Programa de Pós-Graduação em Modelagem Matemática e Computacional – PPGMMC
Centro Federal de Educação Tecnológica de Minas Gerais-CEFET MG
Departamento de Engenharia de Computação e Automação Industrial – DCA
Faculdade de Engenharia Elétrica e de Computação – FEEC
Universidade Estadual de Campinas – UNICAMP
 
 

 

CT 720  Tópicos Especiais em Aprendizagem de Máquina e Classificação de Padrões

 

Professor

Fernando Gomide

Tutor

 

Conteúdo

Ementa

Ementa resumida

1- Introdução

2- Fundamentos matemáticos

3- Teoria Bayesiana de decisão

4- Métodos paramétricos

5- Métodos não paramétricos

6- Aprendizagem de máquina

 

Ementa detalhada

1-Introdução

     1.1-Problema e contexto

      1.2-Classificação e regressão

      1.3-Aprendizagem de máquina

      1.4-Métodos e algoritmos

      1.4-Aplicações

2-Fundamentos Matemáticos

2.1-Introdução

2.2-Teoria de probabilidade

2.3-Teoria de decisão

2.4-Teoria de informação

2.5-Testes de hipótese

3-Teoria Bayesiana de Decisão

3.1-Introdução

3.2-Classificador de Bayes

3.3-Funções de descriminação e superfícies de decisão

3.4-Densidades normais mono e multivariáveis

3.5-Classificador com atributos discretos

3.5-Redes Bayesianas

4-Métodos Paramétricos

4.1-Introdução

4.2-Estimador de máxima verosimilhança

4.3-Estimador Bayesiano

4.4-Estimação Bayesiana: caso Gaussiano

4.5-Modelos escondidos de Markov

5-Métodos não paramétricos

     5.1-Introdução

     5.2-Estimação de densidades

     5.3-Janelas de Parzen

     5.4-Kn-vizinhos mais próximos

     5.5-Classificadores fuzzy

      6-Aprendizagem de Máquina

            8.1-Introdução

            8.2-Princípios básicos e teoremas

            8.3-Variância e polarização

            8.4-Reamostragem

            8.4-Comparação de classificadores

 

Critério de avaliação

         C = (C1 + ...+ Cn)/n ,   Ci = Exercícios Computacionais

 

         N = (P1 + P2 + C)/3


         Se N < 5  então Exame

         Se N  > 5 aprovado nota N

         Se (N + E)/2 < 5  reprovado, E = Nota Exame

         Se (N + E)/2  > 5  aprovado nota (N + E)/2

      Se necessário: exame oral.

Datas das provas

Prova
Data

P1

24/09/2010

P2

19/11/2010

Exame

03/12/2010

 

 

Referências Bibliográficas

Teoria

 

Livro texto:

 

Pattern Classification

Richard Duda, Peter Hart, David Stork

Wiley-Interscience, 2nd Edition,  2001

 

Pattern Recognition and Machine Learning

Christopher M. Bishop

Springer; 2nd Edition, 2007

 

Outros:

 

Machine Learning

Tom Mitchell

MacGraw Hill, 1997

 

 

Fuzzy Systems Engineering: Toward Human-Centric Computing,

Witold Pedrycz  Fernando Gomide,

IEEE/Wiley Interscience, 2007

 

 

Periódicos

 

 

 

Críticas, dúvidas e sugestões: