Cursos
- Mestrado em Ciência da Computação
Local/horário
- Bloco E, 5o andar, sala E-515
- 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 o plano do 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 | 14/fev | Visão geral do curso (AM00). Visão geral do AM (AM01). Regressão linear com uma variável (AM02) |
Mitchell, Cap. 1; paper; paper |
| 2 | 28/fev | Regressão linear com várias variáveis (AM03) Regressão logística (AM04) |
regressão logística; regressão linear; cs229-notes1 |
| 3 | 14/mar | Regularização, validação cruzada (AM05) Seleção e avaliação de modelos de AM (AM06) |
paper |
| 4 | 21/mar | Árvores de Decisão (AM_07); Aprendizado de Comitês (AM08) | paper; ensembles.ipynb; MLInP-Chap7.ipynb |
| 5 | 28/mar | kNN (AM09); Sistemas de Recomendação (AM10) | paper; paper |
| 6 | 04/abr | GD e variantes (AM11) Redes Neurais – Basics (AM12) |
link; link; link; paper |
| 7 | 11/abr | Redes neurais – backprop (AM13) Redes neurais – activation functions (AM14) Redes neurais – regularization (AM15) Redes neurais – misc topics (AM16) |
link; link |
| 8 | 18/abr | Redes neurais – convnets (AM17) Redes Neurais – Tutorial: PyTorch (AM18) Tutorial Pytorch – jupyter notebook |
Visualizing and Understanding CNNs How do CNNs work Intuitively Understanding Convolutions |
| 9 | 25/abr | Redes neurais – autoencoders (AM_19) | Feature Visualization Deep neural networks are easily fooled How Adversarial Attacks Work |
| 10 | 02/mai | Redes neurais – RNNs (AM_20); Detecção de Anomalias (AM_21) | paper; gaussians.ipynb |
| 11 | 09/mai | Agrupamento (AM_22) Redução de Dimensionalidade (AM_23) Fechamento/retrospectiva (AM_24) Notebooks |
Formulário de avaliação do curso
Alpaydin, Caps. 6 e 7; PCA.ipynb; SVD; linear algebra |
Trabalhos práticos
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.