Passer au contenu principal
Panneau latéral
Disciplinas »
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
AACCs/FFLCH
Pró-Reitoria de Pós-Graduação
Outros
Suporte »
Acesso
Perfis
Ouvintes
Docentes
Criação de Disciplinas da USP
Documentação
HelpDesk e Contato
Guia de uso
Sobre
Français (fr)
Deutsch (de)
English (en)
Español - Internacional (es)
Français (fr)
Italiano (it)
Português - Brasil (pt_br)
Rechercher
Fermer
Rechercher
Activer/désactiver la saisie de recherche
Acessar
SME0829 - Aprendizado de Máquina (2023)
Accueil
Cours
2023
ICMC
SME
SME0829-101-2023
Trabalho prático
Temas e grupos do trabalho prático - Preencher até...
Temas e grupos do trabalho prático - Preencher até 03/05/2023
Cliquer sur
Temas e grupos do trabalho prático - Preencher até 03/05/2023
pour ouvrir la ressource.
◄ Questionário 2 - até 01/06/2023
Aller à…
Aller à…
PLANILHA DE NOTAS
Avisos
Fórum
Programa da disciplina - JupiterWeb
Cronograma
Apresentação da disciplina
Repositório github
Link meet
Questionário 1 - até 28/04/2023
Comparação de classificadores na base de dados Iris
Questionário 2 - até 01/06/2023
Descrição do trabalho
Entrega do trabalho prático - até 07/07/2023
Pré-processamento de dados em Python
Aprendizado Supervisionado: Regressão e Regularização
Análise discriminante linear - Aplicação em Python
Aprendizado_Supervisionado_Classificacao_binária
Aplicação KNN dados iris
Nadaraya-Watson kernel regression smoother (em R)
Nadaraya-Watson kernel Smoothing (Python)
Aplicação Naive Bayes - dados iris
Árvores e ensemble - Jogar tênis
Árvores e ensemble - COVID
SVM Prática 1
SVM Prática 2 - Não linear
SVM - Classificação de SPAM
Perceptron para funções lógicas AND e OR
MLP para função XOR (Ou exclusivo)
Classificador MLP para dados iris
Aprendizado profundo com redes recorrentes
Análise de Componentes Principais
Análise de agrupamentos
Dados wine
Pré-processamento de dados em Python
Análise discriminante linear
Regressão logística e MLGs
Sugestão: Árvores de Decisão: Entropia e Ganho por Fernando dos Santos
Aplicação em Python de Regressão logística e KNN
Usp do Pycaret (Francisco Miranda)
Revisão de Probabilidades e Classificador Naive Bayes
Linear models for Regression
Análise discriminante linear
Regressão logística
Análise de componentes principais (ACP, PCA)
Agrupamentos
The Ultimate Guide to AdaBoost, random forests and XGBoost
Descrição do trabalho ►