MO 416 A
Introdução à Inteligência Computacional (Pós)
1º Semestre de 2010

Informações Gerais

Professor: Siome Klein Goldenstein Sala: IC  12
Atendimento: Quartas, 17:00-18:00.
Horário: CB-01: Terças - 14:00-14:40
CB-01: Quintas - 14:00-15:40

Notícias Importantes

Livros

Referências:
Pattern Classification,
R. Duda, P. Hart, P. Stork,
Willey-Interscience. 		The Elements of Statistical Learning, 
T. Hastie, R. Tibshirani, J. H. Friedman,
Springer Verlag. 		Machine Learning,
Tom Mitchell,
McGraw-Hill. 		Statistical Learning Theory,
Vladmir Vapnik,
Wiley Interr-Science.

Cronograma

Dia Data   Tópico Início Tarefa Fim Tarefa
Ter 02/03 01 Introdução à Disciplina. Lista 1.
    
Qui 04/03 02 Variáveis reais e categoricas, incerteza e probabilidade.        
Ter 09/03 03 Métricas isotrópicas, distância euclidiana, distância de mahalanobis, K-Means.     
Qui 11/03 04 Agrupamento como problema de EM.     
Ter 16/03 05 Avaliação de Agrupamentos.   Lista 1.
Qui 18/03 06 Clusterização Espectral.
    
Ter 23/03 07 Mais sobre métricas, Agrupamento Hierárquico. Lista 2.  
Qui 25/03 08 DB-Scan.
 Paper 1.  
Ter 30/03   Não haverá aula    
Qui 01/04   Páscoa    
Ter 06/04   Não haverá aula    
Qui 08/04   Não haverá aula    
Ter 13/04 09 K-Vizinho e Naive-Bayes -
  Lista 2.
Qui 15/04 10 Introdução Superv.
  Paper 1.
Ter 20/04 11 Árvore de Decisão.
     
Qui 22/04 12 Algoritmos Lineares.
     
Ter 27/04 13 Redução de Dimensionalidade.
     
Qui 29/04 14 Redes Neurais I.
     
Ter 04/05 15 Redes Neurais II.
      
Qui 06/05 16 Redes Bayesianas I.
     
Ter 11/05 17 Redes Bayesianas II.
      
Qui 13/05 18 Primeira Prova
    
Ter 18/05 19 Aula Cancelada.
     
Qui 20/05 20 SVM I.
     
Ter 25/05 21 SVM II.     
Qui 27/05 22 Ensembles. Lista 3.   
Ter 01/06 23 Anomalias.     
Qui 03/06   Corpus Christi     
Ter 08/06 24 Incertezas.
     
Qui 10/06 25 Testes Estatísticos.
     
Ter 15/06 26 Filtros Bayesianos I.    
Qui 17/06 27 Filtros Bayesianos II.    
Ter 22/06 28 HMM I.  
Qui 24/06 29 HMM II.   Lista 3.
Ter 29/06 30      
Qui 01/07 31 Segunda Prova    
 

Critério de Avaliação

A avaliação da disciplina será feita através de duas provas (P1 06/05 e P2 01/07), listas de exercício (L), e leitura e resumo de artigos e textos científicos (A).

A correção das listas de exercício e dos resumos de artigos será feita de forma discreta, isto é, conceitos (graus A, B, C, D, E).  Os valores numéricos L e A serão médias ponderadas das notas das atividades individuais, onde A=10,0, B=7,5, C=5,0, D=2,5 e E=0,0.

A combinação das notas parciais será feita através da fórmula
N = 0,25 * P1 + 0,35 * P2 + 0,25 * L + 0,15 * A.

O mapeamento em conceitos será obtido através da tabela
N Conceito N
8,5 < A
7,0 < B < 8,2
5,0 < C < 6,7

D < 5,0

Em caso de plágio ou comportamento anti-ético, o aluno ficará com zero na disciplina. Isto é um critério de avaliação, e não impede que a unidade tome outras medidas posteriores.

Listas de Exercícios

Artigos para Leitura

  1. On Spectral Clustering: Analysis and an algorithm.
    A. Ng, M. Jordan, and Y. Weiss.
    NIPS     2001.
    Entrega do resumo: Quinta, 15/04/2010.

Leituras Complementares



 

Siome Klein Goldenstein: [myfirstname](at) ic unicamp br
Last modified: Thu Sep 10 11:58:26 BRT 2009