Aprendizagem de Máquina Supervisionada

Carga Horária: 60h (30h Teórica + 30h Prática)

Objetivos: Desenvolver a capacidade de organizar, estruturar e extrair informação, conhecimento e valor de conjuntos de dados por meio da aplicação de técnicas de aprendizagem de máquina supervisionada.

Ementa: Modelos regressão e classificação; Classificação com Naive Bayes; Regressão Linear, gradiente descendente, Modelos lineares regularizados (Ridge Regression, Lasso Regression, Elastic Net); Classificação com Regressão Logística; Classificação com Support Vector Machine; Classificação com Árvores de Decisão; Classificação com métodos ensembles (Random Forest, AdaBoosting, XGboost);

Bibliografia

• Básica:

  • GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. "O'Reilly Media, Inc.", 2017.

  • VANDERPLAS, Jake. Python data science handbook: essential tools for working with data. "O'Reilly Media,  Inc.", 2016.

  • ALPAYDIN, Ethem. Introduction to machine learning. MIT press, 2014.

  • BISHOP, Christopher (2007): Pattern Recognition and Machine Learning. Springer.

• Complementar:

  • DAUMÉ III, Hal (2013). A Course of Machine Learning. Online book.

  • ZHENG, Alice. Feature Engineering for Machine Learning: principles and techniques for data scientists. "O'Reilly Media, Inc.", 2017.

  • VAPNIK, Vladimir (1995). The Nature of Statistical Learning Theory. Springer-Verlag.