19411013 Semestre 3

Aprendizagem Automática

Introdução aos fundamentos, algoritmos e ferramentas de aprendizagem de máquina.

Conteúdos Programáticos

Conceitos introdutórios de Machine Learning, overfitting e underfitting.
Ferramentas e frameworks populares.
Algoritmos de aprendizagem supervisionada (k-NN, modelos lineares, árvores, ensembles, SVM, redes neurais básicas).
Aprendizagem não supervisionada (clusterização, redução de dimensionalidade).
Engenharia de atributos e preparação de dados.
Avaliação de modelos, validação cruzada e métricas.
Construção de pipelines e aplicações práticas.

8 tópicos

Clusterização, redução de dimensionalidade e deteção de anomalias.

Classificação e regressão com métodos clássicos.

Casos de uso de ML em problemas reais.

Ferramentas e plataformas para desenvolvimento de modelos.

Conceitos básicos, paradigmas e desafios como overfitting.

Construção de fluxos completos de machine learning.

Engenharia de atributos, limpeza e transformação de dados.

Avaliação de modelos com validação cruzada e métricas apropriadas.