Machine Learning leg.ufpr.br/~walmes/ensino/ML

Machine Learning

Detalhes

• Carga horária: 60 horas.
• Organização:
  • Prof. Eduardo V. Ferreira: exposição teórica.
  • Prof. Walmes M. Zeviani: complemento computacional e estudos de caso.
• Página mantida pelo Prof. Eduardo: https://eduardoleg.github.io/machine/.

Horário	Local
Ter 19h00 – 20h30	Sala multimídia DEST
Qui 20h45 – 22h15	Sala multimídia DEST

Conteúdo programado

• Introdução Aula teórica
  • Machine Learning na prática;
  • Aprendizado supervisionado e não supervisionado;
  • Função custo;
• Métodos de reamostragem Aula teórica
  • Estimando o erro de previsão;
  • Validação cruzada;
  • Bootstrap.
• Gradiente descendente Aula teórica
  • Batch;
  • Stochastic;
  • Boosting.
• Regularização Aula teórica
  • Regressão Ridge;
  • Regressão Lasso;
  • Horseshoe;
  • Elastic net.
• Métodos baseados em árvores Aula teórica
  • Árvores de decisão;
  • Randon Forest;
  • Bootstrap Aggregation (Bagging);
  • Boosting.
• Support Vector Machines Aula teórica
  • Maximal Margin Classifier;
  • Support vector Classifier;
  • Kernels.
• Classificação Aula teórica
  • Regressão logística;
  • Análise de discriminante linear;
  • Análise de discriminante quadrática;
  • Naive Bayes.
• Aprendizado não supervisionado Aula teórica
  • Análise de componentes principais;
  • K-means Clustering;
  • Hierarchical Clustering;
  • DBSCAN.
• Redes Neurais Artificiais:
  • Introdução;
  • Backpropagation algorithm;
  • Aplicações.
• Manipulação de textos e imagens:
  • Preprocessamento;
  • Agrupamento e similaridade;
  • Análise de sentimento.

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;
• Lantz, B., Machine Learning with R, Packt Publishing, 2013;
• 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.

Links úteis

• Aprendizaje Automático y Ciencia de Datos: playlist do youtube (>= 48 vídeos, ~10 minutos cada) de curso aberto massivo oferecido pela Universitat Politècnica de València - UPV.
• Data Science - Machine Learning Course - CS 156.
• Data Science com Inteligência Artificial · IBM Brasil.
• Intro to Data Science with R · David Langer.

Atividades e avaliações

Tipo de avaliação	Quantidade	Peso na nota final
Sabatinas	~10	0.6
Trabalho final	1	0.4

Pelo menos 25% das piores notas das sabatinas serão eliminadas. As sabatinas não serão repostas. O trabalho final não terá reposição.

Referências

ALBON, C. Machine learning with Python cookbook: Practical solutions from preprocessing to deep learning. O’Reilly Media, 2018.

AMARAL, F. Introdução à ciência de dados: Mineração de dados e big data. Alta Books, 2018.

BURGER, S. Introduction to machine learning with R: Rigorous mathematical analysis. O’Reilly Media, 2018.

CICHOSZ, P. Data mining algorithms: Explained using R. Wiley, 2015.

DE CASTRO SILVA, D. Introdução a mineração de dados. Editora Saraiva, 2017.

EFRON, B.; HASTIE, T. Computer age statistical inference: Algorithms, evidence, and data science (institute of mathematical statistics monographs). Cambridge University Press, 2016.

EVERITT, B.; HOTHORN, T. An introduction to applied multivariate analysis with R. Springer New York, 2011.

GHATAK, A. Machine learning with R. Springer Singapore, 2017.

GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data mining. Elsevier Editora Ltda., 2015.

HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: Data mining, inference, and prediction. Springer New York, 2013.

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An introduction to statistical learning: With applications in R. Springer New York, 2013.

LANTZ, B. Machine learning with R. Packt Publishing, 2015.

LESMEISTER, C. Mastering machine learning with R, second edition. Packt Publishing, 2017.

MARSLAND, S. Machine learning: An algorithmic perspective. CRC Press, 2011.

MÜLLER, A.; C, M.; GUIDO, S. Introduction to machine learning with Python: A guide for data scientists. O’Reilly Media, 2016.

OZDEMIR, S.; SUSARLA, D. Feature engineering made easy: Identify unique features from your dataset in order to build powerful machine learning systems. Packt Publishing, 2018.

RASCHKA, S. Python machine learning. Packt Publishing, 2015.

RENCHER, A. Methods of multivariate analysis. Wiley, 2003.

SILVA, L. DA; PERES, S.; BOSCARIOLI, C. Introdução à mineração de dados: Com aplicações em R. Elsevier Editora Ltda., 2017.

ZHENG, A.; CASARI, A. Feature engineering for machine learning: Principles and techniques for data scientists. O’Reilly Media, 2018.

---

Machine Learning

leg.ufpr.br/~walmes/ensino/ML