Informações da Disciplina

 Preparar para impressão 

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


Instituto de Matemática e Estatística
 
Estatística
 
Disciplina: MAE0501 - Aprendizagem Estatística
Statistical Learning

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2022 Desativação:

Objetivos
Apresentar técnicas atuais de aprendizagem estatística, no caso clássico e no caso de altas dimensões, isto é, quando o número de parâmetros a serem estimados é muito maior que o número de observações. Fornecer ferramentas teóricas de análise e exemplos práticos de aplicação.
 
 
 
Docente(s) Responsável(eis)
4879276 - Florencia Graciela Leonardi
 
Programa Resumido
Programa Resumido
1.	Introdução à aprendizagem estatística
2.	Modelos lineares para regressão e classificação 
3.	Seleção e avaliação de modelos
4.	Modelos não lineares
5.	Métodos baseados em árvores
6.	Redes neurais e aprendizagem profunda
7.	Tópicos especiais
 
 
 
Programa
Programa Detalhado
1.	Introdução à aprendizagem estatística: problemas supervisionados e não supervisionados, regressão e classificação, exemplos. Medidas de avaliação do desempenho.  Função de custo, erro empírico e erro esperado. Estimação do erro esperado de predição numa amostra: divisão da amostra em treino, validação e teste.
2.	Modelos lineares para regressão e classificação: modelo linear para regressão. Estimadores de mínimos quadrados e regularização em alta dimensão:  Ridge, LASSO, BIC e algoritmos gulosos (forward, backward). Regressão logística para classificação, algoritmo do gradiente descendente. 
3.	Seleção e avaliação de modelos: estimação do erro esperado por validação e validação cruzada. Comparação de modelos. Decomposição do erro esperado em viés e variância. Navalha de Occam. Problema de bisbilhotagem.
4.	Modelos não lineares: regressão polinomial, splines e modelos aditivos generalizados.
5.	Métodos baseados em árvores: bagging, florestas aleatórias e boosting. Gradiente boosting. 
6.	Redes neurais e aprendizagem profunda:  redes com uma camada e com múltiplas camadas. Redes convolucionais. Ajuste dos parâmetros: retropropagação, regularização e descendente do gradiente estocástico. 
7.	Tópicos especiais: aprendizagem não supervisionada, modelos gráficos, modelos para redes aleatórias, redes neurais recursivas, XGBoost.
 
 
 
Avaliação
     
Método
Aulas e Exercícios.
Critério
Média ponderada de provas e exercícios.
Norma de Recuperação
Média ponderada entre prova de recuperação e média do semestre.
 
Bibliografia
     
Bibliografia básica
1.	G. James, D. Witten, T. Hastie & R. Tibshirani. An Introduction to Statistical Learning with Applications in R, Springer, 2013.
2.	T. Hastie, R. Tibshirani & J. Friedman. The Elements of Statistical Learning. 2nd edition. Springer, 2009. 

Bibliografia complementar
1.	Izbicki, R. e Santos, T. M. dos. Aprendizado de máquina: uma abordagem estatística. 1ᵃ edição, 2020. 
2.	Y. Abu-Mostafa, M. Magdon-Ismail & H.T Lin. Learning from Data. AMLBook, 2012.
3.	B. Efron & J. Friedman. Computer Age Statistical Inference. Cambridge University Press, 2016.
4.	T. Hastie, R. Tibshirani & M. Wainwright. Statistical Learning with Sparsity. The Lasso and Generalizations. CRC Press, 2015. 
5.	Goodfellow, I. Bengio, Y. and Courville, A. Deep Learning. MIT Press. 2016
 

Clique para consultar os requisitos para MAE0501

Clique para consultar o oferecimento para MAE0501

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