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.