Dados e Aprendizagem Automática
Objetivos
- Apresentar uma visão geral da Aprendizagem Automática, com ênfase na utilidade e aplicação das diferentes abordagens, em particular supervisionada, não-supervisionada e por reforço;
- Compreender os desafios inerentes à aprendizagem automática a partir de dados;
- Processar dados para treino de sistemas de Aprendizagem Automática;
- Aplicar os algoritmos mais comuns de aprendizagem, reconhecendo o domínio de aplicação de cada um;
- Implementar modelos de computação natural na resolução de problemas reais.
Programa
- Dados
- Dados, Informação e Conhecimento
- Dados Estruturados, Não Estruturados e Híbridos
- Extração de Conhecimento de Dados
- Caracterização do Processo de Extração de Conhecimento
- Experimentação com Ferramentas de Extração de Conhecimento
- Resolução de Casos de Estudo e Aplicação Prática
- Sistemas de Aprendizagem
- Aprendizagem Automática
- Aprendizagem Supervisionada
- Aprendizagem Não-supervisionada
- Aprendizagem por Reforço
- Redes Neuronais
- Conjunto de Modelos
- Computação Natural
- Computação Evolucionária
- Inteligência de Enxames
Bibliografia
- Machine Learning, T. Michell, McGraw Hill, ISBN 978-1259096952, 2017.
- Introduction to Machine Learning. Alpaydin, E. ISBN: 978-0-262-02818-9. Published by The MIT Press, 2014.
- Computational Intelligence: An Introduction, Engelbrecht A., Wiley & Sons. 2nd Edition, ISBN 978-0470035610, 2007.
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction; Hastie, T., R. Tibshirani, J. Friedman; 12nd Edition; Springer; ISBN 978-0387848570, 2016.
- Machine Learning: A Probabilistic Perspective; K.P. Murphy; 4th Edition; The MIT Press, ISBN 978-0262018029, 2012.