Programação

  • Geral

    Contrair tudo Expandir tudo

  • Informações Gerais

    Objetivos:

    Complementar a formação dos alunos de graduação em Computação com interesse em utilizar técnicas de Ciência de Dados, em particular, Aprendizado de Máquina e Mineração de Dados, em problemas reais, utilizando para isso as técnicas e ferramentas vistas em disciplinas relacionadas.

    Ementa:

    Pré-processamento de dados e criação de modelos utilizando técnicas descritivas e preditivas. Análise de desempenho.


    Bibliografia:

    • R. O. Duda, P. E. Hart, D. G. Stork. Pattern Classification.
    • T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning.
    • Alpaydin, E. (2004). Introduction to Machine Learning. MIT Press. 
    • Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. 
    • Faceli, Katti; Lorena, Ana Carolina; Gama, João ; de Carvalho, A. C. P. L. F. (2011). Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. 1. ed. Rio de Janeiro: LTC. 
    • Flach, P. (2012). Machine Learning:The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press.


    Dúvidas:

    • Não poste códigos ou qualquer tipo de coisa relacionada nos grupos de estudos, por conta de problemas com plágio. Para esses casos, prefira se comunicar diretamente com o professor.
    • Perguntem bastante. Não deixem dúvidas acumuladas. :)


    Aulas totalmente remotas:

    • Segunda-feira (08:10 às 11:50) 
    • https://meet.google.com/ubr-vibo-rsx


    Contato:

    - Fernando Pereira dos Santos: fernando_persan@alumni.usp.br
    - Liz M. Huancapaza Hilasaca: lizhh@usp.br

    Grupos de comunicação:

    Link Telegram: https://t.me/+GfMg7l-Ekno3N2Ex


    Atendimento:

    - Fernando: enviar um e-mail para combinar horário
    - Liz M. : sexta-feira 14:30 h.


    Material:

    - Google Drive (https://drive.google.com/drive/folders/1jJYz4o7Z8U7HSXTRBrKbCVFVDr5q2SJj?usp=sharing)

  • Cronograma de Aulas

    Módulo I (Introdução e Tratamento de Dados):

    • (13/03 - Aula 01) Apresentação da disciplina e Introdução à Ciência de Dados
    • (20/03 - Aula 02) Pré-processamento de dados


    Módulo II (Classificação):

    • (27/03 - Aula 03) Revisão de Métodos para Tarefas de Classificação
    • (03/04) sem aula: Semana Santa
    • (10/04) - sem aula
    • (17/04 - Aula 04) Seminários de Classificação
    • (24/04 - Aula 05) Discussão do desafio de Classificação
    • (01/05) sem aula: Dia do Trabalho


    Módulo III (Regressão):

    • (08/05 - Aula 06) Revisão de Métodos para Tarefas de Regressão
    • (15/05 - Aula 07) Seminários de Regressão
    • (22/05) - sem aula
    • (29/05 - Aula 08) Discussão do desafio de Regressão (será ministrada no dia 05/06)


    Módulo IV (Séries Temporais):

    • (05/06 - Aula 09) Revisão de Métodos para Tarefas de Séries Temporais
    • (12/06) - sem aula
    • (19/06 - Aula 10) Seminários de Séries Temporais
    • (26/06 - Aula 11) Discussão do desafio de Séries Temporais

  • Avaliação

    Desafios (individual):
    • (Projeto 1) 19/04: Desafio Classificação
    • (Projeto 2) 31/05: Desafio Regressão
    • (Projeto 3) 21/06: Desafio Séries Temporais


    Seminários (individual):

    • Apresentação de 20 min de um artigo científico recente (Classificação, Regressão ou Séries Temporais)
    • Seminários de Classificação (10/04) - 2 pessoas
    • Seminários de Classificação (17/04) - 5 pessoas
    • Seminários de Regressão (15/05) - 6 pessoas
    • Seminários de Séries Temporais (12/06)  - 4 pessoas
    • Seminários de Séries Temporais (19/06) - 3 pessoas
    • O tema será sorteado
    • Apresentação: 2,0 pontos para qualidade da apresentação; 6,0 pontos pela exposição da técnica; 2,0 pontos pelos comparativos com outras técnicas com o mesmo propósito


    Recuperação (individual):

    • 03/07 - Questões dissertativas sobre as técnicas, incluindo técnicas contidas nos seminários


    Presença (individual):

    • Ao final de cada aula será disponibilizado duas ou três questões para serem respondidas aqui nesta mesma página. O questionário ficará aberto por 5 min. Ao responder as questões, sua presença será contabilizada. O questionário também comporá a nota final como um bônus!


    Nota final = 0.25 (Seminário) + 0.25 P1 + 0.25 P2 + 0.25 P3 + 0.1 Questões

  • Questionário