---

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

Criação: 13/09/2017

Nº de créditos: 12

Carga horária:

Teórica Por semana	Prática Por semana	Estudos Por semana	Duração	Total
4	0	8	15 Semanas	180 Horas

Docentes responsáveis:

Moacir Antonelli Ponti
Rodrigo Fernandes de Mello

Objetivos:

Abordar os fundamentos da Teoria do Aprendizado Estatístico e Máquinas de Vetores de Suporte.

Justificativa:

Algoritmos de aprendizado supervisionado têm sido amplamente adotados por diferentes áreas do conhecimento, contudo, a formação de especialistas em Aprendizado de Máquina deve contemplar a teoria que justifica o funcionamento desses algoritmos e sob quais condições eles aprendem. Dessa maneira, esta disciplina visa prover fundamentação teórica sobre Aprendizado de Máquina Supervisionado.

Conteúdo:

1) Conceitos essenciais e premissas para o desenvolvimento da Teoria do Aprendizado Estatístico; 2) Generalização e Consistência; 3) Dilema Viés e Variância; 4) Minimização do Risco Empírico: 4.1) Lei dos Grandes Números; 4.2) Inconsistência na minimização do risco empírico; 4.3) Convergência Uniforme; 5) Coeficiente de Shattering; 6) Dimensão Vapnik-Chervonenkis; 7) Limites para Máxima Margem; 9) Conceitos Básicos sobre Otimização aplicados a Máquinas de Vetores de Suporte (SVM); 10) Máquinas de Vetores de Suporte (SVM); 11) Conceitos Algébricos iniciais sobre Kérneis para Máquinas de Vetores de Suporte (SVM).

Forma de avaliação:

Provas e trabalhos.

Observação:

Nenhuma.

Bibliografia:

Fundamentais:
Vapnik, V. N.; Statistical Learning Theory, 1998, Wiley-Interscience, 1.o Edição.
Vapnik, V. N.; The Nature of Statistical Learning Theory, 1999, Springer, 2.
Scholkopf, B.; Smola, A. J.; Learning With Kernels: Support Vector Machines, Regularization, Optimization, and Beyond, 2001, MIT Press Cambridge.
Complementares:
James, G.; Witten, D.; Hastie, T.; Tibshirani, R.; An Introduction to Statistical Learning with Applications in R, Springer, 2013.