Informações da Disciplina

 Preparar para impressão 

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


Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto
 
Economia
 
Disciplina: REC3312 - Métodos de Machine Learning
Machine Learning Methods

Créditos Aula: 4
Créditos Trabalho: 1
Carga Horária Total: 90 h
Tipo: Semestral
Ativação: 01/01/2022 Desativação:

Objetivos
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.
 
 
 
Docente(s) Responsável(eis)
1294202 - Marcio Poletti Laurini
 
Programa Resumido
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.
 
 
 
Programa
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
 
 
 
Avaliação
     
Método
Ensino a Distância (EaD): A critério do professor, considerando as ferramentas adequadas de EaD para a temática da disciplina: Vídeo-aulas curtas (sugestão: 30 minutos), com clara definição de objetivos de aprendizagem, conexão com o tópico em estudo e uma forma de avaliação rápida de aprendizado (questão interativa); Uma forma de interação entre o docente e/ou assistentes e os estudantes, como fórum de discussão ou ferramenta similar; Presencial: A critério do professor.
Critério
A critério do professor, mesclando ferramentas EaD, como atividades avaliativas formativas, tais como testes e relatórios com retorno (automático ou não) sobre erros e acertos do estudante, e presenciais. Aprovação com nota igual ou superior a 5,0 e mínimo de 70% de frequência.
Norma de Recuperação
A nota final para alunos que fizerem a reavaliação será a média simples entre a nota da prova de reavaliação e a média final alcançada antes da prova de reavaliação.
 
Bibliografia
     
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.
 

Clique para consultar os requisitos para REC3312

Clique para consultar o oferecimento para REC3312

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