---

Área de concentração: 55137 - Mestrado Profissional em Matemática, Estatística e Computação Aplicadas à Indústria

Criação: 20/01/2022

Nº de créditos: 3

Carga horária:

Teórica Por semana	Prática Por semana	Estudos Por semana	Duração	Total
3	3	3	5 Semanas	45 Horas

Docentes responsáveis:

André Carlos Ponce de Leon Ferreira de Carvalho
Ricardo Marcondes Marcacini
Roseli Aparecida Francelin Romero
Solange Oliveira Rezende

Objetivos:

Apresentar os aspectos fundamentais e principais algoritmos de aprendizado de máquina, que investiga técnicas para desenvolver algoritmos capazes de aprender, ou melhorar seu desempenho, utilizando exemplos de situações previamente observadas. Serão investigados algoritmos que seguem diferentes paradigmas, incluindo algoritmos baseados em procura {algoritmos de indução de arvores de decisão e de conjuntos de regras, redes neurais artificiais (perceptron e multilayer perceptron), modelos probabilísticos (regressão logística e naive Bayes) e algoritmos baseados em distancia. Além do estudo dos algoritmos de aprendizado baseados em diferentes paradigmas, será estudada a realização experimentos com desses algoritmos para entender como eles induzem conhecimento utilizando aplicações reais.

Justificativa:

Apresentar ao aluno os princípios gerais de aprendizado de máquina e inferência indutiva e fornecer uma visão geral dos diversos paradigmas e algoritmos existentes de aprendizado de máquina para a aquisição automática de conhecimento a partir de conjuntos de dados.

Conteúdo:

Aspectos básicos de Aprendizado de Máquina; Tarefas de aprendizado; Viés indutivo; Aprendizado descritivo; Aprendizado preditivo; Algoritmos de Aprendizado de Máquina; Algoritmos que seguem diferentes paradigmas, incluindo algoritmos baseados em procura (algoritmos de indução de arvores de decisão e de conjuntos de regras, redes neurais artificiais (perceptron e multilayer perceptron) e modelos probabilísticos (regressão logística e naive Bayes); Medidas de avaliação; Aplicações de Aprendizado de Máquina.

Forma de avaliação:

Observação:

FORMA DE OFERECIMENTO
Híbrido (partes presenciais e partes remotas)

PORCENTAGEM DA DISCIPLINA QUE OCORRERÁ NO SISTEMA NÃO PRESENCIAL
80%

JUSTIFICATIVA DE NECESSIDADE DE DISCIPLINA REMOTA OU HÍBRIDA
A disciplina apresenta conceitos de computação que podem ser apresentados de forma efetiva no modo remoto, com o uso de tecnologias de compartilhamento de ambientes computacionais. Assim, a disciplina fará uso desse mecanismo para apresentar os conteúdos de forma remota, síncrona e assincronamente. Com isso, busca-se tirar proveito das oportunidades para o ensino remoto de recursos para o estudo de conteúdos computacionais.

DETALHAMENTO DAS ATIVIDADES QUE SERÃO PRESENCIAIS E DAS QUE SERÃO DESENVOLVIDAS VIA REMOTA, COM DISCRIMINAÇÃO DO TEMPO DE ATIVIDADE CONTÍNUA ONLINE
Prova será realizada de modo presencial. Aulas e Trabalhos Práticos de modo remoto.

ESPECIFICAÇÃO SE AS AULAS, QUANDO ONLINE, SERÃO SÍNCRONAS OU ASSÍNCRONAS
As aulas serão síncronas. No entanto, os vídeos das aulas serão disponibilizados para o aluno.

DESCRIÇÃO DO TIPO DE MATERIAL E/OU CONTEÚDO QUE SERÁ DISPONIBILIZADO PARA O ALUNO
Semanalmente, serão fornecidos slides das aulas teóricas e práticas, material para os trabalhos práticos e os vídeos das aulas síncronas.

