15/07/2020 RN

CMP263 –APRENDIZAGEM DE MÁQUINA

Responsável: Prof. Dr. Paulo Martins Engel
Carga horária / créditos: 60 / 4
SÚMULA
Nesta disciplina, são estudadas as principais técnicas utilizadas na área de aprendizagem de máquina. Os tópicos cobrem métodos
simbólicos, computacionais e bayesianos. Os alunos são estimulados a aplicarem os algoritmos estudados, sobre bancos de dados
de domínio público.
OBJETIVOS
Fornecer o ferramental necessário ao entendimento e ao projeto de sistemas baseados em aprendizagem. A disciplina cobre os
principais tópicos da aprendizagem de máquina, apontando as principais características das técnicas estudadas, objetivando a
melhor escolha dependendo da tarefa.
CONTEÚDO PROGRAMÁTICO
1. Introdução
1.1. Conceitos básicos e tarefas de aprendizagem
1.2. Projeto de sistemas de aprendizagem
2. Técnicas de aprendizado supervisionado
2.1. Aprendizado de conceitos por busca guiada por exemplos
2.2. Árvores de Decisão
2.3. Aprendizado de regras de classificação
2.4. Classificadores probabilísticos
2.5. Redes Neurais Artificiais
2.6. Aprendizado baseado em instâncias
2.7. Algoritmos genéticos
3. Avaliação de Modelos
3.1. Estimação de acurácia
3.2. Comparação de modelos
4. Aprendizado associativo
4.1. Indução de regras de associação pelo algoritmo Apriori
4.2. Conjuntos de itens fechados e regras não redundantes
5. Aprendizado por reforço
5.1. Programação Dinâmica
5.2. Aprendizado por Diferença Temporal
5.3. Métodos baseados em Ator e Crítico
6. Técnicas de aprendizado não-supervisionado
6.1. Conceitos básicos de agrupamento de dados
6.2. Agrupamento de dados por distância: Algoritmo k-médias, Fuzzy C-Means, Gustafson-Kessel
6.3. Métodos probabilísticos: Algoritmo EM
MÉTODO DE TRABALHO E AVALIAÇÃO:
A disciplina se desenvolverá através de aulas expositivas, complementadas com apresentações de tópicos escolhidos e
apresentados pelos alunos. Além disso, os alunos deverão implementar algumas tarefas específicas de aprendizagem. A avaliação
da disciplina considera uma prova final, a apresentação dos tópicos pelos alunos e os trabalhos práticos.

BIBLIOGRAFIA:
1. Mitchell, Tom M. T., “Machine Learning”. McGraw-Hill, 1997.
2. Alpaydin, Ethem, "Introduction to Machine Learning". MIT Press, 2004.
3. Bishop, Christopher M., “Pattern Recognition and Machine Learning”, Springer, 2006.
4. Quinlan, John Ross, “C4.5 : programs for machine learning “. Morgan Kaufmann, 1993.

www.inf.ufrgs.br/~engel/data/media/file/Aprendizagem.htm 1/2
15/07/2020 RN

5. Jensen, Finn V., " Bayesian networks and decision graphs". Springer, 2001.
6. Sutton, Richard S.. “Reinforcement Learning : an introduction”. MIT Press 1999.
7. Haykin S. “Redes Neurais – Princípios e prática”. Bookman 2001.
Artigos selecionados

www.inf.ufrgs.br/~engel/data/media/file/Aprendizagem.htm 2/2