Cursos
- Mestrado em Ciência da Computação
Local/horário
- Bloco E, 5o andar, sala E-522
- Dia/horário: 5as-feiras, das 13:25h às 17:00h
Apresentação
Aprendizado de Máquina (Machine Learning) é um campo de estudo da Inteligência Artificial cujo objeto de estudo são sistemas que podem aprender a realizar alguma tarefa por meio de experiências. Neste curso, o objetivo é apresentar uma introdução aos conceitos, modelos, métodos, técnicas e aplicações do Aprendizado de Máquina. São também apresentados alguns algoritmos pertencentes a diferentes famílias de métodos em AM (simbolistas, conexionistas, probabilísticos, baseados em proximidade).
Livros
- Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
- Ethen Alpaydin, Introduction to Machine Learning, MIT Press, 2010.
- Ian Goodfellow et al, Deep Learning, MIT Press, 2016.
- Sebastian Raschka, Python Machine Learning, 2nd ed, Packt Publishing, 2015.
- Tom Mitchell, Machine Learning, McGraw-Hill, 1997.
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 | Tópico | Leitura |
| 1 | 24/mai | Logística do curso, plano de aulas (AM_00). Definição, motivação, visão geral e exemplos de aplicações (AM_01). Regressão linear com uma variável (AM_02) |
Mitchell, Cap. 1; paper; paper |
| 2 | 07/jun | Regressão linear com várias variáveis (AM_03) Regressão logística (AM_04) |
regressão logística; regressão linear; cs229-notes1 |
| 3 | 14/jun | Regularização, validação cruzada (AM_05) Projeto e análise de experimentos em AM (AM_06) |
|
| 4 | 21/jun | Agrupamento (AM_07); Redução de Dimensionalidade (AM_08) | Alpaydin, Caps. 6 e 7; PCA.ipynb; SVD; linear algebra |
| 5 | 28/jun | Detecção de Anomalias (AM_09) | paper; gaussians.ipynb |
| 6 | 05/jul | Sistemas de Recomendação (AM_10) | paper; |
| 7 | 26/jul | Árvores de Decisão (AM_11); Aprendizado de Comitês (AM_12) | paper; ensembles.ipynb; MLInP-Chap7.ipynb |
| 8 | 02/ago | Redes Neurais – Representação (AM_13) & Aprendizado (AM_14) | link; link; link; paper |
| 9 | 09/ago | Redes Neurais – Introdução ao TensorFlow (AM_15) | link; link |
| 10 | 16/ago | Redes Neurais – Aprendizado – GD e variantes (AM_16) Redes neurais – Aprendizado – misc (AM_17) Redes neurais convolucionais (AM_18) |
Visualizing and Understanding CNNs How do CNNs work Deep neural networks are easily fooled Feature Visualization How Adversarial Attacks Work Intuitively Understanding Convolutions |
| 11 | 23/ago | Redes autocodificadoras (AM_19) Redes recorrentes (AM_20) Fechamento/retrospectiva (AM_21) |
Formulário de avaliação do curso |
Trabalhos práticos
- Trabalho 1 – enunciado (dados no Moodle). Entrega:
30/jun02/jul. - Trabalho 2 – enunciado (dados no Moodle). Entrega: 22/jul.
- Trabalho 3 – enunciado (dados no Moodle). Entrega:
12/ago14/ago. - Trabalho 4 – enunciado (dados no Moodle). Entrega:
30/ago.07/set.
Recursos externos
- Vídeo: Recurrent Neural Networks, Image Captioning, LSTM, Andrej Karpathy.
- Curso online: Practical Deep Learning For Coders
- Curso online: Neural Networks and Deep Learning
- Curso online: (Codecademy) Learn Python
- Word Embeddings
- Representation Learning for Reading Comprehension
- Practical Generative Adversarial Networks for Beginners
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
- Nick Bostrom, Superintelligence: Paths, Dangers, Strategies, 2014.
- Pedro Domingos, The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World, 2015.
- Jimmy Soni & Rob Goodman, A Mind at Play: How Claude Shannon Invented the Information Age, 2017.