PLATAFORMA QUE SERÁ UTILIZADA
Google Meet

DEFINIÇÃO SOBRE A PRESENÇA NA UNIVERSIDADE E, QUANDO NECESSÁRIA, DISCRIMINAR QUEM DEVERÁ ESTAR PRESENTE (PROFESSOR; ALUNOS; AMBOS)
A presença do aluno na universidade será nas datas da prova. Deverão estar presentes: professor e aluno.

DESCRIÇÃO DOS TIPOS E DA FREQUÊNCIA DE INTERAÇÃO ENTRE ALUNOS E PROFESSOR (SOMENTE DURANTE AS AULAS; FORA DO PERÍODO DAS AULAS; HORÁRIOS; POR CHAT/E-MAIL/FÓRUNS OU OUTRO);
A interação entre alunos e professor será de diversas maneiras: durante as aulas síncronas e fora do período de aulas: por e-mail e pelo tidia-ae que permite a comunicação de avisos.

SERÃO UTILIZADAS METODOLOGIAS ATIVAS DE ENSINO E ATIVIDADES DE COOPERAÇÃO E COLABORAÇÃO ENTRE OS ALUNOS?
Serão aplicados exercícios semanais para promover a cooperação e colaboração entre grupos de alunos.

FORMA DE CONTROLE DA FREQUÊNCIA NAS AULAS
Será feita chamada nas aulas síncronas.

INFORMAÇÃO SOBRE A OBRIGATORIEDADE OU NÃO DE DISPONIBILIDADE DE CÂMERA E ÁUDIO (MICROFONE) POR PARTE DOS ALUNOS
É indicado o uso de computador e áudio.

FORMA DE AVALIAÇÃO DA APRENDIZAGEM (PRESENCIAL/REMOTA)
Provas presenciais e trabalhos entregues de forma remota.

CRITÉRIOS DE AVALIAÇÃO CONTEMPLANDO QUAL A(S) METODOLOGIA(S) UTILIZADA(S) E COMO SER(Á)ÃO ATRIBUÍDO(S) O(S) CONCEITO(S)
Será realizada 1 prova mais 4 trabalhos práticos, compondo a nota numérica da disciplina. O conceito será A para nota superior a 8.5, B para nota superior a 7.0, C para nota superior ou igual a 6.0 e R para notas inferiores a 6.0.

MENCIONAR AS MEDIDAS QUE GARANTAM AOS ALUNOS ACESSO À PLATAFORMA (SALA DE AULA COM INFRAESTRUTURA DE MULTIMÍDIA, SALA PRÓ-ALUNO; EQUIPAMENTOS NECESSÁRIOS A PARTICIPAÇÃO DOS ALUNOS E OUTROS)

Bibliografia:

BIBLIOGRAFIA (fundamentais)

Katti Faceli, Ana Carolina Lorena, João Gama, Thiago Agostinho de Almeida, André C.P.L.F. de Carvalho, Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina, LTC; 2ª edição, 2021.
M. J. Zaki and W. Meira - Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2'Ed: Cambridge University Press, 2020.


BIBLIOGRAFIA (complementares)
Alpaydin, E. (2004). lntroduction to Machine Learning. MIT Press.
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
Flach, P. (2012). Machine Learning:The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press.
Provost, F.; Fawcett, T. Data Science for Business: What you need to know about data mining and data­analytic thinking by O'Reilly Media, 2013.
Han, J.; Kamber, M.; Pei, J. Data Mining: Concepts and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems). Morgan Kaufmann , 2011.
Witten, I.; Frank, E. Third Edition (The Morgan Kaufmann Series in Data Management Systems). 2011. Tan, P.-N.; Steinbach, M.; Kumar, T. lntroduction to Data Mining. Addison Wesley, 2005.
Rezende, S.O. (org.) Sistemas Inteligentes: Fundamentos e Aplicações. Editora Manole, 2003.
Stuart Russell; Peter Norvig. Artificial Intelligence: A Modern Approach, Pearson Education Limited; 4ª edition, 2021.