Jupiterweb

Informações da Disciplina

Preparar para impressão

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação

Escola Politécnica

Eng Mecatrônica Sist Mecânicos

Disciplina: PMR3508 - Aprendizado de Máquina e Reconhecimento de Padrões

Machine Learning and Pattern Recognition

Créditos Aula:	4
Créditos Trabalho:	0
Carga Horária Total:	60 h
Tipo:	Semestral
Ativação:	01/01/2019	Desativação:

Objetivos

Introdução às técnicas básicas de reconhecimento de padrões (classificadores probabilísticos, árvores de decisão, redes neurais, SVMs, regressão) e visão computacional (modelos de imagem, processamento de imagens, visão estéreo, reconhecimento de objetos).

Introduction to basic tools of pattern recognition (probabilistic classifiers, decision trees, neural networks, SVMs, regression) and computer vision (image models, image processing, stereo vision, object recognition).

Docente(s) Responsável(eis)

62900 - Fabio Gagliardi Cozman

Programa Resumido

Princípios de reconhecimento de padrões, classificadores probabilísticos, árvores de decisão, redes neurais, SVMs; regressão; aprendizado não-supervisionado; modelos de imagem e processamento de imagens; visão estéreo; reconhecimento de objetos.

Principles of pattern recognition, probabilistic classifiers, decision trees, neural networks, SVMs, regression; unsupervised learning; image formation and image processing; stereo vision; object recognition.

Programa

Princípios de reconhecimento de padrões e relação com ciência de dados; visão geral das aplicações práticas.
Teoria de decisão e estimação; noções do pacote R.
Classificadores probabilísticos (terminologia básica, limites de desempenho).
Árvores de decisão e métodos não-paramétricos; redes neurais e SVMs. 
Regressão linear e logística.
Aprendizado não-supervisionado.
Modelos de imagem e processamento de imagens.
Segmentação e alinhamento.
Visão estéreo.
Reconhecimento de objetos.

Principles of pattern recognition, relationship with data science; overview of practical applications. Decision and estimation theory; notions on the R package. Probabilistic classifiers (basic terminology, performance limits). Decision trees and nonparametric methods; neural networks and SVMs. Linear and logistic regression. Unsupervised learning. Image formation and image processing. Segmentation and alignment. Stereo vision. Object recognition.

Avaliação

Método

Aulas expositivas, exercícios em sala, lista de exercícios, atividades práticas.

Critério

Média final: MF = (P1+2P2+T)/4 onde P1=prova1, P2=prova2, T=trabalho.

Norma de Recuperação

Duas provas e trabalhos.

Bibliografia

Livros texto:
An Introduction to Statistical Learning with Applications in R. G. James, D. Witten, T. Hastie, R. Tibshirani, Springer 2013.
Computer Vision: Algorithms and Applications. R. Szeliski, Springer 2010.
TEXTO ADICIONAL:
Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina. A. P. L. Carvalho, K. Facelli, A. Carolina, J. Garra, 2012.

Clique para consultar os requisitos para PMR3508

Clique para consultar o oferecimento para PMR3508