Informa??es da Disciplina

 Preparar para impressão 
Júpiter - Sistema de Graduação

Instituto de Ciências Matemáticas e de Computação
 
Ciências de Computação
 
Disciplina: SCC0276 - Aprendizado de Máquina
Machine Learning

Créditos Aula: 4
Créditos Trabalho: 1
Carga Horária Total: 90 h
Tipo: Semestral
Ativação: 15/07/2017 Desativação:

Objetivos
Apresentar os aspectos fundamentais e principais algoritmos de aprendizado de máquina, que investiga técnicas para desenvolver algoritmos capazes de aprender, ou melhorar seu desempenho, utilizando exemplos de situações previamente observadas. Serão investigados algoritmos que seguem diferentes paradigmas, incluindo algoritmos baseados em procura (algoritmos de indução de arvores de decisão e de conjuntos de regras, redes neurais artificiais (perceptron e multilayer perceptron), modelos probabilísticos (regressão logística e naive Bayes) e algoritmos baseados em distancia. Além do estudo dos algoritmos de aprendizado baseados em diferentes paradigmas, será estudada a realização experimentos com desses algoritmos para entender como eles induzem conhecimento utilizando aplicações reais.
 
 
 
Docente(s) Responsável(eis)
55735 - Roseli Aparecida Francelin Romero
 
Programa Resumido
Aspectos básicos de Aprendizado de Máquina; Tarefas de aprendizado; Viés indutivo; Aprendizado descritivo; Aprendizado preditivo; Algoritmos de Aprendizado de Máquina; Algoritmos que seguem diferentes paradigmas, incluindo algoritmos baseados em procura (algoritmos de inducao de arvores de decisao e de conjuntos de regras, redes neurais artificiais (perceptron e multilayer perceptron) e modelos probabilisticos (regressão logística e naive Bayes); Medidas de avaliação; Aplicações de Aprendizado de Máquina.
 
 
 
Programa
Aspectos básicos de Aprendizado de Máquina; Tarefas de aprendizado; Viés indutivo; Aprendizado descritivo; Aprendizado preditivo; Algoritmos de Aprendizado de Máquina; Algoritmos que seguem diferentes paradigmas, incluindo algoritmos baseados em procura (algoritmos de inducao de arvores de decisao e de conjuntos de regras, redes neurais artificiais (perceptron e multilayer perceptron) e modelos probabilisticos (regressão logística e naive Bayes); Medidas de avaliação; Aplicações de Aprendizado de Máquina.
 
 
 
Avaliação
     
Método
Exercícios e trabalhos práticos dentro e fora da classe. Aulas práticas utilizando simulações em microcomputador. Seminários para discussão de resultados obtidos nas aplicações. Participaçãodas aulas práticas e seminários. Trabalhos práticos extraclasse. Ministrar seminários.
Critério
Serão atribuídas notas aos trabalhos práticos e participação em discussões e seminários. A nota final será calculada pela média ponderada das notas obtidas pelo aluno no decorrer do semestre.
Norma de Recuperação
Critério de aprovação: NP + (Mrec/2,5), se Mrec > ou =7,5; ou Max {NP, Mrec}, se Mrec < ou = 5,0; ou 5,0, se 5,0 < ou = Mrec < 7,5.( NP=1ª avaliação, Mrec=prova)
 
Bibliografia
     
Alpaydin, E. (2004). Introduction to Machine Learning. MIT Press. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. Faceli, Katti; Lorena, Ana Carolina; Gama, João ; de Carvalho, A. C. P. L. F. (2011). Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. 1. ed. Rio de Janeiro: LTC. Flach, P. (2012). Machine Learning:The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press.
 

Clique para consultar os requisitos para SCC0276

Clique para consultar o oferecimento para SCC0276

Créditos | Fale conosco
© 1999 - 2020 - Superintendência de Tecnologia da Informação/USP