A área de aprendizado de máquina (machine learning em inglês) tem como objetivo estudar algoritmos que otimizem de forma automatizada o processo de aprendizado e pensamento utilizando máquinas como laboratórios. Nesta disciplina vamos abordar os principais conceitos elementares da área de aprendizado de máquina, ampliando o ferramental matemático e oferecendo toda a base conceitual.

80 horas.

• Dia 1: Introdução e conceitos elementares. 
• Dia 2: Classificação linear simples. 
• Dia 3: Aprendizado em version spaces. 
• Dia 4: Algoritmos lineares de aprendizado. 
• Dia 5: Algoritmos não lineares de aprendizado. 
• Dia 6: Métodos de aprendizado em ensemble. 
• Dia 7: Métodos de clusterização. 
• Dia 8: Redes Bayesianas. 
• Dia 9: Introdução à reconhecimento de padrões. 
• Dia 10: Introdução às redes neurais. 

• Histórico de machine learning e inteligência artificial. 
• Exemplos de aprendizado supervisionado. 
• Exemplos de aprendizado não supervisionado. 
• Algoritmos de classificação, regressão e clusterização. 
• O que são redes neurais. 
• Perceptrons. 
• Design de redes neurais. 
• O que é aprendizado profundo.

• Modelos de classificação linear. 
• Exemplo de classificação binária no plano. 
• Exemplo simples envolvendo autovetores. 
• Support vector machines. 

• Introdução e conceitos elementares.
• Modelos de classificação binária. 
• Representando hipóteses. 
• Algoritmos em version spaces. 

• Técnica do gradiente descendente. 
• Regressões lineares generalizadas. 
• Regressão logística. 
• Análise discriminante linear. 

• Classificação e árvores de decisão. 
• Nayve Bayes. 
• K-nearest neighbors (KNN). 
• Support vector machines (SVM). 

• Random forest. 
• Boosting. 
• Bootstrap. 
• Cross validation. 

• Algoritmo K-means. 
• Técnicas de regularização. 
• Modelos de mistura Gaussiana. 
• Clusterização espectral. 

• Modelos de Markov (oculto). 
• Redes Bayesianas. 
• Aprendizado por redes bayesianas. 

• Métodos de classificação. 
• Métodos de clusterização. 
• Métodos de regressão. 
• Algoritmos multilineares. 

• Introdução e conceitos elementares. 
• Perceptron. 
• Feedforward.
• Redes neurais artificiais. 

• Hastie, T., R. Tibshirani, and J. H. Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer, 2001.
• MacKay, David. Information Theory, Inference, and Learning Algorithms. Cambridge, UK: Cambridge University Press, 2003.
• Bishop, Christopher. Neural Networks for Pattern Recognition. New York, NY: Oxford University Press, 1995.
• Mitchell, Tom. Machine Learning. New York, NY: McGraw-Hill, 1997.
• https://hagan.okstate.edu/NNDesign.pdf
• https://ai.stanford.edu/people/nilsson/MLBOOK.pdf