Disciplina Discipline SIN5007
Reconhecimento de Padrões
Pattern Recognition

Área de Concentração: 100131

Concentration area: 100131

Criação: 18/04/2024

Creation: 18/04/2024

Ativação: 18/04/2024

Activation: 18/04/2024

Nr. de Créditos: 8

Credits: 8

Carga Horária:

Workload:

Docente Responsável:

Professor:

Ariane Machado Lima

Objetivos:

O objetivo geral dessa disciplina é apresentar ao aluno os principais métodos utilizados para análises de dados, compreensão de fenômenos e tomada de decisão em problemas de reconhecimento de padrões. Mais especificamente, serão introduzidos fundamentos e algoritmos para modelagem e classificação de dados, seleção e extração de características, juntamente com os métodos apropriados para avaliação de desempenho dos modelos obtidos. As similaridades e diferenças entre os métodos apresentados e suas principais vantagens e desvantagens serão também abordadas e discutidas ao longo do curso.

Objectives:

The general aim of this course is to introduce students to the main methods used for data analysis, understanding phenomena, and decision-making in pattern recognition problems. More specifically, it will introduce fundamentals and algorithms for data modeling and classification, feature selection and extraction, along with appropriate methods for evaluating the performance of obtained models. The similarities and differences between the presented methods and their main advantages and disadvantages will also be addressed and discussed throughout the course.

Justificativa:

Técnicas de reconhecimento de padrões podem ser utilizadas em várias aplicações de Inteligência Artificial, como na modelagem de fenômenos naturais e classificação de objetos físicos ou padrões abstratos multidimensionais. A compreensão de padrões em dados de alta dimensão é ainda um componente importante para a descoberta de conhecimento em problemas complexos.

Rationale:

Pattern recognition techniques can be used in various applications of Artificial Intelligence, such as modeling natural phenomena and classifying physical objects or multidimensional abstract patterns. Understanding patterns in high-dimensional data is still an important component for knowledge discovery in complex problems.

Conteúdo:

1.Introdução a problemas de reconhecimento de padrões; 2.Análise exploratória e técnicas de pré-processamento; 3.Extração de características e redução de dimensionalidade. Análise de Componentes Principais; 4.Técnicas para seleção de características. Aplicações e avaliação de desempenho. 5.Classificação Bayesiana. Redes Bayesianas e Naive Bayes. 6.Classificadores supervisionados: Máquinas de Vetores Suporte, Árvores de Decisão, Random Forest, Redes Neurais Perceptron Multi-Camadas, Aprendizado Profundo. Aplicações e avaliação de desempenho. 7.Classificação supervisionada multiclasse e multirrótulo; 8.Introdução a comitês de classificadores; 9. Classificadores não supervisionados: Técnicas de agrupamento de dados. Aplicações e avaliação de desempenho. 10. Ética e explicabilidade

Content:

1. Introduction to Pattern Recognition Problems; 2. Exploratory Analysis and Preprocessing Techniques; 3. Feature Extraction and Dimensionality Reduction. Principal Component Analysis; 4. Techniques for Feature Selection. Applications and Performance Evaluation; 5. Bayesian Classification. Bayesian Networks and Naive Bayes; 6. Supervised Classifiers: Support Vector Machines, Decision Trees, Random Forest, Multi-layer Perceptron Neural Networks, Deep Learning. Applications and Performance Evaluation; 7. Multiclass and Multilabel Supervised Classification; 8. Introduction to Classifier Ensembles; 9. Unsupervised Classifiers: Data Clustering Techniques. Applications and Performance Evaluation; 10. Ethics and Explainability.

