Introdução ao Aprendizado de Máquina

Semestre: 26-2

Código: ICP363

Professor: Paulo Mann

Desenvolvimento das competências fundamentais de Aprendizado de Máquina.

Informação Básica

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: F2-06
Monitor(a): a definir

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 11/08	Capítulo 1	Introdução, Dados	—
Qui 13/08	Capítulo 1	Introdução, Dados	—
Ter 18/08	Capítulo 2	Numpy, Pandas, Matplotlib, Scikit-learn	[Notebook 1]
Qui 20/08	Capítulo 1	Tarefas, Modelos e Parâmetros, Aprendizagem	—
Ter 25/08	Capítulo 1	Funções de Perda, Otimização, Componentes de Aprendizagem	—
Qui 27/08	Capítulo 2	Modelos Lineares, Função de perda L2, o Método dos Mínimos Quadrados	[Notebook 1]
Ter 01/09	—	Atividade de Regressão Linear	—
Qui 03/09	Capítulo 2	Modelos de regressão polinomial, Função de perda L1	[Notebook 2]
Ter 08/09	Capítulo 3	A tarefa de classificação, Definições Básicas	—
Qui 10/09	Capítulo 3	Classificadores Lineares, Regressão Logística	—
Ter 15/09	Capítulo 3	Regressão Logística	[Notebook 3]
Qui 17/09	Capítulo 3	LDA, QDA	[Notebook 4]
Ter 22/09	Capítulo 3	Naive Bayes	[Notebook 5]
Qui 24/09	Capítulo 3	Exercício em sala	—
Ter 29/09	Capítulo 5	k-Vizinhos mais Próximos (KNN)	—
Qui 01/10	Capítulo 4, Slides de Bias-Variance	Bias-Variance	—
Ter 06/10	Capítulo 4, Slides de Bias-Variance	Reamostragem: holdout, validação cruzada, bootstrap	[Notebook 6]
Qui 08/10	Capítulo 4, Slides de Bias-Variance	Métricas de avaliação	[Notebook 6]
Ter 13/10	Plantão de Dúvidas
Qui 15/10	P1
Ter 20/10	Resolução da P1
Qui 22/10	Capítulo 6	Árvores de decisão (CART)	—
Ter 27/10	Capítulo 6	Árvores de decisão (CART): poda e regularização	—
Qui 29/10	Capítulo 7	Random Forests	—
Ter 03/11	Capítulo 8	Redes Neurais	—
Qui 05/11	Capítulo 8	Redes Neurais	—
Ter 10/11	Capítulo 8	Redes Neurais: treinamento e backpropagation	—
Qui 12/11	—	Redes convolucionais	—
Ter 17/11	—	Redes recorrentes e Transformers	—
Qui 19/11	—	Agrupamento: K-means e agrupamento hierárquico	—
Ter 24/11	—	Questões éticas em aprendizado de máquina	—
Qui 26/11	P2
Ter 01/12	—	—	—
Qui 03/12	PR
Ter 08/12	—	—	—
Qui 10/12	PF
Ter 15/12	—	—	—
Qui 17/12	—	—	—

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

✅ 2 Provas individuais escritas (P1/P2)
✅ 1 Prova de Reposição (PR) - apenas com justificativa de acordo com o regulamento da universidade. Substitui apenas uma nota (P1 ou P2).
✅ 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