CCO - 740 - Reconhecimento de Padrões

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

Objetivo

Fornecer aos estudantes as ferramentas matemáticas para o desenvolvimento de sistemas computacionais de reconhecimento de padrões e aprendizado de máquina. Ao final da disciplina, o aluno deverá estar apto a:

  • projetar e implementar classificadores supervisionados lineares ou não lineares oriundos de um amplo conjunto de paradigmas (Teoria de Decisão Bayesiana, Métodos baseados em neurônios artificiais, Máquinas de vetores de suporte, Regressão logística, dentre outras abordagens não paramétricas);
  • projetar e implementar classificadores não supervisionados para encontrar agrupamentos em dados multivariados (k-médias, modelos de mistura de Gaussianas e o algoritmo Expectation-Maximization);
  • projetar e implementar métodos de extração de atributos para redução de dimensionalidade (Análise de componentes principais, Análise discriminante linear, Kernel PCA);
  • avaliar o desempenho de métodos de classificação supervisionada a partir de métricas quantitativas.

Ementa

  • Classificação supervisionada: Perceptron, Adaline (Widrow-Hoff), Regressão logística, Teoria de Decisão Bayesiana, Classificação Bayesiana sob hipótese Gaussiana, Classificador de mínima distância, k vizinhos mais próximos, Máquinas de vetores de suporte.
  • Classificação não supervisionada: Agrupamento hierárquico, o método k-médias, modelos de mistura de Gaussianas e o algoritmo Expectation-Maximization.
  • Extração de atributos
  • Métodos lineares de redução de dimensionalidade: Análise de componentes principais (PCA), Análise discriminante linear (LDA), Fatorização não negativa de matrizes (NMF).
  • Métodos não lineares baseados em kernel: Kernel PCA
  • Métricas de avaliação de desempenho: matriz de confusão, acurácia, precision e recall, F1-score e o coeficiente Kappa de Cohen. Métodos de estimação do erro/acurácia: holdout, resubstitution, k-fold cross validation e leave-one-out cross validation.
  • Tópicos avançados e atualidades: aprendizado de variedades, redes neurais, backpropagation, aprendizado profundo, metric learning, etc.

Bibliografia Principal

  1. Richard O. Duda, Peter E. Hart, David G. Stork, Pattern Classification, 2nd Edition, Wiley-Interscience, 2000 (disponível na BCO).
  2. Andrew R. Webb, Keith D. Copsey, Statistical Pattern Recognition, 3rd Edition, Wiley, 2011 (disponível na BCO).
  3. Sergios Theodoridis, Konstantinos Koutroumbas, Pattern Recognition, 4th Edition, Academic Press, 2008 (disponível na BCO).
  4. Keinosuke Fukunaga, Introduction to Statistical Pattern Recognition, 2nd Edition, Academic Press, 2013 (disponível na BCO).
  5.  Geoff Dougherty, Pattern Recognition and Classification: An Introduction, Springer, 2013.
  6. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd Edition, Springer, 2016.
  7. Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, MIT Press, 2012.
  8. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2011.
  9. Jürgen Schürmann, Pattern Classification: A Unified View of Statistical and Neural Approaches, 1st Edition, Wiley-Interscience, 1996.