Forma de Avaliação:

Serão atribuídas notas a trabalhos práticos e provas escritas, executados em classe e/ou como atividade extraclasse. Considerando MP como sendo a média aritmética de provas e TF como sendo a nota do trabalho final, a nota média final (MF) será calculada da seguinte forma: se MP >= 5 MF = (3*MP + 2*TF)/5 senão MF = min(MP, 4,5) Para atribuição de conceito será considerada a seguinte regra: A: MF >= 8,5 B: 7,0 <= MF < 8,5 C: 5,0 <= MF < 7,0 R: MF < 5 (Reprovado)

Type of Assessment:

Grades will be assigned to practical assignments and/or written exams, conducted in class and/or as extracurricular activities. Considering EM as the arithmetic mean of exams and FW as the grade of the final assignment, the final average grade (FA) will be calculated as follows: if EM >= 5 FA = (3*EM + 2*FW)/5 else FA = min(MP, 4,5) The following rule will be considered for assigning a grade: A: FA >= 8,5 B: 7,0 <= FA < 8,5 C: 5,0 <= FA < 7.0 R: FA < 5 (Failed)

Bibliografia:

[1] Bishop, C. Pattern Recognition and Machine Learning. Springer, 2007. [2] Costa, L. F.; Cesar, R. M. Jr. Shape Classification and Analysis: Theory and Practice. 2. ed. CRC Press, 2009. [3] Duda R.; Hart, P.; Stork, D. Pattern Classification and Scene Analysis. John Wiley, 2001. [4] Fukunaga, K. Introduction to Statistical Pattern Recognition. 2nd Edition. New York: Academic Press, 1990. [5] Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning. The MIT Press, 2016. [6] Haykin, S. O. Neural Networks and Learning Machines, 3rd. ed. Prentice Hall, 2008. [7] Hastie, T.; Tibshirani, R.; Friedman, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 3. ed. Springer, 2009 [8] Jolliffe, I. T.Principal Component Analysis. 2. ed. Springer, 2002. [9] Kuhn, M.; Johnson, K. Applied Predictive Modeling. Springer, 2013. [10] Ripley, B. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, 1996. [11] Theodoridis, S.; Koutroumbas, K. Pattern Recognition, 4th ed. Academic Press, 2008 Também serão selecionados artigos a serem discutidos e analisados dos seguintes periódicos (mas não limitados a esses): [1] Artificial Intelligence [2] Artificial Intelligence Review [3] Computational Intelligence [4] Computer Science Review [5] Expert Systems with Applications [6] Frontiers in Computer Science [7] IEEE Transactions on Pattern Analysis and Machine Intelligence [8] Information Processing and Management [9] Journal of Machine Learning Research [10] Machine Learning [11] Pattern Recognition [12] The Journal of Artificial Intelligence Research

Bibliography:

[1] Bishop, C. Pattern Recognition and Machine Learning. Springer, 2007. [2] Costa, L. F.; Cesar, R. M. Jr. Shape Classification and Analysis: Theory and Practice. 2. ed. CRC Press, 2009. [3] Duda R.; Hart, P.; Stork, D. Pattern Classification and Scene Analysis. John Wiley, 2001. [4] Fukunaga, K. Introduction to Statistical Pattern Recognition. 2nd Edition. New York: Academic Press, 1990. [5] Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning. The MIT Press, 2016. [6] Haykin, S. O. Neural Networks and Learning Machines, 3rd. ed. Prentice Hall, 2008. [7] Hastie, T.; Tibshirani, R.; Friedman, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 3. ed. Springer, 2009 [8] Jolliffe, I. T.Principal Component Analysis. 2. ed. Springer, 2002. [9] Kuhn, M.; Johnson, K. Applied Predictive Modeling. Springer, 2013. [10] Ripley, B. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, 1996. [11] Theodoridis, S.; Koutroumbas, K. Pattern Recognition, 4th ed. Academic Press, 2008 Articles to be discussed and analyzed will also be selected from the following journals (but not limited to these): [1] Artificial Intelligence [2] Artificial Intelligence Review [3] Computational Intelligence [4] Computer Science Review [5] Expert Systems with Applications [6] Frontiers in Computer Science [7] IEEE Transactions on Pattern Analysis and Machine Intelligence [8] Information Processing and Management [9] Journal of Machine Learning Research [10] Machine Learning [11] Pattern Recognition [12] The Journal of Artificial Intelligence Research

Tipo de oferecimento da disciplina:

Presencial

Class type:

Presencial