Aprendizado supervisionado. Técnicas clássicas de classificação binária. Análise de resultados e seleção de modelos. Outras técnicas de classificação. Introdução à teoria do aprendizado estatístico.

https://hugocarvalho.weebly.com/uploads/1/0/7/0/107062381/ml1-slides.pdf 

Aprender técnicas fundamentais de classificação via aprendizado estatístico supervisionado, análise de erro e seleção de modelos.

  UNIDADE I - Introdução

Aprendizado supervisionado: nomenclatura básica, conjunto de treinamento, conjunto de teste, distinção entre classificação e regressão, exemplos.

Revisão de  Álgebra Linear: produto interno, matrizes simétricas e positivas definidas, autovalores, autovetores e suas interpretações geométricas, diagonalização de matrizes, valores singulares, vetores singulares, interpretação geométrica e decomposição SVD de uma matriz.

  UNIDADE II - Algumas técnicas clássicas de classificação binária

Naive Bayes: apresentação e hipóteses, algoritmos, exemplos.

Anáise de discriminante linear (LDA) e quadrático (QDA): a normal multivariada, LDA versus QDA, algoritmos, exemplos.

Perceptron: formulação, interpretação, algoritmos, exemplos.

  UNIDADE III - Análise de resultados e seleção de modelos

O balanço entre viés e variância

Métricas para classificação: Matriz de confusão, precisão, acurácia, estatística F, curva ROC,

AUC; interpretações probabilísticas das métricas.

  UNIDADE IV - Outras técnicas de classificação

Extensões dos métodos já vistos para classificação multiclasse: redução ao caso binário (um contra-um e um-contra-todos).

Máquinas de vetor suporte (SVM): Intuição geométrica, formulação matemática do problema,

algoritmos, regularização, o truque do kernel, exemplos.

Florestas aleatórias:  arvores de decisão, agregação, aceleração, exemplos.

Introdução ao aprendizado não supervisionado: classificação via k vizinhos mais próximos, propriedades, limitações em alta dimensão.

  UNIDADE V - Introdução à teoria do aprendizado estatístico

Dimensão VC de classificadores

Complexidade de Rademacher

  Bibliografia

  Gareth James, Daniela Witten, Trevor Hastie & Robert Tibshirani - An Introduction to Statistical

Learning with Applications in R

  Norman Matlo  - Statistical Regression and Classi cation: From Linear Models to Machine Learning

  Trevor Hastie, Robert Tibshirani & Jerome Friedman - The Elements of Statistical Learning

  Christopher Bishop - Pattern Recognition and Machine Learning

  Kevin P. Murphy - Machine Learning: A Probabilistic Perspective