A plataforma de comunicação principal será o grupo no classroom.
As aulas serão presenciais.
- Atendimento: sob demanda.
- Horário: Terça e Quinta, 13:00-15:00
- Local: Ter: LEP1, Qui: F2-010
- Monitor(a): Giovanna Magalhães
Introdução ao Aprendizado de Máquina
Desenvolvimento das competências fundamentais de Aprendizado de Máquina.
Informação Básica
Ementa
- Contextualizando o aprendizado de máquina (história e paradigmas)
- Questões éticas
- Tipos de aprendizado de máquina: supervisionado, não supervisionado, por reforço
- Métricas de avaliação
- Métodos de aprendizado: classificação (árvore de decisão, regressão linear, regressão logística, classificador Bayesiano, redes neurais, CART), agrupamento (K-means, classificação hierárquico)
- Redes neurais, redes neurais recorrentes, redes convolucionais, e transformers.
Cronograma Planejado
| Data | Leituras | Conteúdo | Material |
|---|---|---|---|
| Ter 10/03 | Funcionamento do curso e brainstorming do trabalho da disciplina | ||
| Qui 12/03 | Capítulo 1 | Introdução, Dados | — |
| Ter 17/03 | Capítulo 1 | Tarefas, Modelos e Parâmetros, Aprendizagem | — |
| Qui 19/03 | Capítulo 1 | Funções de Perda, Otimização, Componentes de Aprendizagem | — |
| Ter 24/03 | Sem aula: semana da computação | ||
| Qui 26/03 | Sem aula: semana da computação | ||
| Ter 31/03 | Capítulo 2 | Modelos Lineares, Função de perda L2, o Método dos Mínimos Quadrados | [Notebook 1] |
| Qui 02/04 | — | Atividade de Regressão Linear | — |
| Ter 07/04 | Capítulo 2 | Numpy, Pandas, Matplotlib, Scikit-learn | [Notebook 1] |
| Qui 09/04 | Capítulo 2 | Modelos de regressão polinomial, Função de perda L1 | [Notebook 2] |
| Ter 14/04 | Capítulo 3 | A tarefa de classificação, Definições Básicas | — |
| Qui 16/04 | Capítulo 3 | Classificadores Lineares, Regressão Logística | — |
| Ter 21/04 | Sem aula: dia de tiradentes | ||
| Qui 23/04 | Sem aula: dia de são jorge | ||
| Ter 28/04 | Sem aula: professor em evento acadêmico | ||
| Qui 30/04 | Sem aula: professor em evento acadêmico | ||
| Ter 05/05 | Capítulo 3 | Regressão Logística, Análise Discriminante | — |
| Qui 07/05 | Capítulo 3 | Análise Discriminante, Naive Bayes | — |
| Ter 12/05 | — | — | — |
| Qui 14/05 | — | — | — |
| Ter 19/05 | — | — | — |
| Qui 21/05 | — | — | — |
| Ter 26/05 | — | — | — |
| Qui 28/05 | — | — | — |
| Ter 02/06 | — | — | — |
| Qui 04/06 | Sem aula: corpus christi | ||
| Ter 09/06 | — | — | — |
| Qui 11/06 | — | — | — |
| Ter 16/06 | — | — | — |
| Qui 18/06 | — | — | — |
| Ter 23/06 | — | — | — |
| Qui 25/06 | — | — | — |
| Ter 30/06 | — | — | — |
| Qui 02/07 | — | — | — |
| Ter 07/07 | — | — | — |
| Qui 09/07 | — | — | — |
| Ter 14/07 | — | — | — |
| Qui 16/07 | — | — | — |
Bibliografia
Bibliografia Primária
- James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). Statistical learning. In An introduction to statistical learning: With applications in Python. Cham: Springer International Publishing.
- Introduction to Machine Learning - Ludwig Maximilian University of Munich (LMU Munich). Disponível em https://slds-lmu.github.io/i2ml/
Bibliografia Secundária
- I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016. Disponível em https://www.deeplearningbook.org
Avaliação
- ✅ 1 Prova individual escrita (P1)
- ✅ 1 Trabalho em grupo (P2)
- ✅ 1 Prova de Reposição (PR) - apenas com justificativa de acordo com o regulamento da universidade. Substitui a nota da P1 apenas.
- ✅ 1 Prova Final (PF)
MP = (P1 + P2) / 2
Se MP < 3 → Reprovado
Se MP ≥ 7 → Aprovado
Se 3 ≤ MP < 7 → Então o aluno faz a Prova Final (PF)
Se (MP + PF) / 2 ≥ 5 → Aprovado
Se (MP + PF) / 2 < 5 → Reprovado
Se MP < 3 → Reprovado
Se MP ≥ 7 → Aprovado
Se 3 ≤ MP < 7 → Então o aluno faz a Prova Final (PF)
Se (MP + PF) / 2 ≥ 5 → Aprovado
Se (MP + PF) / 2 < 5 → Reprovado