Zum Hauptinhalt
Website-Übersicht
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
Deutsch (de)
Deutsch (de)
English (en)
Español - Internacional (es)
Français (fr)
Italiano (it)
Português - Brasil (pt_br)
Suchen
Schließen
Suchen
Sucheingabe umschalten
Acessar
SME0829 - Aprendizado de Máquina (2023)
Startseite
Kurse
2023
ICMC
SME
SME0829-101-2023
Materiais complementares
The Ultimate Guide to AdaBoost, random forests and...
The Ultimate Guide to AdaBoost, random forests and XGBoost
Klicken Sie auf '
The Ultimate Guide to AdaBoost, random forests and XGBoost
', um die Ressource zu öffnen.
◄ Agrupamentos
Direkt zu:
Direkt zu:
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
Temas e grupos do trabalho prático - Preencher até 03/05/2023
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