Aprendizado de máquina

Apresentação em tema: "Aprendizado de máquina"— Transcrição da apresentação:

1 Aprendizado de máquina
Prof. Eduardo Bezerra (PPCIC - CEFET/RJ)

2 Aprendizado de Máquina (AAAA.P)
Página do curso Plano de curso (conteúdo, datas de provas, etc) Notas de aula (slides) Enunciados dos trabalhos Listas de exercícios Dicas, avisos, etc. Procure também no Moodle por Aprendizado de Máquina (AAAA.P)

3 Material didático Vamos usar material adaptado dos seguintes cursos:
CS229: Machine Learning Deep Learning Specialization CS231n: Convolutional Neural Networks for Visual Recognition.

4 Livro texto Não há! Sugestões: Tom Mitchell, Machine Learning
Christopher Bishop, Pattern Recognition and Machine Learning Ethem Alpaydin, Introduction to Machine Learning

5 Horários das aulas 3as-feiras, das 13:25h às 17:20h
Iremos começar pontualmente. Se você vive atrasado: aula começa às 13:00h.

6 Presença nas aulas Será realizada no início da aula, e apenas nessa ocasião. Não será registrada a presença após esse horário.

7 Avaliação Componentes Pesos dos componentes de avaliação
listas de exercícios 3 projetos de programação individuais Pesos dos componentes de avaliação listas  20% (média aritmética) projetos  25%, 25%, 30%

8 Projetos de programação
Haverá ao todo 03 (três) projetos de programação: Projeto 1: regressão linear e regressão logística Projeto 2: Abordagens não supervisionadas e redução de dimensionalidade Projeto 3: RNAs (imagens e dados sequenciais) PYCHARM NOTEPAD++ SUBLIME LICLIPSE

9 Projetos de programação
Esses projetos envolvem programação em linguagem Python. Serão apresentados aspectos específicos da linguagem. Mas, espera-se que o aluno conheça o básico da linguagem (tipos básicos, operadores, funções e estruturas de controle)... PYCHARM NOTEPAD++ SUBLIME LICLIPSE

10 Projetos de programação
Comecem os trabalhos o quanto antes. Porque o cronograma é apertado. Em cada trabalho, você deve entregar um relatório explicando seu código e os resultados dos seus experimentos. Você pode entregar cada trabalho como um notebook Jupyter.

11 Conteúdo programático
1ª parte – Introdução ao Aprendizado de Máquina Visão geral do AM: regressão, classificação, redução de dimensionalidade, aprendizado não supervisionado. 2ª parte – Redes Neurais Artificiais Fundamentos (representação, aprendizado) Aprendizado sobre imagens  CNNs Aprendizado sobre dados sequenciais  RNNs

12 Cronograma (plano de aulas)
Ver arquivo (planilha) na página do curso.

13 Vamos precisar programar…

14 Vamos precisar de Matemática...

15 Vamos precisar de Matemática...
Rudimentos de Probabilidade e Estatística Variável aleatória, distribuições de probabilidade Álgebra linear Operações básicas com matrizes, operações com vetores, produto escalar, projeções, transposta, inversa. Cálculo Derivada (parcial), regra da cadeia, expansão em séries

16 Vamos precisar de Matemática...

17 Outras recomendações Evite o autoengano: reserve tempo para estudo extraclasse. “Excelência não é um ato, mas um hábito”

18 Outras recomendações Não deixem dúvidas acumularem.
Durante o curso, vamos falar sobre os mesmos conceitos repetidas vezes, mas com perspectivas diferentes.

19 Perguntas ou comentários?