Ao final desta disciplina, o aluno deverá conhecer o que é aprendizado de máquina. Deverá conhecer os principais métodos de aprendizado supervisionado. Deverá conhecer as formas usuais de avaliação de um modelo e suas limitações. Deverá conhecer pelo menos um sistema onde possa implementar e resolver problemas de aprendizado
Conceitos, hipóteses, tipos de aprendizado, complexidade, erro e ruído. Algoritmos de aprendizado e complexidade do espaço de hipóteses. Avaliação de classificadores por treinamento, validação e teste. Modelos lineares, redes neurais e máquinas de vetores de suporte. Regularização e transformações não lineares (métodos de kernel e função de base radial). Navalha de Occam, viés de amostragem, análise exploratória de dados.
- Conceitos básicos de aprendizado de máquina - Tipos de aprendizado - Espaço de hipóteses - Complexidade do espaço de hipóteses - Complexidade do aprendizado - Função de perda - Erro e ruído - Algoritmos de aprendizado - Avaliação de classificadores por treinamento, validação e teste - Modelos lineares: regressão logística e perceptron - Redes neurais - Máquinas de vetores de suporte - Regularização - Transformações não lineares (métodos de kernel e função de base radial) - Navalha de Occam - Viés de amostragem - Análise exploratória de dados
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
