Texto do documento
Projeto pedagógico e Resolução nº 28/2023
Campus Imperatriz, Resolução ad referendum nº 28/2023 · 164 páginas. Texto extraído do PDF oficial; as páginas digitalizadas passaram por OCR e podem conter erros de leitura. Em divergência, vale o PDF oficial.
O PDF abre de uma cópia guardada pelo portal em 04/10/2026.
Disciplina: Recuperação da Informação
Disciplina: Recuperação da Informação
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Inteligência Artificial
Objetivo Geral: Compreender a diferença entre a recuperação de informação e a busca de dados, conhecendo os principais modelos de recuperação da informação e de sistemas de recomendação existentes.
Ementa: Indexação e processamento de documentos (Stop words, TF - Term frequency. IDF - Inverse Document Frequency). Conceitos básicos (corpus, termos, grau de similaridade). Busca e recuperação de informação na Web. Modelos de Recuperação da Informação. Modelo booleano. Modelo vetorial. Modelo probabilístico. Indexação por semântica latente.
Bibliografia Básica:
ARAÚJO JÚNIOR, Rogério Henrique de. Precisão no processo de busca e recuperação da informação. Brasília: Thesaurus, 2007. (RB=659) BAEZA-YATES, Ricardo; RIBEIRO-NETO, Berthier. Recuperação de Informação: conceitos e tecnologias das máquinas de busca. (2nd. Ed.). Porto Alegre: Bookman, 2013.
FERNEDA, Edberto. Introdução aos Modelos Computacionais de Recuperação de
Informação. Rio de Janeiro: Editora Ciência Moderna, 2012.
Bibliografia Complementar:
CORMEN, T. H. et al. Algoritmos: teoria e prática. Rio de janeiro: Campus, 2012.(RB=7140) FACELI, Kati, et. al. Inteligência Artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2015.
RUSSEL, Stewart; NORVING, Peter. Inteligência Artificial - Uma Abordagem Moderna. 4. ed. Rio de Janeiro: Editora GEN LTC, 2022.
Trecho citadoDisciplina: Processamento de Linguagem Natural
Disciplina: Processamento de Linguagem Natural
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Inteligência Artificial, Introdução à Teoria da Computação
Objetivo Geral: Introduzir o aluno às técnicas, teorias e modelos utilizados em Processamento de Linguagens Naturais, tornando-o apto a desenvolver recursos, ferramentas e aplicações computacionais que envolvam a língua humana.
Ementa: Visão geral da área de Processamento de Línguas Naturais (PLN) e sua relação com as áreas de Computação e Linguística. História da área e seus principais marcos. Níveis de representação e processamento linguístico: fonética e fonologia, morfologia, sintaxe, semântica, discurso e pragmática. Familiarização e prática com recursos, ferramentas e aplicações de PLN. Abordagens e paradigmas para a resolução de problemas de PLN. Construção e anotação de córpus. Prática de projeto e desenvolvimento de um protótipo computacional de PLN. Apresentação de tópicos relevantes atuais de PLN, assim como modelos e métodos associados.
Bibliografia Básica:
EISENSTEIN, Jacob. Introduction to Natural Language Processing. Illustrated ed. Cambridge, Massachusetts (USA): MIT Press, 2019.
HAGIWARA, Masato. Real-World Natural Language Processing: Practical Applications with Deep Learning. New York: Manning Publications, 2021.
VAJJALA, Sowmya; MAJUMDER, Bodhisattwa; GUPTA, Anuj; SURANA, Harshit. Practical
Natural Language Processing: A Comprehensive Guide to Building Real-World Nlp Systems. Cambridge, Massachusetts (USA): O'Reilly Media, 2020.
Bibliografia Complementar:
BIRD, Steve; KLEIN, Ewan; LOPER, Edward. Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit. Cambridge, Massachusetts (USA): O'Reilly Media, 2009.
LANE, Hobson; HAPKE, Hannes; HAWORD, Cole. Natural Language Processing in
Action: Understanding, Analyzing, and Generating Text with Python. Illustrated ed. New
York: Manning Publications, 2019.
ROTMAN, Denis. Trasformers for natural language processing: build innovate deep neural network architectures for NLP with phiton, pytorch, tensorflow, BERT, RoBERTA, and more. Packt Publishing Ltd, 2021.
Disciplina: Aprendizado de Máquina
Disciplina: Aprendizado de Máquina
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Inteligência Artificial, Equações Diferenciais Ordinárias
Objetivo Geral: Conhecer, compreender e aplicar técnicas de pré-processamento de dados. Conhecer, compreender e aplicar diferentes técnicas de aprendizagem automática: supervisionada, não-supervisionada e por reforço.
Ementa: Aspectos básicos de Aprendizado de Máquina; Tarefas de aprendizado; Viés indutivo; Aprendizado descritivo; Aprendizado preditivo; Algoritmos de Aprendizado de Máquina; Modelos Probabilísticos (regressão logística e métodos Bayesianos); Modelos de agrupamento; Algoritmos evolutivos; Redes neurais artificiais; Máquinas de Vetores de Suporte; Técnicas
Ensemble: Bagging e Boosting; Medidas de avaliação; Aplicações de Aprendizado de Máquina.
Bibliografia Básica:
FACELI, Kati, et. al. Inteligência Artificial – uma abordagem de aprendizado de máquina.
Rio de Janeiro: LTC, 2015.(RB=34) GÉRON, Aurélien. Mãos à obra: aprendizado de máquina com Scikit-Learn & TensorFlow. Editora Alta Books, 2019.
GLASSNER, Andrew. Deep Learning: A Visual Approach. Illustrated ed. San Francisco: No Starch Press, 2021.
Bibliografia Complementar:
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016. Disponível em: <http://www.deeplearningbook.org>.
RUSSEL, Stewart; NORVING, Peter. Inteligência Artificial: uma abordagem moderna. 4. ed. São Paulo: GEN LTC, 2022.
ZHANG, Aston; LIPTON, Zachary C.; LI, Mu; SMOLA, Alexander J. Dive into Deep Learnin. arXiv preprint arXiv:2106.11342. 2021.
Mostrando 3 de 200 trechos.