Inferência e Aprendizagem

Informações Básicas

Carga horária: 

60 horas

Pré-requisito: 

Estatística

Ementa: 

Introdução ao aprendizado por máquina, matriz de correlações e análise de componentes principais, regressão linear com o método dos mínimos quadrados, classificação Bayesiana, discriminante linear, regressão logística, análise de agrupamentos, redes neurais artificiais MLP e RBF, máquinas de vetor de suporte, combinação de modelos, seleção de variáveis.

 

Bibliografia

Obrigatória: 

  • Hastie, Trevor, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
  • Kecman, Learning and Soft Computing MIT Press, 2001.
  • R. O. Duda, P. E. Hart and D. G. Stork, Pattern Classification (2nd Edition) Wiley-Interscience, 2000

Complementar: 

  • Cherkassky e F. M. Mulier Learning from Data: Concepts, Theory, and Methods, Wiley-IEEE Press; 2 edition, 2007.
  • K. P. Murphy, Machine Learning, A Probabilistic Perspective, MIT Press, 2012
  • S. Theodoris e K. Koutroumbas, Pattern Recognition, 3º edition, Academic Press, 2006
  • C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.5.
  • B. Schölkopf, A. J. Smola, Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond, MIT Press, 2001

Período: 

  • 5º Período