editora Campus, 2004.<\/p>\n

     <\/p>\n

     <\/p>\n

     <\/p>\n","protected":false},"excerpt":{"rendered":"

    Aprendizagem de M\u00e1quina Respons\u00e1vel: Mariana Recamonde Mendoza Semestre: 2024\/02 C\u00f3digo: CMP263 N\u00famero de cr\u00e9ditos\/carga hor\u00e1ria: 4 cr\u00e9ditos\/60 horas aula S\u00famula A disciplina apresenta os fundamentos da \u00e1rea de aprendizado de m\u00e1quina e suas aplica\u00e7\u00f5es para a resolu\u00e7\u00e3o de problemas de aprendizado supervisionado e n\u00e3osupervisionado. Entre os t\u00f3picos discutidos no curso, encontram-se: algoritmos de classifica\u00e7\u00e3o e […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":462,"menu_order":263,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"_links":{"self":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/645"}],"collection":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/comments?post=645"}],"version-history":[{"count":16,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/645\/revisions"}],"predecessor-version":[{"id":7727,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/645\/revisions\/7727"}],"up":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/462"}],"wp:attachment":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/media?parent=645"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}