CCT-UFCA/Análise e Desenvolvimento de Sistemas/Aprendizagem de Máquina
Programa do Componente Curricular
[editar | editar código]| Código: | ADS0019 | ||||||||
| Componente Curricular: | Aprendizagem de Máquina | ||||||||
| Semestre de Oferta: | 3º | Tipo: | Disciplina | Caráter: | Obrigatória | ||||
| Unidade Acadêmica Responsável: | Centro de Ciências e Tecnologia - CCT | ||||||||
| Regime: | Semestral/Modular | ||||||||
| Créditos: | 4 | Carga horária: | 64 | Teórica: | 32 | Prática | 32 | Extensão: | |
| Pré-requisito: | |||||||||
| Co-requisito: | |||||||||
| Equivalência: | |||||||||
Ementa
[editar | editar código]Introdução. Tipos de aprendizado. Paradigmas de aprendizado. Avaliação experimental de algoritmos de Aprendizado de Máquina. Algoritmos de Aprendizado de Máquina.
Objetivos
[editar | editar código]Introdução aos principais métodos de aprendizado de máquina supervisionado e não supervisionado. Os tópicos abordados serão: classificação e definição de conjuntos de treinamento, validação e teste. Árvores de decisão, aprendizado bayesiano, máquinas de vetor de suporte, redes neurais e ensembles. Conceitos de clustering, algoritmos hierárquicos de clustering e k-means.
Conteúdo
[editar | editar código]● UNIDADE I – Introdução à Aprendizagem de máquina. [16h/a] o Conceitos de aprendizagem de máquina; o Fundamentos da aprendizagem de máquina; o Tipos de aprendizagem de máquina )supervisionados e não supervisionados; o Desafios do aprendizado de máquina; o Modelo de aprendizagem de máquina. (classificação) o Classificação e definição de conjunto de dados de treinamento; o Validação e teste;
● UNIDADE II – Algoritmos de aprendizagem de máquina. (Supervisionados) [16h/a] o Conceitos dos modelos supervisionados; o Modelo KNN; o Modelo Máquinas de Vetores de Suporte (SVM);
● UNIDADE III – Algoritmos de aprendizagem de máquina. (Não Supervisionados [16h/a] o Conceitos dos modelos não-supervisionados; o Conceitos de clustering; o Algoritmos hierárquicos de clustering; o Modelo K-means;
● UNIDADE IV – Redes Neurais. [16h/a] o Introdução; o Conceito RNA; o Aplicação;
Metodologia
[editar | editar código]De forma aderente às particularidades e boas práticas do Ensino a Distância, a disciplina será ministrada através de aulas expositivas (síncronas e assíncronas), dialogadas e práticas, bem como alicerce pedagógico a Aprendizagem Baseada em Desafios (em inglês, Challenge-based Learning ou CBL). A CBL é uma metodologia ativa e colaborativa, que proporciona a todos os participantes um ambiente eficiente de aprendizagem por meio da solução de desafios do mundo real. Diversas interfaces (ferramentas e recursos do Moodle) serão utilizadas para exposição de conceitos, dúvidas e feedbacks e para debates sobre temas relevantes ao curso. O aproveitamento dos estudantes será avaliado através de atividades à distância no Ambiente Virtual de Aprendizagem (AVA).
Avaliação
[editar | editar código]AVALIAÇÃO A avaliação ocorrerá em seus aspectos qualitativos e quantitativos, segundo o Sistema de Avaliação da EaD da UFCA. Como instrumentos de avaliação serão utilizados provas, fóruns, chats, trabalhos dirigidos, atividades no AVA e verificação contínua da aprendizagem. Tais instrumentos serão aplicados no decorrer de cada Unidade de Ensino. A utilização de cada instrumento avaliativo estará relacionada à natureza da unidade didática estudada.
Bibliografia
[editar | editar código]Bibliografia básica
[editar | editar código]- LENZ, Maikon L.; NEUMANN, Fabiano B.; SANTARELLI, Rodrigo; et al. Fundamentos de aprendizagem de máquina. Grupo A, 2020. E-book. ISBN 9786556900902. Disponível em: https://app.minhabiblioteca.com.br/#/books/9786556900902/. Acesso em: 29 fev. 2024.
- NETTO, Amilcar; MACIEL, Francisco. Python para Data Science e Machine Learning Descomplicado. Editora Alta Books, 2021. E-book. ISBN 9786555203172. Disponível em: https://app.minhabiblioteca.com.br/#/books/9786555203172/. Acesso em: 19 abr. 2024.
- FACELI, Katti; LORENA, Ana C.; GAMA, João; AL, et. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. Grupo GEN, 2021. E-book. ISBN 9788521637509. Disponível em: https://app.minhabiblioteca.com.br/#/books/9788521637509/. Acesso em: 01 abr. 2024.
Bibliografia complementar
[editar | editar código]- SICSÚ, Abraham L.; SAMARTINI, André; BARTH, Nelson L. Técnicas de machine learning. Editora Blucher, 2023. E-book. ISBN 9786555063974. Disponível em: https://app.minhabiblioteca.com.br/#/books/9786555063974/. Acesso em: 19 abr. 2024.
- SANTOS, Marcelo Henrique dos. Introdução à inteligência artificial. Editora Saraiva, 2021. E-book. ISBN 9786559031245. Disponível em: https://app.minhabiblioteca.com.br/#/books/9786559031245/. Acesso em: 29 fev. 2024.
- RUSSELL, Stuart J.; NORVIG, Peter. Inteligência Artificial: Uma Abordagem Moderna. Grupo GEN, 2022. E-book. ISBN 9788595159495. Disponível em: https://app.minhabiblioteca.com.br/#/books/9788595159495/. Acesso em: 01 abr. 2024.
- SILVA, Fabrício M.; LENZ, Maikon L.; FREITAS, Pedro H C.; et al. Inteligência artificial. Grupo A, 2018. E-book. ISBN 9788595029392. Disponível em: https://app.minhabiblioteca.com.br/#/books/9788595029392/. Acesso em: 29 fev. 2024
- MEDEIROS, Luciano Frontino de. Inteligência artificial aplicada: uma abordagem introdutória. Curitiba, PR: Intersaberes, 2018. E-book. Disponível em: https://plataforma.bvirtual.com.br/Leitor/Publicacao/161682/pdf/0. Acesso em: 22 abr. 2024.