Métodos de machine learning são ferramentas essenciais na análise de dados estruturados e não estruturados, e são ferramentas essenciais na análise quantitativa de informações econômicas e financeiras. O curso tem o objetivo de introduzir o aluno aos principais métodos com foco na implementação computacional e aplicações com dados reais.
Métodos de machine learning e aprendizado estatístico aplicados a problemas de aprendizado supervisionado e não supervisionado. O conteúdo do curso será oferecido em aulas demonstrativas gravadas e a serem acessadas pelos alunos na internet, correspondendo a 2 créditos no formato de Ensino a Distância (EaD). Nas aulas presenciais, referentes a 2 créditos, serão desenvolvidas atividades assistidas de aplicação do conteúdo à distância e feita a monitoria de aprendizado.
1 – Aprendizado Supervisionado x Não Supervisionado 1.1 Aprendizado estatístico – previsão, decomposição e classificação 2 – Modelos Lineares 2.1 Regressão Linear 2.2 Métodos de Shrinkage – Lasso e Elastic Net 3- Métodos lineares de classificação 3. Análise discriminante 3. Regressão Logística 4 – Métodos Não-paramétricos 4.1 Métodos polinomiais e splines, suavizadores 4.2 Métodos de séries e kernel 5 – Modelos fatoriais e redução de dimensão 5.1 Análise fatorial 5.2 Análise de componentes principais 6 – Modelosnãolineares 6.1 Trees, Random Forests 6.2 Suport Vector Machines 7 – Redes Neurais e Deep Learning 7.1 Redes Neurais 7.2 Deep Learning
GERON, Aurelien. Hands–On Machine Learning with Scikit–Learn and TensorFlow. O’Reilly, 2nd ed. 2019. HASTIE, Trevor, TIBSHIRANI, Robert, FRIEDMAN, Jerome. Springer The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition.HASTIE, Trevor, TIBSHIRANI, Robert, WAINWRIGHT, Martin. Statistical Learning with Sparsity: The Lasso and Generalizations. Chapman and Hall/CRC; 1st Edition, 2015.