Aprendizagem por Máquinas

Informações Básicas

Carga horária: 

45 horas

Ementa: 

O problema do aprendizado estatístico.  Treinamento versus teste (dimensão Vapnik-Chervonenkis, treinamento e generalização).  Modelo lineat (regressão linear, não linear e logística). O que é e como detectar e lidar com overfitting. Princípios de aprendizado de máquinas: navalha de Ocam, viés de amostra e data snooping. Métodos baseados em similaridade (vizinho mais próximo, funções de base radial, estimação de densidades).  Redes neurais (MLP, treinamento, aproximação e regularização).  Máquinas de vetor de suporte. Métodos de agregação. Seleção de variáveis.

Bibliografia

Obrigatória: 

  • Abu-Moustafa, Y.S., Magdon-Ismail, M. e Lin H-S. (2012). Learning from data.  AML-Book.com.
  • Devroye, L., Gÿofi, L., e Lugosi, G. (1996). A probabilistic theory of pattern recognition. Springer-Verlag.
  • Mohri, M., Rostamizadeh, A., Talwalkar, A. (2012). Foundations of machine learning . MIT Press.
  • Murphy, K. P. (2013). Machine learning: a probabilistic perspective. The MIT Press.
  • Hastie, T., Tibishirani, R., & Friedman, J. (2002). The elements of statistical learning. Springer Series in Statistics.