{"id":645,"date":"2015-12-30T09:06:59","date_gmt":"2015-12-30T11:06:59","guid":{"rendered":"http:\/\/www.inf.ufrgs.br\/profcomp_wp\/?page_id=645"},"modified":"2024-09-26T12:03:09","modified_gmt":"2024-09-26T15:03:09","slug":"cmp263","status":"publish","type":"page","link":"https:\/\/www.inf.ufrgs.br\/profcomp\/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

Objetivos<\/h4>\n

Esta disciplina tem por objetivo introduzir os fundamentos da \u00e1rea de aprendizado de m\u00e1quina, incluindo algoritmos de aprendizado supervisionado e n\u00e3osupervisionado, e suas aplica\u00e7\u00f5es. Tamb\u00e9m ser\u00e3o discutidos aspectos envolvidos na metodologia de desenvolvimento de modelos preditivos e descritivos, como pr\u00e9processamento de dados, redu\u00e7\u00e3o de dimensionalidade, avalia\u00e7\u00e3o de modelos e interpreta\u00e7\u00e3o de modelos.<\/p>\n

\nResumo<\/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

Conte\u00fado Program\u00e1tico<\/h4>\n

1. Introdu\u00e7\u00e3o<\/p>\n

1.1 Introdu\u00e7\u00e3o ao Aprendizado de M\u00e1quina.<\/p>\n

1.2 Apresenta\u00e7\u00e3o da disciplina<\/p>\n

2. Aprendizado Supervisionado<\/p>\n

2.1 Introdu\u00e7\u00e3o ao aprendizado supervisionado. Classifica\u00e7\u00e3o e Regress\u00e3o<\/p>\n

2.2 M\u00e9todos baseados em inst\u00e2ncias<\/p>\n

2.3 M\u00e9todos baseados em \u00e1rvores<\/p>\n

2.4 M\u00e9todos probabil\u00edsticos para classifica\u00e7\u00e3o<\/p>\n

2.5 M\u00e9todos baseados em otimiza\u00e7\u00e3o<\/p>\n

2.6 Avalia\u00e7\u00e3o e compara\u00e7\u00e3o de modelos em aprendizado supervisionado<\/p>\n

2.7 Uso de m\u00faltiplos modelos em aprendizado supervisionado<\/p>\n

3. Aprendizado N\u00e3o-Supervisionado<\/p>\n

3.1 Introdu\u00e7\u00e3o ao aprendizado n\u00e3o-supervisionado<\/p>\n

3.2 M\u00e9todos de agrupamento: k-means e clustering hier\u00e1rquico<\/p>\n

3.3 Valida\u00e7\u00e3o de modelos descritivos<\/p>\n

3.4 Minera\u00e7\u00e3o de padr\u00f5es frequentes.<\/p>\n

4. Pr\u00e9-processamento de dados<\/p>\n

4.1 Qualidade de dados<\/p>\n

4.2 T\u00e9cnicas de limpeza e transforma\u00e7\u00e3o de dados<\/p>\n

4.3 Redu\u00e7\u00e3o de dimensionalidade<\/p>\n

5. Discuss\u00f5es finais sobre a \u00e1rea<\/p>\n

5.1 Interpretabilidade e explicabilidade em aprendizado de m\u00e1quina<\/p>\n

5.2 Reprodutibilidade de pesquisa em aprendizado de m\u00e1quina<\/p>\n

5.3 Considera\u00e7\u00f5es pr\u00e1ticas sobre uso de algoritmos de aprendizado de m\u00e1quina<\/p>\n

Procedimentos did\u00e1ticos<\/h4>\n

Nos encontros semanais ser\u00e1 realizada a exposi\u00e7\u00e3o te\u00f3rica dos conte\u00fados. Ser\u00e3o propostos exerc\u00edcios para serem realizados pelos alunos de forma individual ou em pequenos grupos, em classe ou de forma aut\u00f4noma. Ao longo do semestre, os alunos desenvolver\u00e3o trabalhos pr\u00e1ticos que podem envolver a implementa\u00e7\u00e3o ou aplica\u00e7\u00e3o de algoritmos de aprendizado de m\u00e1quina em problemas selecionados, ou ainda trabalhos de pesquisa sobre temas selecionados. Os trabalhos ser\u00e3o apresentados de forma oral e\/ou escrita.<\/p>\n

Avalia\u00e7\u00e3o<\/h4>\n

O desempenho do aluno ser\u00e1 avaliado da seguinte forma:<\/p>\n

    \n
  • AT:<\/strong> atividades aut\u00f4nomas propostas ao longo do semestre, podendo ser de teor te\u00f3rico ou pr\u00e1tico<\/li>\n
  • TI:<\/strong> trabalho individual, podendo ser uma prova ou trabalho te\u00f3rico a ser apresentado de forma oral e\/ou escrita<\/li>\n
  • TP:<\/strong> trabalho pr\u00e1tico realizado em grupos<\/li>\n<\/ul>\n

    A composi\u00e7\u00e3o da Nota Final ser\u00e1 realizada da seguinte forma:<\/p>\n

    NF = (AT<\/strong>*0,30) + (TI<\/strong>*0,35) + (TP<\/strong>*0,35)<\/p>\n

    Ser\u00e1 aprovado o aluno que obtiver nota final (NF) acima de 6. O conceito final ser\u00e1 calculado da seguinte forma:<\/p>\n

      \n
    • Conceito A: NF >= 9,0<\/li>\n
    • Conceito B: NF>=7,5 e < 9,0<\/li>\n
    • Conceito C: NF >= 6,0 e < 7,5<\/li>\n
    • Conceito D: NF < 6,0<\/li>\n
    • Conceito FF: caso o aluno n\u00e3o obtenha frequ\u00eancia m\u00ednima de 75%<\/li>\n<\/ul>\n

      \nBibliografia B\u00e1sica<\/h4>\n
        \n
      • FACELI, K. et al. Intelig\u00eancia Artificial: Uma Abordagem de Aprendizado de M\u00e1quina. Editora LTC, 2011.<\/li>\n
      • 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.<\/li>\n
      • HAN, J., KAMBER, M., PEI, J. Data Mining: Concepts and Techniques (3rd ed) Editora Morgan Kaufmann Publishers, 2011.<\/li>\n<\/ul>\n

        Bibliografia Complementar:<\/h4>\n
          \n
        • LUGER,G.F. Intelig\u00eancia Artificial: Estruturas e Estrat\u00e9gias para a Solu\u00e7\u00e3o de Problemas Complexos. Editora Bookman, 2004.<\/li>\n
        • RUSSEL S., NORVIG, P. Intelig\u00eancia Artificial. Editora Campus, 2004<\/li>\n<\/ul>\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 Objetivos Esta disciplina tem por objetivo introduzir os fundamentos da \u00e1rea de aprendizado de m\u00e1quina, incluindo algoritmos de aprendizado supervisionado e n\u00e3osupervisionado, e suas aplica\u00e7\u00f5es. Tamb\u00e9m ser\u00e3o discutidos aspectos envolvidos na metodologia de desenvolvimento de modelos […]<\/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\/profcomp\/wp-json\/wp\/v2\/pages\/645"}],"collection":[{"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/comments?post=645"}],"version-history":[{"count":14,"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/pages\/645\/revisions"}],"predecessor-version":[{"id":5845,"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/pages\/645\/revisions\/5845"}],"up":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/pages\/462"}],"wp:attachment":[{"href":"https:\/\/www.inf.ufrgs.br\/profcomp\/wp-json\/wp\/v2\/media?parent=645"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}