MC886/MO444 — Aprendizado de Máquina e Reconhecimento de Padrões
Instituto de Computação (IC/Unicamp)Profa. Sandra Avila (sandra@ic.unicamp.br)
Horário e Local: Terças e quintas, das 19h às 21h. Sala CB05.
Atendimento: O horário de atendimento será prestado sempre depois das aulas pela professora ou agendado com antecedência por e-mail com o PED Alceu Bissoto, alceubissoto@gmail.com.
Programa da Disciplina: Introdução ao Aprendizado de Máquina, Regressão Linear, Regressão Logística, PCA e LDA, k-means, Rede Neural, Deep Learning, SVM e Kernels, Boosting e Random Forest.
Linguagem de Programação: A linguagem de programação utilizada na disciplina é livre, desde que seja compatível e justificada no contexto do problema. Recomendação: Python.
Avaliação: A avaliação será baseada na participação ativa em sala de aula, atividades propostas, e projetos práticos, sendo:
- Ao final da aula, o(a) aluno(a) deverá enviar via Moodle qual foi o ponto de maior dúvida da aula (D), uma pergunta sucinta. Caso não tenha dúvidas (sério?), o(a) aluno(a) deverá ressaltar o ponto que achou mais interessante. Respostas do tipo “não tive dúvidas” ou respostas em branco não serão aceitas.
- Quatro tarefas em dupla, T1, T2, T3 e T4. O código e o relatório deverão ser entregues via Moodle.
- Um projeto final PF a ser realizado em grupo:
- O(A) aluno(a) só poderá fazer o projeto final PF caso tenha entregue as quatro tarefas T1, T2, T3 e T4.
- Os grupos devem ter de 4 a 5 alunos, necessariamente.
- O código e o relatório deverão ser entregues via Moodle, sendo que o relatório deve apresentar uma explicação sobre a técnica implementada, ilustrações dos resultados, e uma discussão sobre os resultados obtidos em formato de artigo científico, no modelo sugerido pela professora.
- O projeto deverá ser apresentado em sala, pelo grupo, na data agendada.
- A média final, M, será calculada como: M = 0,05 x D (extra) + 0,15 x T1 + 0,2 x T2 + 0,15 x T3 + 0,1 x T4 + 0,4 x PF
- Para os(as) alunos(as) de graduação, será aplicada a seguinte regra:
- Aprovado: se M ≥ 5.0
- Reprovado: se M < 5.0
- Para os(as) alunos(as) de pós-graduação, o conceito final será atribuído da seguinte forma:
- A: se M ≥ 8.5
- B: se 7.0 ≤ M < 8.5
- C: se 5.0 ≤ M < 7.0
- D: se M < 5.0
- Para os(as) alunos(as) de graduação, será aplicada a seguinte regra:
Frequência Mínima: A frequência deve ser maior ou igual a 75% para aprovação.
Submissão de Atividades: Todas as atividades da disciplina deverão ser submetidas pelo sistema Moodle na área correspondente da disciplina.
Datas das Entregas das Avaliações: As datas abaixo estão sujeitas a alterações.
- Maior Dúvida (D): Até às 15h do dia seguinte a aula.
- Tarefa 1 (T1): 30/08/2018
- Tarefa 2 (T2): 25/09/2018
- Tarefa 3 (T3): 23/10/2018
- Tarefa 4 (T4): 08/11/2018
- Projeto Final (PF):
- Submissão da proposta (tema e base de dados): 06/09/2018
- Submissão do baseline: 11/10/2018
- Apresentação (vídeos de até 4 minutos): 27-29/11/2018. Exemplos.
- Submissão do PF (relatório e código): 06/12/2018
Observações:
- Não haverá provas ou exame para essa disciplina.
- Qualquer tentativa de fraude nas atividades da disciplina implicará em média final M = 0 (zero) para todas as pessoas envolvidas, sem prejuízo de outras sanções.
Referências: A professora não seguirá um livro texto específico, entretanto, os seguintes livros cobrem o que será visto em aula:
- “Hands-On Machine Learning with Scikit-Learn and TensorFlow”, Aurélien Géron, 2017.
- “Pattern Recognition and Machine Learning”, Christopher M. Bishop, 2006.
- “Machine Learning: a Probabilistic Perspective”, Kevin P. Murphy, 2012.
- “Pattern Classification”, David G. Stork, Peter E. Hart, and Richard O. Duda, 2000.
- “Deep Learning”, Ian Goodfellow , Yoshua Bengio, Aaron Courville, 2016.