Apresentar aspectos da teoria e técnicas de Reconhecimento Estatístico de Padrões ou Aprendizado Computacional, como também é conhecida a área.
Representação de classificadores: funções Booleanas e multivaloradas, coleções de intervalos maximais, árvores de decisão, redes neurais, classificadores lineares. Teoria de decisão de Bayes. Projeto heurístico de classificadores pela formalização de conhecimento a priori do contexto da aplicação. Estimação paramétrica de distribuições. Estimação não paramétrica (aprendizado computacional). Convergência em probabilidade. Aprendizado PAC, complexidade de amostras. Algoritmos de aprendizado (I.e., estimadores de parâmetros de classificadores). Aprendizado com restrição na família de classificadores: envelopes, multi-resolução, envelope-multiresolução, iterativo. Estimação Bayesiana de classificadores. Escolha de características por minimização da Entropia: IFSS, U-curve. Estimadores de erro do classificador: deixe um fora, boot strap, booster, erro amostral completo, etc. Aplicações em Recuperação de Imagens por conteúdo, Bioinformática, Biologia de Sistemas, auxílio a diagnóstico e outros problemas de interesse em informática médica.
Revisão de Probabilidade e Estatística; Teoria Bayesiana da Decisão; Técnicas não-paramétricas para aferir densidades; Classificação Supervisionada: hiperplanos em problemas linearmente separáveis; Classificação não-Supervisionada: métricas e algoritmos para agrupamento; Redução de Dimensionalidade: PCA (Principal Component Analysis) e ICA (Independent Component Analysis). Aplicações em Bioinformática, Biologia Sistêmica, Recuperação de Imagens por conteúdo, auxílio a diagnóstico e outros problemas de interesse em informática biomédica.
1. Richard O. Duda, Peter E. Hurt, David G. Stork. Pattern Classification. John Wiley and Sons. Inc.2. Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer.