Ementa:
Definição e conceitos básicos de aprendizado de máquinas; regressão linear e logística; redes neurais e aprendizado profundo; SVM e métodos com kernel; árvores de decisão; ensembles e florestas aleatórias; métodos estatísticos clássicos; aprendizado não supervisionado: agrupamento e redução de dimensionalidade; detecção de anomalias; sistemas de recomendação; tópicos do estado-da-arte; aspectos práticos e computacionais; fundamentos matemáticos: dimensão VC e PAC-learning.
Bibliografia:
[1] T. Hastie, R. Tibshirani and J. H. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.
[2] C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
[3] I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. The MIT Press, 2016.
[4] A. Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd Edition), O’Reilly Media, Inc., 2019.
[5] S. Shalev-Shwartz and S. Ben-David. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014.
Ano de Catálogo: 2024
Créditos: 4
Número mínimo de alunos: 1
Número de alunos matriculados: 10
Idioma de oferecimento: Português
Tipo Oferecimento: Regular
Local Oferecimento:
Horários/Salas:
Docentes:
Reservas:
| Hora | Segunda | Terça | Quarta | Quinta | Sexta | Sábado |
|---|---|---|---|---|---|---|
| 07:00 | ||||||
| 08:00 | ||||||
| 09:00 | ||||||
| 10:00 | ||||||
| 11:00 | ||||||
| 12:00 | ||||||
| 13:00 | ||||||
| 14:00 | ||||||
| 15:00 | ||||||
| 16:00 | A - CB18 | A - CB18 | ||||
| 17:00 | A - CB18 | A - CB18 | ||||
| 18:00 | ||||||
| 19:00 | ||||||
| 20:00 | ||||||
| 21:00 | ||||||
| 22:00 | ||||||
| 23:00 |