Reconhecimento de Padrões 2019-1

Bem-vindos à disciplina de Reconhecimento de Padrões 2019-1

Grupo de emails

Entre e participe da lista de discussão da disciplina:

https://groups.google.com/d/forum/reconhecimento-de-padroes

Ementa e Plano de Ensino

• No site do BSI

Trabalhos

Trabalhos para 1a VA

• Mistura de gaussianas e Expectation-Maximization
• NJW Spectral Clustering
• Fuzzy c-means
• Redes SOM
• Grafos

Trabalhos para a 2a VA

Os trabalhos consistirão de um relatório e uma apresentação. Os alunos decidirão que grupos de bases de dados listados abaixo irão usar para realizar os experimentos. Haverá experimentos com aprendizado não-supervisionado, onde os alunos escolherão UMA base de dados de seu grupo e dois algoritmos de agrupamento (um método apresentado pelos alunos e outro dado em sala de aula) para serem analisados. Os experimentos com aprendizado supervisionado deverão ter todas as bases de dados escolhidas pelo aluno e todos os métodos vistos em sala de aula. O relatório deverá descrever todos os passos desse trabalho. Ele deverá ter seções para a introdução, descrição dos métodos utilizados, experimentos, análise de resultados e conclusão. Ao final da disciplina, os alunos apresentarão seus relatórios em sala de aula.

Grupo 1

http://archive.ics.uci.edu/ml/datasets/Acute+Inflammations

http://archive.ics.uci.edu/ml/datasets/Australian+Sign+Language+signs

http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Original%29

http://archive.ics.uci.edu/ml/datasets/Credit+Approval

http://archive.ics.uci.edu/ml/datasets/Tennis+Major+Tournament+Match+Statistics

Grupo 2

http://archive.ics.uci.edu/ml/datasets/Energy+efficiency

http://archive.ics.uci.edu/ml/datasets/Flags

http://archive.ics.uci.edu/ml/datasets/Glass+Identification

http://archive.ics.uci.edu/ml/datasets/Haberman%27s+Survival

http://archive.ics.uci.edu/ml/datasets/Hepatitis

Grupo 3

http://archive.ics.uci.edu/ml/datasets/Image+Segmentation

http://archive.ics.uci.edu/ml/datasets/Ionosphere

http://archive.ics.uci.edu/ml/datasets/Mammographic+Mass

http://archive.ics.uci.edu/ml/datasets/Pen-Based+Recognition+of+Handwritten+Digits

http://archive.ics.uci.edu/ml/datasets/Parkinsons

Grupo 4

http://archive.ics.uci.edu/ml/datasets/Pen-Based+Recognition+of+Handwritten+Digits

http://archive.ics.uci.edu/ml/datasets/Spambase

http://archive.ics.uci.edu/ml/datasets/Letter+Recognition

http://archive.ics.uci.edu/ml/datasets/Human+Activity+Recognition+Using+Smartphones

http://archive.ics.uci.edu/ml/datasets/Ecoli

Bibliografia

Básica:

1. BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, 2006.
2. DUDA, Richard O; HART, Peter E; STORK, David G. Pattern classification. 2nd ed. New York, N.Y: John Wiley & Sons, 2001.
3. THEODORIDIS, Sergios; KONSTANTINOS, Koutroumbas. Pattern recognition. 4th ed. Burlington, Mass.: Elsevier, 2009.

Complementar:

1. HAYKIN, Simon. Redes neurais: princípios e práticas. 2. ed. Porto Alegre: Bookman, 2007.
2. BRAGA, Antônio de Pádua; CARVALHO, André Ponce de Leon F. de; LUDERMIR, Teresa Bernarda. Redes neurais artificiais: teoria e aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
3. RUSSELL, Stuart J; NORVIG, Peter. Inteligência artificial. Rio de Janeiro, RJ: Elsevier, 2004.
4. LUGER, George F; ENGEL, Paulo Martins (Trad). Inteligência artificial: estruturas e estratégias para a resolução de problemas complexos. 4.ed. Porto Alegre, RS: Bookman, 2004.
5. WITTEN, I. H; FRANK, Eibe; HALL, Mark A. Data mining: practical machine learning tools and techniques.3rd ed. Burlington, MA:Elsevier/Morgan Kaufmann, 2011.

Links úteis

• UCI Machine Learning repository (repositório de bases de dados)
• Weka - Tutorial Weka
• Scikit Learn - API em Python para aprendizado de máquina
• The R project (ambiente de computação para estatística)
• SciPy (biblioteca python para computação científica)

Aulas