Skip to content

EvandroJRSilva/UniML

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

17 Commits
src
src
 
 
.gitignore
.gitignore
 
 
README.md
README.md
 
 
requirements.txt
requirements.txt
 
 

Repository files navigation

Machine Learning

Repositório da Disciplina Machine Learning da Uninassau - Teresina.

⚠
Infelizmente não consegui fazer um bom planejamento para esta disciplina. A expectativa é de que em algum momento no futuro eu consiga refazê-la em sua abordagem mais correta, ou seja, como uma disciplina introdutória de Aprendizado de Máquina.

Sumário

Ementa

Os tópicos principais da disciplina.

  1. Fundamentos de Machine Learning
  2. Algoritmos Meta-heurísticos
  3. Computação Natural
  4. Aprendizagem Supervisionada
  5. Aprendizagem Não Supervisionada
  6. Aprendizagem Bayesiana
  7. Métodos Paramétricos
  8. Redução de Dimensionalidade
  9. Clustering
  10. Métodos Não-paramétricos
  11. Árvores de Decisão
  12. Redes Neurais
  13. Aprendizado por Reforço

Competências Específicas

O que é esperado que vocês aprendam

  1. Conhecer os fundamentos de Machine Learning
  2. Aplicar a Computação Natural
  3. Aplicar os métodos paramétricos e não paramétricos
  4. Dominar os conceitos de redução de dimensionalidade e clustering
  5. Utilizar Árvores de Decisão e Redes Neurais
  6. Entender a Aprendizagem por Reforço

Conteúdo Programático

  • Unidade I
    • Fundamentos de Machine Learning
    • Algoritmos Meta-Heurísticos
    • Computação Natural
  • Unidade II
    • Aprendizagem Supervisionada
    • Aprendizagem Não Supervisionada
    • Aprendizagem por Reforço
    • Aprendizagem Bayesiana
  • Unidade III
    • Redução de dimensionalidade
    • Métodos Paramétricos
    • Métodos Não Paramétricos
    • Árvores de Decisão
  • Unidade IV
    • Clustering
    • Perceptron de Múltiplas Camadas
    • Projeto

Planejamento da Disciplina

Como vamos ver e praticar os conceitos apresentados em sala de aula.

Teoria x Prática

O objetivo é mesclar bem aulas teóricas e aulas práticas. A ementa cobre muito assunto, então teremos um semestre corrido!

O livro que usaremos como principal fonte de estudo é o Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow. A prática ocorrerá com o uso da linguagem Python e com algumas das bibliotecas padrões utilizadas nesse meio.

Calendário

Turmas

ADS4N 18:30 - 21:10

ADS4AM 08:20 - 11:00

ADS4BM 08:20 - 11:00

Legendas

Aula Feriado Prova

Agosto

Seg Ter Qua Qui Sex
01 02
05 06 07Ago 08 09Ago
12 13Ago 14 15 16Ago
19 20Ago 21 22 23Ago
26 27Ago 28 29 30Ago

Setembro

Seg Ter Qua Qui Sex
02 03Set 04Set 05 06Set
09 10Set 11Set 12 13Set
16 17Set 18Set 19 20Set
23 24Set 25Set 26 27Set
30

Outubro

Seg Ter Qua Qui Sex
01Out 02Out 03Out 04
07 08Out 9Out 10Out 11
14 15Out 16Out 17Out 18
21 22Out 23Out 24Out 25
28 29Out 30Out 31Out

Novembro

Seg Ter Qua Qui Sex
01
04 05Nov 06Nov 07Nov 08
11 12Nov 13Nov 14Nov 15Nov
18 19Nov 20Nov 21Nov 22
25 26Nov 27Nov 28Nov 29

Dezembro

Seg Ter Qua Qui Sex
02 03Dez 04Dez 05Dez 06
09 10Dez 11Dez 12Dez 13
16 17Dez 18Dez 19Dez 20
23 24 25Dez 26 27
30 31

Aulas

  • 01
    • Apresentação da Disciplina
    • Introdução
    • Aprendizado de Máquina
      • Processo geral
      • Aplicações
  • 02
    • Tipos de Sistemas do Aprendizado de Máquina
      • Aprendizado Supervisionado
      • Aprendizado Não Supervisionado
      • Aprendizado Semissupervisionado
      • Aprendizado por Reforço
      • Aprendizado em Batch
      • Aprendizado online
      • Aprendizado baseado em instâncias
      • Aprendizado baseado em modelo
  • 03
    • Principais desafios do Aprendizado de Máquina
      • Quantidade insuficiente de dados de treinamento
      • Dados de treinamento não representativos
      • Dados de baixa qualidade
      • Características irrelevantes
      • Sobreajuste dos dados de treinamento (overfitting)
      • Subajuste dos dados de treinamento (underfitting)
    • Teste e Validação
      • k-fold
      • Bootstrap
      • Treinamento, teste e validação
    • Algoritmos Meta-Heurísticos
  • 04
    • Computação Natural
      • Introdução
      • Busca Informada e Local
        • Busca Gulosa
        • A*
      • Inteligência de Enxame
        • PSO
        • ACO
      • Computação Evolucionária
        • Algoritmo Genético
  • 05
    • Projeto de Aprendizado de Máquina Ponta a Ponta
    • Parte prática: várias aulas!
  • 06
    • Aprendizado Não Supervisionado: Agrupamento
      • k-means
  • 07
    • Aprendizado Supervisionado: Árvores de Decisão/Regressão
      • ID3
  • 08
    • Aprendizado Supervisionado: Redes Neurais Artificiais
      • Perceptron
      • Multilayer Perceprton (MLP)
        • Backpropagation
  • 09
    • Aprendizado Supervisionado: Support Vector Machine
      • Introdução
      • Hiperplano
      • Magem máxima
      • Vetores de suporte
      • Kernel trick
  • 10
    • Comitês de Classificadores
      • Introdução
      • Seleção de Classificadores
      • Fusão de Classificadores
      • Modelos Clássicos
        • Bagging
        • AdaBoost
        • RandomForest

Avaliações

O desempenho de vocês será avaliado através de 02 provas e 02 trabalhos. As notas possíveis são as seguintes:

N1 N2 NF MP MF
Nota1 Nota2 Nota Final Média Parcial Média Final

O cálculo das notas e médias ocorrerá da seguinte forma:

N1 = (AV1 + Trabalho01)/2
N2 = (AV2 + Trabalho02)/2

MP = (N1 + N2)/2

SE MP >= 7 
  Você estará aprovado!
SENÃO SE 4 <= MP < 7
  Você deverá fazer a Prova Final


MF = (NF + MP)/2

SE MF >= 5
  Você estará aprovado!
SENÃO
  Você estará reprovado!

DATAS

  • AV1
    • 03/10 - 09/10
  • AV2
    • 03/12 - 09/12
  • Segunda Chamada
    • 12/12 - 18/12
  • Final
    • 20/12, 23/12, 26/12, 27/12 e 30/12

Bibliografia

Básica

Complementar

About

Repositório da disciplina Machine Learning da Uninassau-Teresina

Resources

Readme
Activity

Stars

7 stars

Watchers

2 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages