Área de concentração: 104131 - Programa Interinstitucional de Pós-Graduação em Estatística

Criação: 10/06/2022

Nº de créditos: 10

Carga horária:

Teórica
Por semana
Prática
Por semana
Estudos
Por semana
Duração Total
3 1 6 15 Semanas 150 Horas

Docentes responsáveis:

Carlos Alberto Ribeiro Diniz
Cibele Maria Russo Novelli
Rafael Izbicki


Objetivos:

Apresentar as principais técnicas de machine learning sob uma ótica estatística, abordando tanto aspectos computacionais quanto teóricos.


Justificativa:

Tema de grande relevância para a estatística, mas que em geral não é contemplado em semestres regulares.


Conteúdo:

1. Conceitos fundamentais: predição; aprendizado supervisionado versus aprendizado não supervisionado; função de risco; validação cruzada; overfitting. 2. Regressão: regressão linear; lasso; KNN; Nadaraya-Watson; árvores e florestas de regressão; bagging; boosting e outros métodos preditivos; 3. Classificação: regressão logística; KNN; árvores e florestas de classificação; SVM e truque do kernel; outros métodos preditivos 4. Redução de dimensionalidade: PCA; Kernel PCA; projeções aleatórias 5. Análise de agrupamento: k-médias; métodos hierárquicos; agrupamento baseado em moda 6. Statistical Learning Theory 7. Tópicos adicionais.


Forma de avaliação:

A nota final (MF) será obtida da seguinte forma:
MF = 0.20*P1 + 0.20*P2 + 0.30*P3 + 0.3*T
Na expressão acima, MF = média final; T = média de apresentação de trabalhos e seminários


Observação:

Nenhuma.


Bibliografia:

Fundamentais:
Izbicki, R. e Santos, T. M. dos. Aprendizado de máquina: uma abordagem estatística. 1ᵃ edição. 2020. 272 páginas. ISBN: 978-65-00-02410-4

Friedman, Jerome, Trevor Hastie e Robert Tibshirani. The elements of statistical learning. Vol. 1. Springer, Berlin: Springer series in statistics, 2001.

James, Gareth, Daniela Witten, Trevor Hastie e Robert Tibshirani. An introduction to statistical learning. Vol. 6. New York: springer, 2013.

Complementares (se houver):
Bishop, Christopher M. Neural networks for pattern recognition. Oxford university press, 1995.Murphy, Kevin P.

Machine learning: a probabilistic perspective. MIT press, 2012.

Vapnik, Vladimir Naumovich. Statistical learning theory. Vol. 1. New York: Wiley, 1998.

CONECTE-SE COM A GENTE
 

© 2024 Instituto de Ciências Matemáticas e de Computação