Complementa informaçoes no index.

parent d53f9652
......@@ -17,33 +17,88 @@ output:
# Detalhes
* Carga horária: 60 horas.
* Organização:
- Prof. Eduardo V. Ferreira: exposição teórica.
- Prof. Walmes M. Zeviani: complemento computacional e estudos de
caso.
* Página mantida pelo Prof. Eduardo: <https://eduardoleg.github.io/machine/>.
| Horário | Local |
|:---------------------:|:--------------------:|
| Ter 19h -- 20h30 | Sala multimídia DEST |
| Ter 19h00 -- 20h30 | Sala multimídia DEST |
| Qui 20h45 -- 22h15 | Sala multimídia DEST |
# Conteúdo programado
TODO
- Introdução [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/Introducao.pdf)
* Machine Learning na prática;
* Aprendizado supervisionado e não supervisionado;
* Função custo;
- Métodos de reamostragem [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/Reamostragem.pdf)
* Estimando o erro de previsão;
* Validação cruzada;
* Bootstrap.
- Gradiente descendente [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/gradiente.pdf)
* Batch;
* Stochastic;
* Boosting.
- Regularização [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/Regularizacao.pdf)
* Regressão Ridge;
* Regressão Lasso;
* Horseshoe;
* Elastic net.
- Métodos baseados em árvores [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/Arvores.pdf)
* Árvores de decisão;
* Randon Forest;
* Bootstrap Aggregation (Bagging);
* Boosting.
- Support Vector Machines [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/Support Vector Machines.pdf)
* Maximal Margin Classifier;
* Support vector Classifier;
* Kernels.
- Classificação [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/Classificacao.pdf)
* Regressão logística;
* Análise de discriminante linear;
* Análise de discriminante quadrática;
* Naive Bayes.
- Aprendizado não supervisionado [Aula teórica](https://gitlab.c3sl.ufpr.br/eferreira/Machine/blob/master/nao_supervisionado.pdf)
* Análise de componentes principais;
* K-means Clustering;
* Hierarchical Clustering;
* DBSCAN.
- Redes Neurais Artificiais:
* Introdução;
* Backpropagation algorithm;
* Aplicações.
- Manipulação de textos e imagens:
* Preprocessamento;
* Agrupamento e similaridade;
* Análise de sentimento.
# Referências bibliográficas
TODO
# Materiais úteis
TODO
* James, G., Witten, D., Hastie, T. e Tibshirani,
[An Introduction to Statistical Learning](http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf),
2013 (livro-texto),
[Unofficial Solutions](http://blog.princehonest.com/stat-learning);
* Hastie, T., Tibshirani, R. e Friedman, J.,
[The Elements of Statistical Learning](http://statweb.stanford.edu/~tibs/ElemStatLearn/),
2009;
* Lantz, B., Machine Learning with R, Packt Publishing, 2013;
* Tan, Steinbach, and Kumar,
[Introduction to Data Mining](http://www-users.cs.umn.edu/~kumar/dmbook/index.php), Addison-Wesley, 2005;
* Bishop, Pattern Recognition and Machine Learning, 2006;
* Ripley, Pattern Recognition and Neural Networks, 1996;
* Scholkopf and Smola, Learning with Kernels, 2002;
* Mardia, Kent, and Bibby, Multivariate Analysis, 1979;
* Duda, Hart, and Stork, Pattern Classification, 2nd Ed., 2002.
# Atividades e avaliações
| Tipo de avaliação | Quantidade | Peso na nota final |
|:------------------:|:----------:|:------------------:|
| Sabatinas | ~10 | TODO |
| Trabalho final | 1 | TODO |
| Sabatinas | ~10 | 0.6 |
| Trabalho final | 1 | 0.4 |
Pelo menos 25% das piores notas das sabatinas serão eliminadas. As
sabatinas não serão repostas. O trabalho final não terá reposição.
# Notas
Markdown is supported
0% or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment