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 e Faculdade de Medicina de Ribeirão Preto
 
Informática Biomédica
 
Disciplina: IBM1090 - Reconhecimento de Padrões
Pattern Recognition

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2014 Desativação: 31/12/2018

Objetivos
Apresentar aspectos da teoria e técnicas de Reconhecimento Estatístico de Padrões ou Aprendizado Computacional, como também é conhecida a área.
 
 
 
Docente(s) Responsável(eis)
775843 - Joaquim Cezar Felipe
1068703 - Luiz Otavio Murta Junior
2369711 - Ricardo Zorzetto Nicoliello Vencio
 
Programa Resumido
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.
 
 
 
Programa
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.
 
 
 
Avaliação
     
Método
Aulas expositivas, aulas com demonstrações computacionais e aulas de exercícios com os estudantes.
Critério
Serão atribuídas notas a exercícios e/ou trabalhos práticos e provas. A nota final será calculada pela média ponderada dessas várias notas obtidas pelo aluno no decorrer 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.	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.
 

Clique para consultar os requisitos para IBM1090

Clique para consultar o oferecimento para IBM1090

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