Informações da Disciplina

 Preparar para impressão 

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria 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: 01/01/2024 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)
5890222 - Diego Furtado Silva
 
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 e Paradigmas de Aprendizado. Indução de Hipóteses e Viés Indutivo. Pré-processamento de dados (amostragem, dados desbalanceados, limpeza, transformação e redução de dimensionalidade). Modelos Preditivos: métodos baseados em distâncias (k-NN), métodos probabilísticos (Naive Bayes e Regressão Logística), métodos baseados em procura (Indução de Árvores de Decisão e Regressão e de Conjuntos de Regras), métodos baseados em otimização (Redes Neurais Artificiais e Máquinas de Vetores de Suporte) e medidas de avaliação para modelos preditivos. Modelos Descritivos: regras de associação, análise de agrupamentos e medidas de avaliação para modelos descritivos. Aplicações de Aprendizado de Máquina.
Atividades de Extensão:
Os estudantes podem realizar projetos em grupo para conscientização da população sobre algoritmos baseados em Aprendizado de Máquina e seus impactos no uso da tecnologia do dia-a-dia, incluindo sistemas de risco (bancário, crédito, seguro), entre outros. Há vários temas que podem ser vistos sob esta ótica. A realização de cursos para a sociedade, palestras e produção de conteúdo são candidatos.
Carga Horária: 10 horas.
 
 
 
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
     
Stuart Russell; Peter Norvig. Artificial Intelligence: A Modern Approach, Pearson Education Limited; 4ª edition, 2021. 
Katti Faceli, Ana Carolina Lorena, João Gama, Thiago Agostinho de Almeida, André C.P.L.F. de Carvalho, Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina, LTC; 2ª edição, 2021. 
Alpaydin, E. (2004). Introduction to Machine Learning. MIT Press. 
Mitchell, T. M. (1997).  Machine Learning. McGraw-Hill. 
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 - 2024 - Superintendência de Tecnologia da Informação/USP