Curso – Machine Learning

banner_machine learning


machine learning
FACILITADOR: Eduardo Montesuma

Graduando em Engenharia de Computação pela Universidade Federal do Ceará. É bolsista de iniciação científica pelo CNPq em um projeto na área de Reconheciment de Padrões. Foi bolsista do programa PET Teleinformática, em 2015.



DIA: 24 e 28 de abril.

HORÁRIO: 13h30min às 17h50min.

PRÉ-REQUISITO:
Python básico.
Conhecimento em Cálculo vetorial e matricial, estatística e otimização convexa.

EMENTA:

1) Machine Learning: introdução e perspectivas
– Motivação: para que precisamos do Machine Learning?
– Aprendizagem supervisionada x Aprendizagem não supervisionada
– Redes Neurais Artificiais e o Neurônio Biológico
– Perspectivas: quais as aplicações do Machine Learning?

2) Modelos Lineares para Regressão
– Regressão Linear unidimensional e multidimensional: motivação
– Definição da função custo e o erro médio quadrático
– Batch Learning e o método das equações normais
– Online Learning, o algoritmo LMS e o conceito de “steepest descent”
– Análise geométrica
– (Opcional) prova da convergência do algoritmo LMS

4) Modelos Lineares para Classificação
– Transformando um problema de Classificação num problema de Regressão
– Regressão Logística: motivação estatística
– Definição e propriedades da curva logística
– Teoria da regularização para Regressão Logística

5) Redes Neurais Artificiais
– O modelo de McCulloch & Pitts: semelhanças e funcionamento
– Definição de uma Rede Neural
– Redes Neurais de uma camada: o algoritmo Perceptron e o LMS
– Aprendizado de portas lógicas
– O problema da porta XOR
– Redes Neurais com múltiplas camadas e o MLP

VAGAS: 20 Vagas
INVESTIMENTO: R$ 20,00.

PROGRAMAS NECESSÁRIOS:
Software Anaconda e Jupyter

LOCALIZAÇÃO: SeaD

Consulte no Mapa