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: 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.
Trecho citadoDisciplina: Ciência de Dados
Disciplina: Ciência de Dados
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Probabilidade e Estatística, Introdução à Teoria dos Grafos, Banco de Dados
Objetivo Geral: Explorar estratégias para formulação, interpretação e extração de conhecimentos úteis e significativos a partir de dados obtidos de diferentes formatos e de fontes heterogêneas.
Ementa: Coleta, tratamento e armazenamento de dados: técnicas para coletar, manipular, gerir, consultar e analisar conjuntos de dados em larga escala. Mineração de dados e aprendizado de máquinas: Algoritmos para classificação, associação, clusterização, detecção de anomalias (outliers) e redução de dimensionalidade. Visualização de dados.
Bibliografia Básica:
FERREIRA, R. G. C. et al. Preparação e análise exploratória de dados. Porto Alegre: SAGAH, 2021.
MORETIN, Alberto M.; SINGER, Júlio da Mota. Estatística e ciência de dados. Rio de
Janeiro: LTC, 2022.
SILVA, Leandro A. da; PERES, Sarajane M.; BOSCARIOLI, Clodis. Introdução à
Mineração de Dados: com Aplicações em R. Rio de Janeiro: LTC, 2016.
Bibliografia Complementar:
ELMASRI, R.; NAVATHE, S. B. Sistema de banco de dados: fundamentos e aplicações. 6. ed. São Paulo: Pearson Education, 2011. (RB=7309) SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistemas de banco de dados. 6. ed. São Paulo: Elsevier, 2012.(RB=7305) WICKHAM, Hadley; GROLEMUND, Garrett. R para Data Science. Rio de Janeiro: Alta Books, 2019.
Disciplina: Aprendizado Profundo
Disciplina: Aprendizado Profundo
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Aprendizado de Máquina
Objetivo Geral: Conhecer, compreender e aplicar os conceitos de codificação neural, modelos de neurônios e redes neurais artificiais (ANN), treino, validação e teste de ANN, modelos de aprendizagem profunda e respectivo hardware, plataformas de software e aplicações; pretende-se ainda aprender o conceito de tratamento de grandes volumes de dados.
Ementa: Neurónios e Codificação Neural; Neurônios Artificiais; Perceptron e Redes Neuronais Artificiais; Aprendizagem por Retropropagação (Backpropagation); Conjuntos de Dados, Treino, Validação e Teste de Redes Neurais; Aprendizagem Profunda; Principais Arquiteturas de Redes Neurais Profundas; Bibliotecas e Plataformas para Aprendizagem Profunda; Complementos de Redes Neurais; Aplicação de Redes Neurais; Processamento de Grandes Volumes de Dados (Big Data).
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 Learning. arXiv preprint arXiv:2106.11342. 2021.
Mostrando 3 de 200 trechos.