Informações da Disciplina

 Preparar para impressão 

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


Instituto de Ciências Matemáticas e de Computação
 
Matemática Aplicada e Estatística
 
Disciplina: SME0829 - Aprendizado de Máquina
Machine Learning

Créditos Aula: 4
Créditos Trabalho: 2
Carga Horária Total: 120 h
Tipo: Semestral
Ativação: 01/01/2022 Desativação:

Objetivos
Apresentar e discutir os fundamentos e principais algoritmos de aprendizado de máquina, que investigam a indução de modelos capazes de aprender/melhorar seu desempenho, utilizando exemplos de situações previamente observadas. Além do estudo dos algoritmos de aprendizado baseados em diferentes paradigmas, será estudada a realização de experimentos com esses algoritmos para entender como eles induzem conhecimento utilizando dados gerados e aplicações reais.

 
 
 
Docente(s) Responsável(eis)
94764 - André Carlos Ponce de Leon Ferreira de Carvalho
3455521 - Cibele Maria Russo Novelli
6725830 - Katiane Silva Conceição
57696 - Marinho Gomes de Andrade Filho
 
Programa Resumido
Aspectos básicos de Aprendizado; Tarefas de aprendizado; Aprendizado descritivo;Aprendizado preditivo;Algoritmos de Aprendizado de Máquina; Aplicações de Aprendizado de Máquina.
 
 
 
Programa
Aspectos básicos de Aprendizado; Tarefas de aprendizado; Aprendizado descritivo;Aprendizado preditivo;Algoritmos de Aprendizado de Máquina; Aplicações de Aprendizado de Máquina.
 
 
 
Avaliação
     
Método
Exposição teórica com vistas aos objetivos aplicativos da matéria, seguida de exercícios e trabalhos práticos dentro e fora da classe.
Critério
Avaliação por meio de provas escritas, trabalhos e seminários.
Norma de Recuperação
Número de provas: no mínimo uma (01) e no máximo três (03) provas. Critério de aprovação: a nota final (MF) do aluno que realizou provas de recuperação dependerá da média do semestre (MS) e da média das provas de recuperação (MR), como segue: MF=5 se 5 <= MR <= 10 - MS; MF = (MS + MR) / 2 se MR > 10 - MS MF = MS se MR < 5.
 
Bibliografia
     
Livros textos:
- 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.
- Friedman, J., Hastie, T., &Tibshirani, R. (2001). The elements of statistical learning (Vol. 1). Springer, Berlin: Springer series in statistics.
- Bishop, C, (2007), Pattern Recognition and Machine Learning, Springer-Verlag New, 2007
https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf


Complementar:
- 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.
- Provost, F.; Fawcett, T. Data Science for Business: What you need to know about data mining and data-analytic thinking  by O'Reilly Media, 2013.
- Han, J.; Kamber, M.; Pei, J. Data Mining: Concepts and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems). Morgan Kaufmann , 2011.
- Witten, I.; Frank, E. Third Edition (The Morgan Kaufmann Series in Data Management Systems). 2011.
- Tan, P.-N.; Steinbach, M.; Kumar, T. Introduction to Data Mining. Addison Wesley, 2005.
 

Clique para consultar os requisitos para SME0829

Clique para consultar o oferecimento para SME0829

Créditos | Fale conosco
© 1999 - 2022 - Superintendência de Tecnologia da Informação/USP