Aprendizagem por Máquinas

• Área: Matemática da Informação
• Código: MIF001
• Carga horária: 45 horas
• Créditos: 3

Docente(s)

• Antonio Carlos S. Branco

Ementa

Definição do problema, Abordagens Clássicas e Aprendizagem Adaptativa. Regularização: Seleção do Modelo e Controle da Complexidade. Teoria da Aprendizagem Estatística. Estratégias de Otimização não Linear. Redução de dados e métodos para redução de dimensionalidade. Métodos de Regressão. Classificação. Máquinas de Vetores de Suporte

Bibliografia

1. Bishop, C. M. (2005). Neural Networks for Pattern Recognition. Oxford University Press.
2. Cherkassky, V., & Mulier, F. (2007). Learning from Data: Concepts, Theory and Methods. Wiley Interscience.
3. Gan, G., Ma, C., & Wu, J. (2007). Data Clustering: Theory, Algorithms, and Applications. American Statistical Association.
4. Hastie, T., Tibishirani, R., & Friedman, J. (2002). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics.
5. Kecman, V. (2001). Learning and Softing Computing: Support Vectors Machines, Neural Networks, and Fuzzy Logic Models. The MIT Press.
6. Sholkopf, B., & Smola, A. J. (2002). Learning with Kernels: Support Vectors Machines, Regularization, Optimization, and Beyond. MIT Press.