Essa é uma revisão anterior do documento!
CE-064: Introdução ao Machine Learning
Detalhes da oferta da disciplina
- Curso: Estatística.
- Período: 2016/1.
- Horários e Locais:
- Terça-feira 20:40 - 22:00 (LABEST)
- Quinta-feira 17:30 - 19:00 (LABEST)
- Atendimento: Sexta, 17h30-18h30.
Avaliações
Aulas
Assunto | Teoria | Prática | Material complementar | Material para a próxima aula |
---|---|---|---|---|
Introdução | Statistical Modeling: The Two Cultures | |||
Regressão Linear - Revisão | ||||
Gradiente descendente | Stochastic Gradient Descent Tricks | |||
Classificação | Regularized Discriminant Analysis | |||
Métodos de reamostragem | Cross-validation | |||
Manipulação de textos e imagens | Dissertacao Larissa Sayuri |
Programa da disciplina
- Introdução:
- Aprendizado supervisionado e não supervisionado;
- Função custo;
- Revisão de Álgebra matricial.
- Regressão Linear:
- Regressão linear simples e múltipla;
- Estimação dos parâmetros;
- Preditor quantitativo e qualitativo;
- Interpretação.
- Gradiente descendente:
- Batch;
- Stochastic;
- Boosting.
- Classificação:
- Regressão logística;
- Análise de discriminante linear;
- Análise de discriminante quadrática;
- Naive Bayes.
- Métodos de reamostragem:
- Estimando o erro de previsão;
- Validação cruzada;
- Bootstrap.
- Seleção de modelos e regularização:
- Seleção por Forward e Backward;
- Estimação do erro do teste utilizando Mallow’s Cp, AIC, BIC, R quadrado ajustado;
- Regressão Ridge;
- Regressão Lasso;
- Horseshoe;
- Elastic net.
- Métodos baseados em árvores:
- Árvores de decisão;
- Randon Forest;
- Bootstrap Aggregation (Bagging);
- Boosting.
- Redes neurais artificiais:
- Perceptron;
- Back-Propagation.
- Support Vector Machines:
- Maximal Margin Classifier;
- Support vector Classifier;
- Kernels.
- Manipulação de textos e imagens.
Referências Bibliográficas
* 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.
Referência complementar
* Scholkopf and Smola, Learning with Kernels, 2002;
* Mardia, Kent, and Bibby, Multivariate Analysis, 1979;
* Duda, Hart, and Stork, Pattern Classification, 2nd Ed., 2002.
Data Repositories
* Kaggle
* UCI Machine Learning Repository
* Open Gov. Data: dados.gov.br, www.data.gov, www.data.gov.uk;