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 sextas, das 19h às 21h. Sala PB18.
A disciplina terá início no dia 08/08/2017, devido à VII Semana de Computação da Unicamp (SECOMP), de 31/07/2017 a 04/08/2017.

Atendimento: O horário de atendimento será prestado sempre depois das aulas pela professora, ou nas segundas-feiras das 16h às 18h na sala da professora, ou agendado com antecedência por e-mail com o PED Samuel Fadel, samuel.fadel@ic.unicamp.br.

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. Recomendações: Python, R, Matlab.

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 (MD), 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.
• Três tarefas em dupla, T1, T2 e T3. 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 três tarefas T1, T2 e T3.
  • 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 MD + 0,2 x T1 + 0,2 x T2 + 0,2 x T3 + 0,35 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

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 (MD): Até às 12h do dia seguinte a aula.
• Tarefa 1 (T1): 01/09/2017
• Tarefa 2 (T2): 10/10/2017
• Tarefa 3 (T3): 10/11/2017
• Projeto Final (PF):
  • Submissão da proposta: 13/10/2017
  • Submissão do PF (código e relatório): 08/12/2017
  • Apresentação (vídeos de até 4 minutos): 01/12/2017

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:

• “Machine Learning: a Probabilistic Perspective”, Kevin P. Murphy, 2012.
• “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.
• “Hands-On Machine Learning with Scikit-Learn and TensorFlow”, Aurélien Géron, 2017.