Reconhecimento de Padrões

Objetivos

O objetivo desse curso é fornecer aos estudantes as ferramentas matemáticas para o desenvolvimento de sistemas computacionais de reconhecimento de padrões e aprendizado de máquina.

Ementa

1. Classificação supervisionada
   1. Perceptron
   2. Adaline (Widrow-Hoff)
   3. Teoria de decisão Bayesiana
   4. Classificação Bayesiana sob hipótese Gaussiana
   5. K-Nearest Neighbors (KNN)
   6. Support Vector Machines (SVM)
2. Classificação não supervisionada
   1. K-means
   2. Modelos de misturas de Gaussianas (GMM's)
   3. O algoritmo Expectation-Maximization
3. Extração de atributos (Redução de dimensionalidade)
   1. Análise de Componentes Principais (PCA)
   2. Análise Discriminante Linear de Fisher (LDA)
   3. Kernel PCA
   4. Kernel FDA
   5. Aprendizado de variedades (Aprendizado não supervisionado de métricas)
      1. ISOMAP (Isometric Feature Mapping)
      2. LLE (Local Linear Embedding)
      3. Laplacian Eigenmaps
      4. Locality Preserving Projections (LPP)
4. Medidas de similaridade em teoria da informação
   1. Entropia
   2. Divergência de Kullback-Leibler
   3. Distância de Bhattacharyya
   4. Distância de Hellinger
   5. Informação de Fisher

Notas de aula

Algumas notas de aula do curso podem ser encontradas em: Tópicos em Reconhecimento de Padrões

Bibliografia

Richard O. Duda, Peter E. Hart, David G. Stork, Pattern Classification, 2nd Edition, Wiley-Interscience, 2000.

Andrew R. Webb, Keith D. Copsey, Statistical Pattern Recognition, 3rd Edition, Wiley, 2011.

Sergios Theodoridis, Konstantinos Koutroumbas, Pattern Recognition, 4th Edition, Academic Press, 2008.

Keinosuke Fukunaga, Introduction to Statistical Pattern Recognition, 2nd Edition, Academic Press, 2013.

Geoff Dougherty, Pattern Recognition and Classification: An Introduction, Springer, 2013.

Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd Edition, Springer, 2016.

Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, MIT Press, 2012.

Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2011.

Jürgen Schürmann, Pattern Classification: A Unified View of Statistical and Neural Approaches, 1st Edition, Wiley-Interscience, 1996.

Rodrigo Fernandes de Mello, Moacir Antonelli Ponti, Machine Learning: A Practical Approach on the Statistical Learning Theory, Springer, 2018.