Machine Learning (ML) é o campo de estudo que dá aos computadores a capacidade de aprender com dados, está no centro de quase todas as disciplinas científicas, e o estudo da generalização (ou seja, previsão) de dados é o tópico central do aprendizado de máquina . Este curso fornece uma introdução de nível de pós-graduação ao aprendizado de máquina e uma cobertura aprofundada de métodos novos e avançados em aprendizado de máquina, bem como sua teoria subjacente. Enfatiza abordagens com relevância prática e discute uma série de aplicações recentes de machine learning, como Data Mining (em Big Data/Data Science, Data Analytics), Natural Language Processing, Computer Vision, Robotics, Bioinformatics and Text and Web data processing. O aprendizado de máquina é usado em vários setores, incluindo serviços financeiros, petróleo e gás, assistência médica, marketing e publicidade, governo, Internet e Internet das Coisas.
Este curso cobre uma variedade de paradigmas de aprendizagem, algoritmos, resultados teóricos e aplicações. Ele usa conceitos básicos de inteligência artificial, teoria da informação, estatística e teoria de controle, desde que sejam relevantes para o aprendizado de máquina. Os tópicos incluem: aprendizagem supervisionada (aprendizagem generativa / discriminativa, aprendizagem paramétrica / não paramétrica, redes neurais, máquinas de vetores de suporte, árvore de decisão, aprendizagem e otimização Bayesiana); aprendizagem não supervisionada (agrupamento, redução de dimensionalidade, métodos de kernel); teoria de aprendizagem (tradeoffs de polarização / variância; teoria VC; grandes margens); aprendizagem por reforço e controle adaptativo. Outros tópicos incluem HMM (Hidden Markov Model), Computação Evolutiva, Deep Learning (With Neural Nets) e design de algoritmos cujo desempenho pode ser rigorosamente analisado para problemas fundamentais de aprendizado de máquina.
Uma parte importante do curso é um projeto em grupo. As principais ferramentas de software livre usadas para aprendizado de máquina paralelo, distribuído e escalável serão brevemente abordadas para ajudar os alunos a realizar os projetos. (Unidades 4) Pré-requisito: Nenhum.
