Ementa:
Visão geral do papel da otimização nas problemáticas da ciência de dados: Regressão, Classificação, Fatoração de matrizes, Representações esparsas e agrupamento de dados. Programação linear e suas aplicações para análise de dados. Otimização não linear: Métodos baseados na descida mais íngreme, Gradiente e Sub-gradiente, Otimização de funções não suaves e Gradiente estocástico. Fundamentos da otimização convexa. Exemplos de aplicações dos métodos estudados nos problemas da área. Treinamento de redes profundas, regressão esparsa, e fatoração de matrizes não negativas.
Bibliografia:
– WRIGHT, S. J., & RECHT, B. (2022). Optimization for data analysis. Cambridge University Press.
– BOYD, S., BOYD, S. P., & VANDENBERGHE, L. (2004). Convex optimization. Cambridge university press.
– AGGARWAL, C. C., AGGARWAL, L. F., & LAGERSTROM-FIFE. (2020). Linear algebra and optimization for machine learning (Vol. 156). Springer International Publishing.
– JAIN, P., & KAR, P. (2017). Non-convex optimization for machine learning. Foundations and Trends® in Machine Learning, 10(3-4), 142-363.
– GAMBELLA, C., GHADDAR, B., & NAOUM-SAWAYA, J. (2021). Optimization problems for machine learning: A survey. European Journal of Operational Research, 290(3), 807-828.
Ano de Catálogo: 2025
Créditos: 4
Número mínimo de alunos: 3
Idioma de oferecimento: Português
Tipo Oferecimento: Regular
Local Oferecimento:
Horários/Salas:
Docentes:
Reservas:
Não possui reservas.| Hora | Segunda | Terça | Quarta | Quinta | Sexta | Sábado |
|---|---|---|---|---|---|---|
| 07:00 | ||||||
| 08:00 | ||||||
| 09:00 | ||||||
| 10:00 | A - UL88 | |||||
| 11:00 | A - UL88 | |||||
| 12:00 | ||||||
| 13:00 | ||||||
| 14:00 | A - UL88 | |||||
| 15:00 | A - UL88 | |||||
| 16:00 | ||||||
| 17:00 | ||||||
| 18:00 | ||||||
| 19:00 | ||||||
| 20:00 | ||||||
| 21:00 | ||||||
| 22:00 | ||||||
| 23:00 |