As pessoas que querem fazer o exame devem me mandar um email ate o final de junho confirmando a intenção
O exame será similar a um exercicio dos que foram feitos em classe, que será enviado via email, e que deverá ser entregue em pdf via email, no maximo 24 horas depois.
O exame será enviado ao que confirmaram a intencao de faze-lo ao meio dia de 10/7 e deverá ser entregue, via email, antes do meio dia de 11/7.
Notas FINAIS - inclui projetos e tudo. Se voce ficou de exame veja acima.
Terças e quintas das 16 as 18h
sala: CB05 (3a) e CB04 (5a)
O curso vai cobrir in largura vários algoritmos de aprendizado de maquina/mineração de dados. Cobriremos, de forma geral, as seguintes "tarefas" de aprendizado de maquina: transformação de dados, classificação, regressão e agrupamento.
Cobriremos vários algoritmos em largura, ou seja a intuição do algoritmo, como e quando ele funciona, mas não nos aprofundaremos nos detalhes matemáticos dos algoritmos. Acredito que esta visão em largura dará ferramentas aos alunos para resolver problemas práticos que envolvam aprendizado de maquina.
A disciplina será baseada no livro: Inteligencia Artificial: uma abordagem de aprendizado de maquina (in Portuguese) de Faceli, Lorena, Gama & Carvalho. Haverá também algum material extra que complemente os tópicos cobertos no livro.
Não será cobrada a presença em aula
A avaliação da disciplina será feita de uma de duas formas, a escolha do aluno:
Os trabalhos devem ser feitos usando ou R (com pacotes extra para para aprendizado de maquina) ou Python (com o pacote Scikit Learn package e talvez outros) - detalhes abaixo
O trabalho pratico deve resultar em 2 relatórios, de 5 a10 paginas cada, a serem entregues no meio e fim do semestre.
O trabalho prático pode ser sobre um problema ou aplicação que o seu grupo esta particularmente interessado, mesmo que envolva "pouco" aprendizado de maquina (AM), ou problemas da área geral de Inteligencia Artificial mas não aprendizado de maquina - como simulações multiagentes, provadores de teoremas, etc etc, ou problemas específicos de AM como as competições do Kaggle ou outros.
18/3 - cap 7 - SVM
20/3 - cap 7 SVM e redes neurais
22/3 - cp 8 - bagging e boosting
24/3 - cap 9 - medidas de qualidade para classificadores e regressores - taxa de erro, falso positivos e negativos, ROC, validacao cruzada e n-fold.
1/4 - cap 10 - frequent itemset e regras de associadao - algoritmo Apriori
3/4 - cap 11 - clusterizacao - conceitos gerais e kmeans
8/4 - cap 12 - clusterizacao hierarquica, por densidade, etc
6/5 - busca por caminhos: busca cega, busca informada e busca competititva. Transparencias de Paulo Santos, FEI.
13/5 - busca por solucoes. Otimizacao convexa, algoritimos geneticos e de particulas.
R:
Python:
Grupos de discussão em AM: