Informações da Disciplina

 Preparar para impressão 

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


Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto
 
Computação e Matemática
 
Disciplina: 5954031 - Aprendizado de Máquina
Machine Learning

Créditos Aula: 4
Créditos Trabalho: 2
Carga Horária Total: 120 h
Tipo: Semestral
Ativação: 15/07/2021 Desativação:

Objetivos
Oferecer uma visão ampla de técnicas de aprendizado de máquina e suas aplicações. Os estudantes ganham habilidade prática na seleção, aplicação e avaliação de algoritmos de aprendizado de máquina ao analisar conjuntos de exemplos de diversos domínios.
 
 
 
Docente(s) Responsável(eis)
1164815 - José Augusto Baranauskas
 
Programa Resumido
O processo de extração de conhecimento e mineração de dados. Pré-processamento, mineração e pós-processamento de dados. Aprendizado por memorização. Árvores de decisão. Classificadores baseados em regras. Máquina de Vetores de Suporte. Avaliação e comparação de classificadores. Mineração de regras de associação. Agrupamento de dados (clustering).
 
 
 
Programa
O que é aprendizado de máquina no contexto de mineração de dados, suas relações com outros campos. Levantamento das principais técnicas e aplicações. Exploração de dados. Pré-processamento de dados: agregação, amostragem, discretização e seleção de atributos. Família de algoritmos baseados em memorização. Algoritmo de indução de árvores de decisão: o que são árvores de decisão, como selecionar a melhor divisão, como lidar com valores contínuos e atributos faltantes, super-ajuste (overfitting). Algoritmos que induzem classificadores baseados em regras: o que é uma regra de classificação, avaliação de uma regra. Medidas de avaliação do desempenho de um classificador, custos de classificação incorreta, o problema do desequilíbrio de classes, validação cruzada, bootstrap, comparação de classificadores. Mineração de regras de associação: o algoritmo Apriori. Conceitos básicos sobre agrupamentos. Similaridade e medidas de dissimilaridade. Validação de agrupamentos. Agrupamento hierárquico. Aplicações.
 
 
 
Avaliação
     
Método
Aulas teóricas e práticas complementadas com exemplos e exercícios propostos.
Critério
Serão atribuídas notas a provas e a exercícios e/ou trabalhos práticos. A nota final será determinada pela composição das várias notas obtidas pelo aluno no decorrer do semestre, de acordo com critérios estabelecidos pelo docente ministrante, o qual deverá dar ciência aos discentes sobre estes critérios no início do semestre.
Norma de Recuperação
Uma prova escrita dentro do prazo regimental. A nota da segunda avaliação será a média aritmética entre a nota da prova de recuperação e a nota final da primeira avaliação. O aluno será aprovado se obtiver nota na segunda avaliação igual ou superior a 5,0 (cinco).
 
Bibliografia
     
1.	WITTEN, I. H. & FRANK, E., Data Mining: Practical Machine Learning Tools and Techniques, 3th ed., Morgan Kaufmann, 2016, ISBN: 978-0128042915	
2.	HAN, Jiawei & KAMBER, Micheline. Data Mining Concepts and Techniques, 2nd ed, Morgan Kaufmann, 2006.	
3.	RUSSELL, S. J. & NORVIG, P. Inteligência Artificial, 3ª edição, GEN LTC, 2013. ISBN: 978-8535237016.
4.	REZENDE, S.O. (ed). Sistemas Inteligentes, Manole, 2003, ISBN 85-204-1683-7.
5.	QUINLAN, J. R., C4.5: Programs for Machine Learning, Morgan Kaufmann, 1993.
6.	BREIMAN, L., Classification and Regression Trees, CRC Press, 1983.	
7.	MITCHELL, T. M., Machine Learning, McGraw-Hill, 1997.
8.	CHERKASSKY, Vladimir & MULIER, F. Learning from data, 2nd ed, IEEE Press, 2007.
9.	WEISS, S. M. & INDURKIHYA, N., Predictive Data Mining, Morgan Kaufmann, 1998.
10.	MORIK, K.; WROBEL, S. & KIETZ, J., Knowledge Aquisition and Machine Learning, Academic Press, 1994.
11.	LANGLEY, P., Elements of Machine Learning, Morgan Kaufman, 1996.	
12.	HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J. H., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Verlag, 2001.
 

Clique para consultar os requisitos para 5954031

Clique para consultar o oferecimento para 5954031

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP