Nome do Componente Curricular: Aprendizado de Mquina e Reconhecimento de Padres

Pr-requisitos: Probabilidade e Estatstica; Lgica de Programao

Carga Horria Total: 72h
Carga Horria Prtica: 24h Carga Horria Terica: 48h
Objetivos
Gerais:
Apresentar aos alunos tcnicas de aprendizado de mquinas e reconhecimento de padres, seguindo
uma abordagem probabilstica.
Especficos:
Ao final do curso, os alunos devem ser capazes de entender e aplicar os principais modelos de
aprendizado de mquinas e reconhecimento de padres em aplicaes prticas, assim como realizar
implementaes mais simples.
Ementa:
Introduo ao Reconhecimento de Padres, Distribuies de Probabilidade, Modelos Lineares para
Regresso, Modelos Lineares para Classificao, Mquinas de Sparse Kernel, Modelos Grficos,
Inferncia Aproximada, Variveis Latentes Contnuos, Dados Sequenciais.
Contedo Programtico:
Introduo a Aprendizado de Mquinas e Reconhecimento de Padres, Teoria de probabilidade, Teoria
da deciso. Distribuies de Probabilidade, Variveis binrias e multinomiais, Distribuies
Gaussianas, Famlia das distribuies exponenciais. Modelos Lineares para Regresso, Modelos
lineares de funes bsicas, Regresso Bayesiano linear. Modelos Lineares para Classificao, Funes
discriminantes, Modelos generativos probabilsticos, Modelos discriminativos probabilsticos.
Mquinas de Sparse Kernel, Support Vector Machines (SVM), Relevance Vector Machines (RVM).
Modelos Grficos, Redes Bayesianas, Markov Random Fields (MRF), Inferncia em modelos grficos.
Inferncia Aproximada, Mtodos Monte Carlo, Mtodos Variacionais. Variveis Latentes Contnuos,
Anlise dos componentes principais (PCA), PCA probabilsticos. Modelos de Dados Sequenciais.
Metodologia de Ensino Utilizada:
Para que os objetivos dessa disciplina possam ser atendidos e, consequentemente contribua com os
objetivos do curso, as seguintes estratgias de ensino-aprendizagem sero utilizadas: Aulas expositivas
com a utilizao de quadro branco e projetor multimdia, procurando explicar a fundamentao
terica do assunto; Aula prtica em laboratrio aplicando os contedos trabalhados e aprendendo
novos contedos; Prtica de exerccios aplicando os contedos trabalhados. Desenvolvimento de
pesquisas extraclasse sobre os assuntos abordados em aula..
Recursos Instrucionais Necessrios:
Quadro branco, Projetor multimdia, Laboratrio de computao com ferramenta Weka instalada.
Critrios de Avaliao:
O sistema de avaliao ser definido pelo docente responsvel pela unidade curricular no incio das
atividades letivas devendo ser aprovado pela Comisso de Curso e divulgado aos alunos. O sistema
adotado deve contemplar o processo de ensino e aprendizagem estabelecido neste Projeto
Pedaggico, com o objetivo de favorecer o progresso do aluno ao longo do semestre. A promoo do
aluno na unidade curricular obedecer aos critrios estabelecidos pela Pr-Reitoria de Graduao, tal
como discutido no Projeto Pedaggico do Curso.
Bibliografia
Bsica:
1. Faceli, K.; Lorena, A.C.; Gama, J.; Carvalho, A.C.P.L.F. Inteligncia Artificial: uma abordagem de
aprendizado de mquina. LTC, 2011.
 2. Alpaydin, E. Introduction to Machine Learning. MIT Press, 2009, 2nd edition.
3. Bishop, C. M. Pattern Recognition and Machine Learning. Springer, 2006.
Complementar:
1. Duda, R.; Hart, P. E., Stork, D. Pattern Classification. 2nd edition, Wiley-Interscience, 2000.
2. Hastie, T.; Tibshirani, R.; Friedman, J. The Elements of Statistical Learning (Data Mining,
Inference and Prediction), 2n edition, Springer, 2009.
3. Marsland, S. Machine Learning: An Algorithmic Perspective, Chapman and Hall/CRC, 2009.
4. Tam, P.; Steinbach, M.; Kumar, V. Introduction to Data Mining. Addison-Wesley Pub Co, 2005.
5. Witten, I. H.; Frank, E.; Hall, M. A. Data Mining: practical machine learning tools and
techniques, 3rd edition, Morgan Kaufmann, 2011.
6. Mitchell, T.M. Machine learning. New York: McGraw-Hill, 1997.
7. Abu-Mostafa, Y.; Magdon-Ismail, M., Lin, H. T. Learning From Data, AMLBook, 2012.