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.