Aprendizado de Máquina

Codigo	Carga Horária
	T	E	L/P	CHT
MIN707	0	2	0	80

Ementa

O objetivo principal dessa disciplina é fornecer uma visão geral da área de Aprendizado de Máquina e dos principais conceitos e métodos utilizados em problemas de natureza não probabilística e probabilística. A disciplina se baseia em estudos de casos em que possam ser aplicados algoritmos de aprendizado para situações de percepção e controle, compreensão de texto (pesquisa na web e anti-spam), visão computacional, informática médica, áudio e outras áreas.

Descrição

Em ascensão, a área de Ciência de Dados e Inteligência Artificial demanda profissionais capacidados em extrair, analisar e construir tomada de decisões e criação de soluções para problemas utilizando um grande volude de dados. Para atingir esse objetivo, o profissional necessita de requisitos e habilidades técnicas para manipular essas informações e explorar conclusões de análises que envolvem conhecimentos de estatítica e de negócio. Portanto, o objetivo principal dessa disciplina é fornecer uma visão geral da área de Aprendizado de Máquina e dos principais conceitos e métodos utilizados em problemas de natureza não probabilística e probabilística. A disciplina se baseia em estudos de casos em que possam ser aplicados algoritmos de aprendizado para situações de percepção e controle, compreensão de texto (pesquisa na web e anti-spam), visão computacional, informática médica, áudio e outras áreas. Ressalta-se também a modelagem de problemas e soluções que envolvam aspectos de natureza probabilística. Exploração da abordagem bayesiana e cadeias de Markov na modelagem e sintonia de parâmetros a partir de base de dados.

Responsável

Docentes

Bibliografia

Básica

• DEVORE, Jay L. Probabilidade e estatística: para engenharia e ciências. [Probabilty and statistics for engineering and the sciences]. Trad. de Joaquim Pinheiro Nunes da Silva, Rev. téc. de Armando Zeferino Milioni. São Paulo: Thomson, 2006. 692 p. ISBN 852210459X.
• GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn & TensorFlow: concepts, tolls, and techniques to build intelligent systems. Sebastopol, CA: O'Reilly, c2017. 548 p. ISBN 9781491962299.
• MONTGOMERY, Douglas C; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 5. ed. Rio de Janeiro, RJ: LTC, 2013. 521 p. ISBN 9788521619024.