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. As aulas acontecerão via Google Meet, sendo que algumas aulas serão realizadas de forma síncrona e outras aulas de forma assíncrona. Para todas as aulas síncronas, os vídeos das aulas serão disponibilizados posteriormente. As aulas terão início no dia 16/setembro/2020.

Atendimento: O horário de atendimento será prestado pela professora e pelas PEDs Giovanna Antonieti, Rosa Paccotacya Yanque e Vanessa Sidrim nas aulas de atendimento ou pelo Slack (ml-unicamp-2020.slack.com).

Programa da Disciplina: Introdução ao Aprendizado de Máquina, Aprendizado Supervisionado, Aprendizado Não-Supervisionado, Regressão Linear, Regressão Logística, Redes Neurais, PCA e LDA, K-means, Deep Learning, SVM, Random Forest e Ensemble Learning

Linguagem de Programação: A linguagem de programação utilizada na disciplina é Python.

Avaliação: A avaliação será baseada nas atividades propostas e projetos práticos, sendo:

• Ao final da aula, a(o) aluna(o) deverá enviar via Google Classroom qual foi o ponto de maior dúvida da aula (D), uma pergunta sucinta. Caso não tenha dúvidas (sério? será mesmo?), a(o) aluna(o) 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 Google Classroom.
• 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 alunas(os), necessariamente.
  • O código e o relatório deverão ser entregues via Google Classroom, 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 formato de vídeo de 4 minutos), 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
  • Reprovada(o): se M < 5.0

Submissão de Atividades: Todas as atividades da disciplina deverão ser submetidas via Google Classroom.

Datas das Entregas das Avaliações: As datas abaixo estão sujeitas a alterações.

• Maior Dúvida (D): Até às 12h, dois dias depois da aula.
• Tarefa 1 (T1): 05/10/2020
• Tarefa 2 (T2): 02/11/2020
• Tarefa 3 (T3): 16/11/2020
• Tarefa 4 (T4): 14/12/2020
• Projeto Final (PF):
  • Submissão da proposta (tema e base de dados): 12/10/2020
  • Submissão do baseline (primeiro resultado): 30/11/2020
  • Apresentação (vídeos de até 4 minutos): 11-13/01/2021 Exemplos 2017.2 Exemplos 2018.2 Exemplos 2019.2
  • Submissão do PF (relatório e código): 11/01/2021

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”, C. M. Bishop, 2006.
• “Pattern Classification”, D. G. Stork, P. E. Hart, and R. O. Duda, 2000.
• “Deep Learning”, I. Goodfellow , Y. Bengio, & A. Courville, 2016.
• “Dive into Deep Learning”, M. Gardner, M. Drummy, J. Quinn, J. McEachen, & M. Fullan, 2019.