Cronograma - 2021

Cronograma de aulas (vídeos) e lista de exercícios para Turma 2021:

Semana 1 (18/06/2021):

• Material de Apoio (Encontro Google Meeting - enviado link por e-mail) - Aula 0 (link);

• Material de Apoio - Aula 0 (link).

• Material de Apoio - Aula 1 (link).

• Tópicos e Vídeos:

  • Visão Geral do Conteúdo (video);

  • Introdução aos conceitos básicos de Probabilidade (video);

• Lista de Exercícios 1 (link).

Semana 3 (02/07/2021):

• Material de Apoio - Aula 3 (link);

• Tópicos e Vídeos:

  • Descida em Gradiente (video);

  • Otimização com Restrições (video);

  • Otimização Quadrática (video).

• Códigos dos exemplos de aula (link).

• Sem lista de exercícios para esta aula!

Semana 5 (16/07/2021):

• Material de Apoio - Aula 5 (link1 e link2);

• Tópicos e Vídeos:

  • SVM não-linear e Kernel (video);

    • Material extra sobre kernels (em conjunto com Prof. Daniel Pipa) - reuniões do grupo Signal Processing da UTFPR/CPGEI (video1, video2).

  • Árvore de Decisão (video);

  • Bagging, Boosting e Random Forests (video);

  • Regressão Não-Linear - Parte 1 (video);

  • Regressão Não-Linear - Parte 2 - Gaussian Processes (video);

• Códigos dos exemplos de aula (link).

• Lista de exercícios 4 (link).

Semana 7 (30/07/2021):

• Material de Apoio - Aula 7 (link);

• Tópicos e Vídeos:

  • Métodos de clustering, Hierárquicos, k-Means, c-Means, Mistura de Gaussianas (video);

  • Agrupamento Espectral (video);

  • Métricas (video);

• Códigos dos exemplos de aula (link).

• Lista de exercícios 5 (link).

Semana 9 (13/08/2021):

• Material de apoio - Aula 9 (link);

• Tópicos e Vídeos:

  • Redes neurais, Perceptron, Multi-layer Perceptron e backpropagation (video);

  • Deep Learning e Redes Neurais Convolucionais (video);

• Códigos dos exemplos de aula (link).

• Sem listas de exercícios para esta aula!

Semanas 11 e 12 (27/08/2021 e 03/09/2021):

• Apresentação das propostas dos trabalhos finais.

• Ferramentas de apoio computacional para o projeto final:

• Pacote de funções completo dos códigos da disciplina (link);

• LIB-SVM (SVM e variantes);

• Data Description Toolbox (anomaly detection);

• Pattern Recognition Toolbox (diversos métodos de PR);

• NETLab (diversos métodos, RNAs);

• Scikit Learn (diversos métodos em Python);

• Dimensionality Reduction;

• Clustering Toolbox;

• Spectral Clustering Toolbox.

Conteúdo complementar:

• Para os alunos que forem trabalhar com Reinforcement Learning, sugere-se os seguinte material:

  • Visão Geral e conceitos: link;

  • Tutorial prático: link.

• Para os alunos que forem trabalhar com Probabilistic Graphical Models, sugere-se o seguinte material:

  • Visão Geral e conceitos: link;

  • Tutorial prático: link1, link2, link3;

  • Hidden Markov Models: link.

• Para os alunos que irão trabalhar com modelos de Deep Learning, sugere-se:

  • Leitura da "Part II: Modern Practical Deep Networks" do livro: link;

  • Vídeos das aulas deste livro estão disponíveis em: link;

  • Vídeos de aulas alternativas: link.

• Para os alunos que forem trabalhar com Novelty Detection, sugere-se:

  • Tese Prof. Dr. David Tax: link.

• Para os alunos que forem trabalhar com Semi-supervised Learning, recomenda-se o artigo: link.