6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA

Transcrição

1 Universidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax: CÓDIGO E NOME DA DISCIPLINA MC APRENDIZADO DE MÁQUINA 2. DISCIPLINA REQUISITO (RECOMENDAÇÃO) INTELIGÊNCIA ARTIFICIAL 3. INDICAÇÃO DE CONJUNTO (BCC) Opção Limitada 4. CURSO BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO 5. CRÉDITOS T P I: QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA TEORIA: 60 LABORATÓRIO: 9. OBJETIVOS - Assimilar conceitos para a utilização de algoritmos é técnicas de aprendizados de máquina - Apresentar/experimentar uso desses algoritmos e técnicas em diferentes domínios de aplicação, incluindo a resolução de problemas de natureza científica e/ou tecnológica, enfatizando o estudo comparativo desses algoritmos. 10. COMPETÊNCIAS Fornecer ao aluno os conceitos básicos e as principais características dos sistemas de Aprendizado de Máquina, que compreendem algoritmos capazes de aprender ou melhorar seu desempenho por meio de exemplos de situações previamente observadas. Apresentar também alguns dos algoritmos de aprendizado mais utilizados na prática. Ao final da disciplina o aluno deverá ser capaz de: - Conhecer os principais conceitos relacionados ao aprendizado de máquina; - Identificar a natureza do problema quando ao grau de supervisão necessário: supervisionado, parcialmente supervisionado (incluindo aprendizado por reforço e semissupervisionado), e não supervisionado) - Conhecer as técnicas de Aprendizado de Máquina mais utlizadasgadas na prática; - Utilizar a ferramentas disponíveis na internet para a execução de experimentos com algoritmos de aprendizado de máquina. 11. PROGRAMA RESUMIDO (EMENTA) Introdução. Tipos de aprendizado. Paradigmas de aprendizado. Avaliação experimental de algoritmos de Aprendizado de Máquina. Alguns algoritmos de Aprendizado de Máquina. Aplicações em problemas de natureza científica e tecnológica. 12. PROGRAMA 1) Introdução (10h/a) - Conceitos de aprendizado indutivo - Aprendizado de conceitos como processo de busca em um espaço de hipóteses - Estratégia dividir e conquistar

2 - Estratégia separar e conquistar - Bias indutivo - Generalização e especialização - A questão da dimensionalidade dos dados 2) Tipos de aprendizado (6h/a) - Supervisionado - Parcialmente supervisionado - Não-supervisionado 3) Paradigmas de aprendizado (6h/a) - Simbólico - Estatístico - Conexionista - Evolutivo 4) Avaliação experimental de algoritmos de Aprendizado de Máquina (10h/a) - Erro aparente e erro verdadeiro - Métodos de amostragem de dados: holdout, validação cruzada, bootstrap - Testes estatísticos para a comparação de hipóteses 5) Alguns algoritmos de Aprendizado de Máquina (16h/a) - Aprendizado lazy - k-nearest neighbord - Sistemas de raciocínio baseado em casos - Aprendizado Bayesiano - Teorema de Bayes - Algoritmo Naïve-Bayes - Aprendizado Simbólico - Regras de decisão proposicionais - Ordenadas - Não-ordenadas - Árvores de decisão - Aprendizado Conexionista - Redes Neurais Artificiais - Aprendizado Estatístico - Support Vector Machines - SVMs para problemas lineares - SVMs para problemas não lineares - Aprendizado não supervisionado - Algoritmo k-means - Clustering hierárquico - Algoritmo Expected Maximization (EM) - Aprendizado parcialmente supervisionado - Aprendizado por reforço - Aprendizado semissupervisionado - Aprendizado com classe única - Técnicas Bioinspiradas - Colônia de formigas - Outras técnicas bioinspiradas 13. MÉTODOS UTILIZADOS Os conteúdos serão apresentados em aulas expositivas, com uso de recursos audiovisuais (slides) e lousa para a resolução de exercícios. Em seguida, eles serão trabalhados em exercícios e demonstrações de ferramentas, através da aplicação de cada técnica na resolução de um dado problema. Os alunos desenvolverão ainda um projeto computacional em grupo, que consistirá na comparação de diferentes algoritmos de aprendizado a um conjunto de problemas. Os alunos farão uma apresentação do projeto para o professor e toda a turma 14. ATIVIDADES DISCENTES

