Informações da Disciplina

 Preparar para impressão 

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


Instituto de Matemática e Estatística
 
Ciência da Computação
 
Disciplina: MAC0460 - Introdução ao aprendizado de máquina
Introduction to Machine Learning

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2024 Desativação:

Objetivos
Introduzir os principais conceitos, fundamentos e algoritmos de aprendizado de máquina. Introduzir métodos de avaliação de modelos e suas limitações. Introduzir técnicas para lidar com o sobreajuste de modelos. Utilizar bibliotecas de aprendizado de máquina para resolver problemas de predição. 
 
To introduce the main machine learning concepts, fundamentals and algorithms. Introduce methods for model evaluation and their limitations. Introduce techniques to handle overfitting. Use machine learning libraries to solve prediction problems.
 
 
Docente(s) Responsável(eis)
78352 - Flavio Soares Correa da Silva
72450 - Junior Barrera
1620932 - Nina Sumiko Tomita Hirata
2017173 - Roberto Hirata Junior
63092 - Ronaldo Fumio Hashimoto
29332 - Routo Terada
 
Programa Resumido
Tipos de aprendizado de máquina, conceitos básicos, algoritmos de aprendizado de máquina, avaliação e
seleção de modelos, teoria de generalização. 
 
Types of machine learning, basic concepts, machine learning algorithms, model evaluation and selection, theory of generalization.
 
 
Programa
1. Aprendizado supervisionado e não-supervisionado
2. Conceitos básicos
2.1. Espaço de hipóteses
2.2. Algoritmos de aprendizado
2.3. Função de perda
3. Algoritmos de aprendizado de máquina
3.1. Modelos lineares: regressão linear, regressão logística e perceptron
3.2. Máquinas de vetores de suporte
3.3. Redes Neurais
3.4. Transformações não lineares (métodos de kernel e função de base radial)
3.5. Algoritmos não-supervisionados 
4. Avaliação e seleção de modelos
4.1. Treinamento e inferência: erro de treinamento e de teste
4.2. Ruído nos dados
4.3. Overfitting
4.4. Regularização
4.5. Validação
5. Teoria de generalização
5.1. Complexidade do espaço de hipóteses: dimensão VC
5.2. Tradeoff viés-variância
5.3. Princípios: navalha de Occam, viés de amostragem, bisbilhotagem de dados
 
1. Supervised and unsupervised machine learning 2. Basic concepts 2.1. Hypothesis space 2.2. Learning algorithms 2.3. Loss function 3. MAchine learning algorithms 3.1. Linear models: linear regression, logistic regression and perceptron 3.2. Support Vector Machines 3.3. Neural Networks 3.4. Non-linear transformations (kernel methods and radial basis function) 3.5. Unsupervised algorithms 4. Model evaluation and selection 4.1. Training and inference: training error and test error 4.2. Noisy data 4.3. Overfitting 4.4. Regularization 4.5. Validation 5. Theory of generalization 5.1. Complexity of the hypothesis space: VC dimension 5.2. Bias-variance tradeoff 5.3. Principles: Occam's razor, sampling bias, data snooping
 
 
Avaliação
     
Método
Média de provas, listas e exercícios práticos.
Critério
Média de provas, listas e exercícios práticos maior ou igual a 5.
Norma de Recuperação
Em caso de média geral maior ou igual a 3 e menor que 5, a nova média geral consiste de uma média ponderada entre a média geral e uma prova de recuperação.
 
Bibliografia
     
Bibliografia básica

● 1. Abu-Mostafa et al. Learning from Data, AMLBook.com (https://work.caltech.edu/lectures.html)

● 2. Tom M. Mitchell, Machine Learning, MIT Press e McGraw-Hill, 1997
(http://www.cs.cmu.edu/~tom/mlbook.html)

● 3. Mohammed J. Zaki, Wagner Meira, Jr., Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2nd Edition, Cambridge University Press, March 2020
(https://dataminingbook.info/book_html/)

Bibliografia complementar 

● 1. T. Hastie e R. Tibshirani e J. Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction, Springer, 2009 (https://hastie.su.domains/ElemStatLearn/)

● 2. Michael A. Nielsen, Neural Networks and Deep Learning, Determination Press, 2015
(http://neuralnetworksanddeeplearning.com/)

● 3. R. O. Duda, P. E. Hart, D. Stork, Pattern Classification, Wiley-Interscience; 2nd edition (October 2000)

● 4. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
 

Clique para consultar os requisitos para MAC0460

Clique para consultar o oferecimento para MAC0460

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