GRUPO: 
Tópicos Avançados

OBJETIVOS GERAIS DA DISCIPLINA: 
Fornecer ao aluno conhecimentos básicos teóricos sobre técnicas de reconhecimento de padrões além de ilustrar a aplicação de tais conhecimentos em problemas práticos.

EMENTA DO PROGRAMA: 
Introdução, Reconhecimento estatístico de padrões, Reconhecimento de padrões baseado em Redes Neurais, Métricas de desempenho de classificadores, Aplicações de reconhecimento de padrões.

DESCRIÇÃO DO PROGRAMA: 
Introdução
Sistemas de reconhecimento de padrões (RP)
Conceitos em reconhecimento de padrões: representação, extração e seleção de características
Ciclo de desenvolvimento de sistemas de RP
Teoria Bayesiana de decisão – atributos contínuos
Classificador de mínimo erro
Testes de Neyman Pearson e Minimax e Cálculo da Probabilidade de Erro
Classificador por máxima-verossimilhança
Classificador de mínimo risco
Classificadores, funções discriminantes e superfícies de decisão - caso de 2 categorias, multicategorias - classificação Bayesiana para distribuições normais
Teoria Bayesiana de decisão – atributos discretos 
Introdução à Teoria de Estimação de Parâmetros e Aprendizado Bayesiano com supervisão
Estimação por máxima-verossimilhança
Estimação por máximo à posteriori (MAP)
Maximização da esperança (algoritmo EM)
Métodos de Extração e Seleção de Atributos
Agregação de Dados
Técnicas não Paramétricas
Estimação de densidade (Janela de Parzen e k-vizinho mais próximo)
Classificador do k-vizinho mais próximo (KNN)
Reconhecimento de padrões baseado em Redes Neurais Artificiais (RNA)
Perceptron ( simples, multiplas camadas (MLP) )
Função de base radial (RBF)
Mapas auto-organizáveis (Kohonen)
Hopefield
Máquinas de suporte vetorial (SVM)
Reconhecimento de padrões baseado em árvores de decisão
Métricas de desempenho de classificadores
Sensibilidade, Especificidade, curvas ROC
Aplicações de reconhecimento de padrões

BIBLIOGRAFIA:
1. R.O. Duda, P. E. Hart, D. Stork, Pattern Classification, John Wiley & Sons, NY, 2000. 
2. A.R.Webb, Statistical Pattern Recognition, John Wiley & Sons, NY, 2002.
3. K.S. Fu, Syntactic Pattern Recognition and Applications, Prentice-Hall, Englewood Cliffs, NJ, 1982.
4. K. Fukunaga, Introduction to Statistical Pattern Recognition, Academic Press, 1990; 
5. A.K. Jain and R. C. Dubes, Algorithms for Clustering Data, Prentice Hall, 1988; 
6. A.K. Jain, N.M. Murty and P.J. Flynn, Data Clustering: A review, ACM Computing Surveys, 31(3): 264-323,1999;
7. A.K. Jain, R.P.W. Duin and J. Mao, Statistical Pattern Recognition: A Review, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(1):4-37,2000; 
8. E. Gose, R. Johnsonbaugh, S. Jost, Pattern Recognition and Image Analysis, Prentice Hall, NJ, 1996; 
9. T. Pavlidis, Structural Pattern Recognition, Springer-Verlag, NY, 1977; 
10. B. D. Ripley, Pattern Recognition and Neural Networks, Cambridge University Press, 1996; 
11. R. J. Schalkoff, Pattern Recognition: Statistical, Structural and Neural Approaches, John Wiley and Sons, 1992; 
12. S. Theodoridis & K. Koutroumbas, Pattern Recognition, Academic Press, 1999;

GRUPO: 
Tópicos Avançados

GRUPO: 
Tópicos Avançados

GRUPO: 
Tópicos Avançados

OBJETIVOS GERAIS DA DISCIPLINA: 
Adquirir uma compreensão abrangente sobre mineração de dados (data mining) e descoberta de conhecimento em bancos de dados. Entender as principais técnicas e temas de pesquisa nesta subárea de bancos de dados. Estar apto a aplicar ferramentas de mineração de dados (data mining) a problemas práticos.

EMENTA DO PROGRAMA: 
O que é Data Mining - Regras de Associação - Padrões Sequenciais – Classificação, Técnicas de Amostragem- Avaliação de Classificadores -  Clusterização -  Avaliação de Clusters– Mineração com Restrições - Web Mining.

