Aprendizagem Estatística 

Paulo Cezar Pinto Carvalho
Sala 360, Tel. 2529-5160, pcezar@impa.br
http://www.impa.br/~pcezar/cursos/ae/

Descrição

O objetivo do curso é estudar técnicas desenvolvidas na última década para lidar com o desafio de tratar e entender imensas massas de dados produzidas em diversas áreas de aplicação tais como visão computacional, medicina, finanças, biologia, etc. O interesse em entender tais massas de dados levou ao desenvolvimento de novas técnicas estatísticas e criou novas áreas de pesquisa, como mineração de dados e aprendizagem por máquina. As técnicas estatísticas desenvolvidas nestas áreas provêm, em sua maioria, de ferramentas estatísticas clássicas, mas adaptadas a essas novas necessidades (inclusive na linguagem empregada). Embora motivado pelo grande uso de técnicas de aprendizagem em Computação Gráfica e Visão, o enfoque do curso será geral, podendo ser de interesse para alunos de outras áreas.

Ementa

Teoria da Decisão Estatística: estimação e predição. Relação com aprendizagem supervisionada. Métodos Lineares: regressão e classificação. Métodos não-lineares: basis expansion, regularização, métodos baseados em kernels. Estimação por máxima verossimilhança e o método EM (Expectation-Maximization). Métodos baseados em árvores. Redes neurais. Support Vector Machines. Aprendizagem Não Supervisionada.  Componentes Principais e Independentes. Clustering.

Bibliografia Básica

Pré-requisitos e Avaliação

O tratamento dado no curso supõe um conhecimento de Probabilidade (idealmente, ao nível de Barry James, Probabilidade: um Curso em Nível Intermediário) e Otimização (condições de otimalidade e principais algoritmos), mas não supõe nenhum conhecimento prévio de Estatística.
A avaliação constará de listas de exercícios, de um trabalho final (envolvendo uma aplicação de interesse do aluno) e, possivelmente, de uma prova.

Horário e Local

2a. e 4a., 15:30-17:00, Sala 224

Materiais

Listas de Exercícios: 1 (corrigida) , 2 , 3