|
Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação
|
Instituto de Matemática e Estatística |
|
Matemática Aplicada |
|
Disciplina: MAP2314 - Teoria de Informação, Inferência Bayesiana e Machine Learning
|
Information Systems Theory, Bayesian Inference and Machine Learning
|
Créditos Aula: |
4
|
Créditos Trabalho: |
0 |
Carga Horária Total: |
60 h
|
Tipo: |
Semestral
|
Ativação: |
01/01/2018
|
Desativação:
|
Objetivos |
Introduzir fundamentos de Teoria de Informação, Inferência Bayesiana
e Machine Learning de maneira integrada. |
|
|
|
|
Docente(s) Responsável(eis) |
|
|
Programa Resumido |
1. Introdução à Teoria de Informação;
2. Compressão de dados e codificação de canal ruidoso;
3. Problemas de inferência;
4. Redes neurais. |
|
|
|
|
Programa |
1. Probabilidade, Entropia e Inferência;
2. Teorema de codificação de fonte;
3. Teorema de codificação de canais ruidosos;
4. Métodos de agrupamento;
5. Inferência e marginalização exatas;
6. Comparação de modelos ;
7. Método de Monte Carlo;
8. Modelo de Ising;
9. Métodos variacionais;
10. Análise de componentes independentes (ICA);
11. Introdução às Redes Neurais;
12. Classificação;
13. Aprendizagem de máquina e inferência;
14. Redes de Hopfield;
15. Máquinas de Boltzmann;
16. Aprendizagem supervisionada em Redes Multicamada;
17. Processos Gaussianos.
|
|
|
|
|
Avaliação |
|
Método |
Aulas, exercícios e exercícios-programa. |
Critério |
Média ponderada de provas e exercícios maior ou igual a cinco. |
Norma de Recuperação |
Média ponderada de provas e exercícios. |
|
|
|
D. J. C. MacKay, Information Theory, Inference and Learning Algorithms, 1 ed, Cambridge University Press, 2003. E. T. Jaynes, Probability Theory: The Logic of Science,1 ed, Cambridge University Press, 2003. D. Sivia e J. Skilling, Data Analysis: A Bayesian Tutorial, 2 ed, Oxford University Press, 2006. T. M. Cover e J.A. Thomas, Elements of Information Theory,2 ed, Wiley Interscience, 2006. |
|
|