Área de Concentração: 95131
Concentration area: 95131
Criação: 17/06/2020
Creation: 17/06/2020
Ativação: 17/06/2020
Activation: 17/06/2020
Nr. de Créditos: 8
Credits: 8
Carga Horária:
Workload:
Teórica (por semana) |
Theory (weekly) |
Prática (por semana) |
Practice (weekly) |
Estudos (por semana) |
Study (weekly) |
Duração | Duration | Total | Total |
|---|---|---|---|---|---|---|---|---|---|
| 4 | 2 | 4 | 12 semanas | 12 weeks | 120 horas | 120 hours |
Docentes Responsáveis:
Professors:
Ronaldo Fumio Hashimoto
Junior Barrera
Roberto Marcondes Cesar Junior
Ricardo Zorzetto Nicoliello Vencio
Marcelo da Silva Reis
Objetivos:
Introduzir conceitos, fundamentos e técnicas básicas de Aprendizagem de Máquina supervisionado e não-supervisionado. Aplicar as técnicas estudadas em problemas clássicos de Aprendizagem de Máquina em problemas de Bioinformática.
Justificativa:
A solução de diversos problemas práticos de análise de dados numéricos ou categorizados envolve geralmente alguma etapa na qual objetos ou elementos (padrões) precisam ser aglomerados (para posterior categorização), ou classificados. Métodos de Aprendizagem de Máquina para realizar esse tipo de tarefa vêm sendo desenvolvidos ao longo das últimas décadas em diferentes contextos de aplicações, especialmente na área de Bioinformática.
Conteúdo:
1. Introdução; 2. Revisão de conceitos matemáticos; 3. Vetores e Espaços de Características; 4. Classificadores Supervisionados: Perceptron, Regressão Logística, Máquinas de Suporte Vetorial, Árvore de Decisão, Floresta Aleatória, Redes Neurais, Menor Distância ao Protótipo, k-Vizinhos mais Próximos. 5. Sobreajustamento, Regularização, Validação 6. Seleção de Características e Redução de Dimensionalidade. 7. Classificadores Não-Supervisionados: Algoritmos Sequenciais, Algoritmos Hierárquicos.
Forma de Avaliação:
: Média ponderada de provas e exercícios maior que 5 (cinco).
Observação:
Essa disciplina substitui a disciplina IBI5031 - Reconhecimento de Padrões I
Bibliografia:
1. L. da F. Costa and R.M. Cesar -Jr., Shape Analysis and Classification: Theory and Practice, CRC Press, 2010. 2. R.O. Duda, P.E. Hart. D. Stork, Pattern Classification, John Wiley & Sons, NY, 2000. 3. S. Raschka and V. Mirjalili, Python Machine Learning, Packt Publishing, 3rd Edition, 2019. 4. A. C. Mueller and S. Guido, Introduction to Machine Learning with Python, O′Reilly, 2016.
Tipo de oferecimento da disciplina:
Presencial
Class type:
Presencial