CE-064: Introdução ao Machine Learning

• Professor: Eduardo Vargas Ferreira, (LEG: Laboratório de Estatística e Geoinformação)
• Curso: Estatística.
• Período: 2016/1.
• Horários e Locais:
  • Segunda-feira 20:40 - 22:00, PC-17.
  • Terça-feira 19:00 - 20:30, PC-17.
• Atendimento: Sexta, 17h30-18h30.

Instruções para o trabalho final

1. Introdução:
   • Aprendizado supervisionado e não supervisionado;
   • Função custo;
   • Revisão de Álgebra matricial.
2. Regressão Linear:
   • Estimação dos parâmetros;
   • Interpretação;
   • Seleção de modelos;
3. Regularização:
   • Regressão Ridge;
   • Regressão Lasso;
   • Horseshoe;
   • Elastic net.
4. Classificação:
   • Regressão logística;
   • Classificação por árvores;
   • Randon Forest;
   • Bagging.
5. Métodos de reamostragem:
   • Estimando o erro de previsão;
   • Validação cruzada;
   • Bootstrap.
6. Redes neurais artificiais:
   • Perceptron;
   • Back-Propagation.
7. Support Vector Machines:
   • Maximal Margin Classifier;
   • Support vector Classifier;
   • Kernels.
8. Manipulação de textos e imagens.

* James, G., Witten, D., Hastie, T. e Tibshirani, An Introduction to Statistical Learning, 2013 (livro-texto), Unofficial Solutions;

* Hastie, T., Tibshirani, R. e Friedman, J., The Elements of Statistical Learning, 2009;

* Tan, Steinbach, and Kumar, Introduction to Data Mining, Addison-Wesley, 2005;

* Bishop, Pattern Recognition and Machine Learning, 2006;

* Ripley, Pattern Recognition and Neural Networks, 1996.

* Scholkopf and Smola, Learning with Kernels, 2002;

* Mardia, Kent, and Bibby, Multivariate Analysis, 1979;

* Duda, Hart, and Stork, Pattern Classification, 2nd Ed., 2002.

* Kaggle

* UCI Machine Learning Repository

* KDD Nugets

* TwitteR

* rfigshare

* Open Gov. Data: dados.gov.br, www.data.gov, www.data.gov.uk;

* How to give a scientific presentation

* Advice on giving good talks and posters

* Data Mining Algorithms in R

* A detailed introduction to Social Network Analysis with package sna