MC886 — Aprendizado de Máquina

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

 

Horário e Local: Segundas e quartas, das 19h às 21h. Sala PB09 PB06.

Atendimento: O horário de atendimento será prestado sempre depois das aulas pela professora, ou pelo Slack (ml-unicamp-2019.slack.com), ou agendado com antecedência por e-mail com o PED Erik Perillo (erik.perillo@gmail.com) ou a PAD Akari Ishikawa (ueda.aka@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 Python.

Avaliação: A avaliação será baseada na participação ativa em sala de aula, atividades propostas, e projetos práticos, sendo:

• Ao final da aula, a(o) aluna(o) 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:
  • A(O) aluna(o) só poderá fazer o projeto final PF caso tenha entregue as quatro tarefas T1, T2, T3 e T4.
  • Os grupos devem ter de 3 a 4 alunas(os), 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 = 0,1 x T1 + 0,2 x T2 + 0,15 x T3 + 0,1 x T4 + 0,4 x PF + 0,05 x D
  • Aprovada(o): se M ≥ 5.0 e Frequência ≥ 75%
  • Reprovada(o): se M < 5.0 ou Frequência < 75%

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): 28/08/2019 02/09/2019
• Tarefa 2 (T2): 23/09/2019 05/10/2019
• Tarefa 3 (T3): 14/10/2019 03/11/2019
• Tarefa 4 (T4): 06/11/2019
• Projeto Final (PF):
  • Submissão da proposta (tema e base de dados): 04/09/2019 09/09/2019
  • Submissão do baseline: 07/10/2019 19/10/2019
  • Apresentação (vídeos de até 4 minutos): 25-27/11/2019. Exemplos 2017.2 Exemplos 2018.2
  • Submissão do PF (relatório e código): 06/12/2019

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, Keras, and TensorFlow”, A. Géron, 2019.
• “Pattern Recognition and Machine Learning”, Christopher M. Bishop, 2006.
• “Pattern Classification”, David G. Stork, Peter E. Hart, and Richard O. Duda, 2000.
• “Deep Learning”, Ian Goodfellow , Yoshua Bengio, Aaron Courville, 2016.