Objetivo:

Aprender algoritmos de aprendizagem de máquina relativos à classificação e clustering. Durante o curso serão discutidos aspectos de modelagem de problemas de classificação, como definição de entrada e saída; projetar soluções para problemas de classificação binária e multi-classe; e avaliação de qualidade dos modelos construídos.

Tópicos:

• Classificação
  • Regressão Logística
    • Estimativa de coeficientes
    • Regressão logística múltipla
    • Regularização L1
  • LDA (Linear Discriminant Analysis)
  • Árvores de Decisão
    • Boosting
  • Random Forests
  • Support Vector Machines
    • Kernels
• Agrupamento
  • K-means
  • k-Nearest-Neighbor

Duração:

• Aula Teórica Presencial: 1 Semana (8h). Dois encontros de 4 horas.
• Projetos individuais da disciplina: 32 h

Audiência:

Estudantes Graduados em Ciência da Computação ou áreas correlatas.

Bibliografia:

Kelleher, J.D., Mac Namee, B., D’Arcy, A., 2015a. Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. The MIT Press, Cambridge, Massachusetts.

James, G., Witten, D., Hastie, T., Tibshirani, R. (Eds.), 2013. An introduction to statistical learning: with applications in R, Springer texts in statistics. Springer, New York.