DESCRIÇÃO DO PROGRAMA:
1. O que é Data Mining ? Que tipo de dados minerar ? As diversas fases do processo de descoberta de conhecimento em bancos de dados :
a) Pré-processamento - Redução : Agregação, Compressão, Discretização.
b) Mineração
c) Pós-processamento dos padrões minerados.
2. Mineração de Regras de Associação em grandes volumes de dados – Algoritmo Apriori – Técnicas de Otimização – Mineração de Regras com Restrições
    3. Mineração de Sequências -  Algoritmo GSP – Algoritmo PrefixSpan- Análise Comparativa          da metodologia e da performance dos dois algoritmos.
   4. Mineração de Sequências com Restrições - Algoritmos SPIRIT
   5. Classificadores 
       5.1 Tipos de Classificadores - Criterios de Avaliação 
       5.2 Método da  Árvore de Decisão - Algoritmos ID3 – J48
  5.3 Backpropagation - Redes Neurais 
       5.4 Classificadores Bayesianos
       5.5 Método KNN 
       5.6 Previsão – Regressão Linear 
       5.7 Técnicas de Amostragem
       5.8 Avaliação de Classificadores - dados com classes não-balanceadas
              Curvas Roc 
   6. Análise de Clusters 
       6.1 Tipos de Clusters
       6.2 Métodos por Particionamento -  K-means - K-medóides (PAM - CLARA) 
       6.3 Métodos Hierárquicos - CURE, BIRCH
       6.4 Métodos baseados em densidade- DBSCAN
       6.5 Avaliação de Clusteres
 7. Outliers - Detecção de Anomalias
8 . Mineração de Arvores – Web Mining

BIBLIOGRAFIA
Pang-Ning Tan, Michael Steinbach, Vipin Kumar: Introduction to Data Mining. Addison-Wesley, 2006.
J.Han, M. Kamber : Data Mining : Concepts and Techniques. Morgan Kaufmann, 2nd Edition, 2006
I. H. Witten, E. Frank : Data Mining : Practical Machine Learning - Tools and Techniques.  Morgan Kaufmann, 2nd Edition, 2005.
Artigos de pesquisa atual sobre o tema.

GRUPO: 
Núcleo de Formação Tecnológica

GRUPO: 
Núcleo de Formação Tecnológica

OBJETIVOS GERAIS DA DISCIPLINA: 
Apresentar os fundamentos da Inteligência Artificial Simbólica e suas aplicações práticas.

EMENTA DO PROGRAMA:
Introdução a Inteligência Artificial; Solução de Problemas: Busca, Busca Informada; Representação do Conhecimento; Sistemas de Raciocínio Lógico; Aprendizagem; Tópicos Recentes em Inteligência Artificial
 
DESCRIÇÃO DO PROGRAMA:
1. Introdução à I.A.
-Visões da IA.
-Definições.
-Histórico.
-Problemas Abordados pela IA.
-IA versus Programação Convencional.
-Subdivisões da IA: simbólico, conexionista, evolutivo, swarm, etc.
-Principais paradigmas (visão geral).
2. Linguagens de Programação.
-Linguagens mais utilizadas.
3. Representação do Conhecimento.
3.1 Estados
-Espaço de Estados.
-Estratégias de Busca.
-Jogos e Planejamento.
3.2. Lógica.
-Sistema de Raciocínio Lógico
-Sistema de programação em lógica
3.3 Regras
-Regras de Produção.
3.4. Casos
-Estrutura do Caso.
-Raciocínio Baseado em casos.
-Exemplos de Aplicação.
3.5 Outros formalismos: redes semânticas, frames, etc.
4. Sistemas Baseados em Conhecimento e Sistemas Especialistas
-Estrutura Básica.
-Linguagens e Ambientes para desenvolvimento de SE.
-Mecanismo de Inferência: encadeamentos progressivo e regressivo.
-Resolução de Conflitos.
5. Conhecimento e Raciocínio com a Introdução de Incerteza;
6. Aprendizagem
-Aprendizagem Supervisionada
-Aprendizagem por Reforço;
7. Tópicos Recentes em Inteligência Artificial.
 
BIBLIOGRAFIA: 
RUSSELL, S. J. & NORVIG, P. Artificial Intelligence a Modern Approach. Englewood Cliffs,
NJ; Prentice Hall, 1995.
ADELI, H. e HUNG, S.; Machine Learning, John Wiley and Sons, 1995.
WALKER, A., McCORD, M., Sowa. John, Wilson, W.G., Knowledge Systems and PrologAddison Wesley, 1987.
BITTENCOURT, G. Inteligência artificial: ferramentas e teoria. Florianópolis: Ed. da UFSC,
1998.
REZENDE, S. O. Sistemas inteligentes: fundamentos e aplicações. Editora Manole, 2003.

GRUPO: 
Núcleo de Formação Tecnológica

GRUPO: 
Núcleo de Formação Tecnológica

GRUPO: 
Núcleo de Formação Tecnológica

GRUPO: 
Núcleo de Formação Tecnológica