Aprendizagem Estatístico de Máquina

Apresentação da Disciplina

Prof. Jodavid Ferreira

UFPE

Estrutura da disciplina

---

• Carga Horária: 72 horas

• Como será a disciplina:

  • Aulas expositivas;
  • Aulas práticas (em computador);
  • Avaliação:
    • 2 Provas:
      • 1ª Prova - 02.05.2025
      • 2ª Prova - 04.07.2025
    • 1 trabalho:
      • relatório
      • apresentação

Tópicos da disciplina

---

1. Linguagens de Programação para Machine Learning: Introdução ao R e Python: conceitos básicos e aplicações.

2. Fundamentos de Modelagem de Dados: Predição vs Inferência e avaliação da precisão de modelos.

3. Otimização Contínua e Função de Risco: Conceitos de otimização contínua e sua relação com a função de risco.

4. Métodos de Reamostragem e Técnicas Paramétricas: Métodos de reamostragem e abordagens paramétricas em alta dimensão.

5. Métodos Não Paramétricos e Aprendizado Supervisionado: Séries ortogonais, splines, kNN, e métodos baseados em árvores.

6. Support Vector Machines e Redes Neurais: SVM para regressão e introdução a redes neurais (Perceptron e redes totalmente conectadas).

7. Deep Learning e Aplicações Práticas: Redes neurais convolucionais, dropout, e uso de modelos pré-treinados.

8. Aprendizado Não Supervisionado e Sistemas de Recomendação: Redução de dimensionalidade, agrupamento, e regras de associação.

Plataformas Recomendadas

---

• RSTUDIO - https://posit.co/download/rstudio-desktop/

Plataformas Recomendadas

---

• ANACONDA e JUPYTER NOTEBOOK- https://www.anaconda.com/download
• VISUAL CODE - https://code.visualstudio.com/

Referências

---

Básicas

• Aprendizado de Máquina: uma abordagem estatística, Izibicki, R. and Santos, T. M., 2020, link: https://rafaelizbicki.com/AME.pdf.

• An Introduction to Statistical Learning: with Applications in R, James, G., Witten, D., Hastie, T. and Tibshirani, R., Springer, 2013, link: https://www.statlearning.com/.

• Mathematics for Machine Learning, Deisenroth, M. P., Faisal. A. F., Ong, C. S., Cambridge University Press, 2020, link: https://mml-book.com.

Referências

---

Complementares

• An Introduction to Statistical Learning: with Applications in python, James, G., Witten, D., Hastie, T. and Tibshirani, R., Taylor, J., Springer, 2023, link: https://www.statlearning.com/.

• Matrix Calculus (for Machine Learning and Beyond), Paige Bright, Alan Edelman, Steven G. Johnson, 2025, link: https://arxiv.org/abs/2501.14787.

• Machine Learning Beyond Point Predictions: Uncertainty Quantification, Izibicki, R., 2025, link: https://rafaelizbicki.com/UQ4ML.pdf.

• Mathematics of Machine Learning, Petersen, P. C., 2022, link: http://www.pc-petersen.eu/ML_Lecture.pdf.

---

OBRIGADO!

---

Slide produzido com quarto