CCO - 729 - 7 - Tópicos em Inteligência Artificial - Aprendizado em Fluxo de Dados

Quantidade de créditos: 8
Total de horas de aulas teóricas: 60
Total de horas de aulas de exercícios, seminários ou estudos dirigidos : 60

Objetivo

  • Adquirir conceitos básicos sobre Aprendizado de Máquina (AM) convencional e em Fluxo de Dados (FD) com destaque para as diferenças entre esses dois tipos de AM;
  • Conhecer diferentes algoritmos de AM para FD e ser capaz de identificar a classe de algoritmos mais adequada para cada situação, principalmente com respeito à supervisão;
  • Ter noções do papel das metodologias da Inteligência Computacional no contexto de Fluxo de Dados.

Ementa

  • Aprendizado de máquina: tipos de supervisão (supervisionado, não-supervisionado, semissupervisionado), paradigmas
  • Fluxo de Dados: conceitos básicos
  • Algoritmos para Fluxo de Dados baseados em árvores
  • Algoritmos de Agrupamento para Fluxo de Dados
  • Metodologias da Inteligência Computacional no contexto de Fluxo de Dados: Computação evolutiva, Sistemas Fuzzy, Computação Neural

Bibliografia Principal

  1. THEODORIDIS, Sergios, 1951; KOUTROMBAS, Konstantinos. Pattern recognition. 4 ed. Burlington: Elsevier, c2009. 961 p. ISBN 978-1-59749-272-0.
  2. GAMA, J. Knowledge Discovery from Data Streams. [S.l.]: Chapman and Hall, 2010. 255 p.
  3. WITTEN, I., FRANK, E., HALL, M. Data Mining – Practical Machine Learning Tools and Techniques. Morgan Kaufmman, 2011.
  4. AGGARWAL, C. C. An Introduction to Data Streams. In: AGGARWAL, C. C. (Ed.). Data Streams. Boston, MA: Springer US, 2007. p. 1–8. 4. THEODORIDIS, Sergios, 1951; KOUTROMBAS, Konstantinos. Pattern recognition. 4 ed. Burlington: Elsevier, c2009. 961 p. ISBN 978-1-59749-272-0.
  5. DOMINGOS, P.; HULTEN, G. Mining high-speed data streams. In: Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining - KDD ’00, 2000. p. 71–80. 6. SILVA, J. A. et al. Data stream clustering: A survey. ACM Computing Surveys, v. 46, n. 1, p. 1–31, oct 2013.