Eduardo Bezerra

Aprendizado de Máquina (2017)

 

“Oh no, we’re not looking for humans to study artificial intelligence – we’re machines who want to study humans. Interested?”

 

 

Cursos

  • Mestrado em Ciência da Computação

Localização / Horário

  • Bloco E, 5o andar, sala E-522
  • Dia/horário: terças-feiras, das 13:25h às 17:00h

Apresentação

O objetivo desse curso é apresentar uma introdução aos conceitos, modelos, métodos, técnicas e aplicações do Aprendizado de Máquina (Machine Learning). O material disponibilizado corresponde a adaptações dos cursos CS229 e CS231n.

Ementa

Aprendizado de máquina é um campo de rápido crescimento na fronteira entre ciência da computação e estatística cujo objetivo é encontrar padrões a partir de dados. Nesta disciplina, estuda-se uma gama de métodos (conexionistas, probabilísticos, baseados em proximidade) que podem ser utilizados em diferentes etapas do processo de extração de conhecimento a partir de bases de dados.

Moodle

Todos os alunos regularmente inscritos serão adicionados à disciplina homônima no Moodle, para que possam receber avisos importantes (dia/horário das provas, dúvidas gerais, etc). Esse ambiente virtual pode e deve ser usado pelos alunos como fórum para discussão.

Plano de Curso

Veja a planilha com as datas do plano de curso. Veja também o calendário acadêmico das pós-graduações do CEFET/RJ. Veja ainda a página com material relevante organizado por aula.

Aula Data Comentário Slides Leitura/Tarefa
1 29/ago Logística do curso, plano de aulas.
Definição, motivação, visão geral e exemplos de aplicações da Aprendizagem de Máquina.
Regressão Linear Com uma Variável		 AM_00
AM_01
AM_02
 2  05/set Regressão linear com várias variáveis
Regressão logística		 AM_03
AM_04
 3  12/set Regularização
Refinamento de Algoritmos de Aprendizado de Máquina		 AM_05
AM_06
 4  19/set Agrupamento (k-means)
Redução de Dimensionalidade (PCA)		 AM_07
AM_08
 5  26/set Detecção de Anomalias AM_09
 6  3/out Sistemas de Recomendação
AM & Big Data		 AM_10
AM_11
 7 10/out Redes Neurais Artificiais – Representação AM_12
 8 17/out Redes Neurais Artificiais – Aprendizado AM_13
 9 24/out Redes Neurais Profundas
Introdução ao Keras		 AM_14
AM_15		  código
 10 31/out Redes Convolucionais AM_16  mnist_cnn.py
cifar10_cnn.py
 11 07/nov Redes Recorrentes AM_17  addition_rnn.py
anyone
lstm_text_generation.py
 12 14/nov Redes Autocodificadoras
Fechamento/retrospectiva		 AM_18
AM_19		  Formulário de avaliação do curso

Listas de Exercícios

Trabalhos Práticos

Recursos Externos

Livros

  • David Poole & . Machine Learning: A Probabilistic Perspective. The MIT Press, Cambridge, MA, 1 edition edition, August 2012.
  • Kevin P. Murphy. Machine Learning: A Probabilistic Perspective. The MIT Press, Cambridge, MA, 1 edition edition, August 2012.
  • Peter Flach. Machine Learning: The Art and Science of Algorithms that Make Sense of Data . Cambridge University Press, Cambridge ; New York, 1 edition edition, November 2012.
  • Christopher Bishop. Pattern Recognition and Machine Learning . Springer, New York, October 2007.
  • Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An Introduction to Statistical Learning: with Applications in R . Springer, 1st ed. 2013. corr. 4th printing 2014
  • Yaser S. Abu-Mostafa, Malik Magdon-Ismail, and Hsuan-Tien Lin. Learning From Data . AMLBook, S.l., March 2012.
  • Brett Lantz. Machine Learning with R . Packt Publishing, Birmingham, October 2013.
  • Simon O. Haykin. Neural Networks and Learning Machines . Prentice Hall, New York, 3 edition edition, November 2008.
  • Ani Adhikari & John DeNero, Artificial Intelligence: Foundations of Computational Agents, second edition, Cambridge University Press, 2017
  • Você pode pesquisar livros relevantes no acervo da Biblioteca do CEFET/RJ.

Livros de interesse geral sobre Aprendizado de Máquina

Back to top