MC886/MO444 — Aprendizado de Máquina e Reconhecimento de Padrões

Instituto de Computação (IC/Unicamp)
Profa. Sandra Avila (sandra@ic.unicamp.br)

 

Avisos Importantes:

  • [15/12/2018] As notas finais foram divulgadas.
  • [15/12/2018] As notas do Projeto Final foram divulgadas.
  • [10/12/2018] As notas totais dos Trabalhos Práticos foram divulgadas.
  • [10/12/2018] As notas do Trabalho Prático T4 foram divulgadas.
  • [04/12/2018] As notas do Trabalho Prático T3 foram divulgadas.
  • [11/11/2018] As notas do Trabalho Prático T2 foram divulgadas.
  • [09/11/2018] O Trabalho Prático T4 foi divulgado. A submissão deve ser feita via Moodle até 23/11/2018.
  • [19/10/2018] O Trabalho Prático T3 foi divulgado. A submissão deve ser feita via Moodle até 06/11/2018.
  • [07/10/2018] Enunciado para elaboração do baseline para o Projeto Final. A submissão deve ser feita via Moodle até 18/10/2018. Informações úteis: “Machine Learning project checklist”, do livro “Hands-On Machine Learning with Scikit-Learn and TensorFlow”.
  • [27/09/2018] As notas do Trabalho Prático T1 foram divulgadas.
  • [16/09/2018] O Trabalho Prático T2 foi divulgado. A submissão deve ser feita via Moodle até 04/10/2018.
  • [04/09/2018] Enunciado para elaboração do Projeto Final. A submissão deve ser feita via Moodle até 11/09/2018. Informações úteis: “Machine Learning project checklist”, do livro “Hands-On Machine Learning with Scikit-Learn and TensorFlow”.
  • [20/08/2018] O Trabalho Prático T1 foi divulgado. A submissão deve ser feita via Moodle até 04/09/2018.
  • [02/08/2018] A disciplina terá início no dia 02/08/2018.
  • [02/08/2018] Não teremos aula nos dias 07/08/2018 e 09/08/2018 devido à VIII Semana de Computação da Unicamp (SECOMP).

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

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.