3 Os alunos resolverão listas de exercícios, leitura de artigos e material bibliográfico complementar e a aplicação de implementações dos algoritmos e técnicas apresentados disponíveis na internet. Como trabalho final da disciplina, os alunos desenvolveram um projeto computacional selecionando conjuntos de dados para um dada categoria e realizando estudos comparativos com diferentes algoritmos e técnicas, realizando a análise estatística apropriada. 15. CARGA HORÁRIA AULAS TEÓRICAS: 48h AULAS PRÁTICAS: 0 TOTAL: 48h RECOMENDADO PARA DEDICAÇÃO INDIVIDUAL: 4h semanais, incluindo revisão da aula expositiva, resolução de exercícios e desenvolvimento do projeto, totalizando 48h no quadrimestre 16. CRITÉRIOS DE AVALIAÇÃO DE APRENDIZAGEM Média ponderada de duas provas, exercícios e projetos. 17. NORMAS DE RECUPERAÇÃO (CRITÉRIOS DE APROVAÇÃO E ÉPOCAS DE REALIZAÇÃO DAS PROVAS OU TRABALHOS) As notas serão dadas por conceito, conforme estabelecido pelas normas internas da UFABC. Alunos que não atingiram um nível de aprendizado adequado, e sem reprovação por presença, poderão fazer uma prova de exame para mais uma oportunidade de avaliação. A prova de exame será realizada após as provas normais, no final do trimestre. 18. BIBLIOGRAFIA RECOMENDADA BIBLIOGRAFIA BÁSICA: 1. MITCHELL, Tom m. Machine learning. Boston: WCB McGraw-Hill, WITTEN, Ian H; FRANK, Eibe. Data mining: pratical machine learning tools and techniques. 2 ed. New York: Elsevier; Morgan Kaufmann, REZENDE, Solange Oliveira. Sistemas inteligentes: fundamentos e aplicações. Barueri: Manole, BIBLIOGRAFIA COMPLEMENTAR: 1. RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern aproach. 2 ed. New Jersey: Prentice Hall; Pearson Education, BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, ALPAYDIN, Ethem. Introdution to Machine Learning. Cambridge: MIT press, BISHOP, Christopher M. Neural networks for pattern recognition. New York: Oxford University Press, SUTTON, Richard S.; BARTO, Andrew G. Reinforcement learning: an introduction. Cambridge, Mass: MIT Press, GOLDBERG, David E. Genetic Algorithms: in Search, Optimization, and Machine Learning. Boston: Addison Wesley, PLANO SUGERIDO PARA AS AULAS (em semanas letivas) 1 a. semana Introdução

4 Conceitos de aprendizado indutivo 2 a. semana - Aprendizado de conceitos como processo de busca em um espaço de hipóteses - Estratégia dividir e conquistar - Estratégia separar e conquistar - Bias indutivo - Generalização e especialização - A questão da dimensionalidade dos dados 3 a. semana Tipos de aprendizado - Supervisionado - Parcialmente supervisionado - Não-supervisionado 4 a. semana Paradigmas de aprendizado - Simbólico - Estatístico - Conexionista - Evolutivo 5 a. semana - Aprendizado lazy - k-nearest neighbord - Sistemas de raciocínio baseado em casos - Aprendizado Simbólico - Regras de decisão proposicionais - Ordenadas - Não-ordenadas - Árvores de decisão 6 a. semana - Aprendizado Bayesiano - Teorema de Bayes - Algoritmo Naïve-Bayes - Redes Bayesisanas 7 a. semana - Revisão/Exercícios - 1 a. avaliação 8 a. semana Avaliação experimental de algoritmos de Aprendizado de Máquina - Erro aparente e erro verdadeiro - Métodos de amostragem de dados: holdout, validação cruzada, bootstrap - Testes estatísticos para a comparação de hipóteses o Comparação simples (t-test e t-test pareado o Comparações múltiplas 9 a. semana Aprendizado Conexionista - Redes Neurais Artificiais - Aprendizado Estatístico - Support Vector Machines

5 - SVMs para problemas lineares - SVMs para problemas não lineares 10 a. semana - Aprendizado não supervisionado - Algoritmo k-means - Clustering hierárquico - Algoritmo Expected Maximization (EM) 11 a. semana - Aprendizado parcialmente supervisionado - Aprendizado por reforço - Aprendizado semissupervisionado - Aprendizado com classe única - Técnicas Bioinspiradas - Colônia de formigas - Outras técnicas bioinspiradas 12 a. semana - Segunda avaliação - Apresentação do projeto 20. PROFESSOR(A) RESPONSÁVEL Ronaldo Cristiano Prati Maria das Graças Bruno Marietto Ana Carolina Lorena Karla Vittori