AULA 1

• INFORMAÇÕES GERAIS SOBRE O CURSO (ementa, metodologia, avaliação dos alunos).

• ESPECIAL – Dicas sobre revisão de artigos científicos.

• Definição de artigo para revisão.

• Panorama geral sobre mineração de dados.

AULA 2

• MÉTODOS UTILIZADOS NA PREPARAÇÃO DE DADOS:

• Aspectos relevantes na fase de preparação de dados.

• Procedimentos para limpeza dos dados (qualidade dos dados):

· Técnicas para substituição de valores faltantes.

· Técnicas para reduzir o ruído nos dados.

· Técnicas para eliminar a redundância nos dados.

• Integração de dados de múltiplas fontes.

AULA 3

• PREPARAÇÃO DE DADOS PARA REGRAS DE ASSOCIAÇÃO:

· Conceitos básicos

· Geração de regras de associação

· O Algoritmo Apriori.

· Efeitos da distribuição do suporte nos datasets.

· Problemas na seleção de regras.

· Medidas de avaliação de regras de associação.

· Tipos de dados usados em associação.

· Exemplos de geração de regras no Weka.

AULA 4

• CLUSTERIZAÇÃO OU AGRUPAMENTO DE DADOS

• Clusterizaçãoou análise de agrupamentos:

  · Conceitos básicos e aplicações.

• Tipos de dadosem clusterização.

• Avaliando a qualidade de clusters gerados.

• Similaridadeentre objetos.

• Métodos de Clusterização:

  · Particionamento, Hierárquico, EM, Baseados em densidade, etc.

• Medidaspara avaliação de clusters:

  · Internas(Coesão e Separação), Externas (Entropia e Pureza).

• Exemplos de geraçãodeClusters no Weka.

AULA 5

• AULA PRÁTICA – LABIN – WEKA e R

• Aula em laboratório cobrindo os tópicos sobre transformação de dados, regras de associação e agrupamento de dados, apresentados em sala de aula. Serão utilizados os softwares WEKA e R para solução dos exercícios apresentados em laboratório.

AULA 6

• Regressão Linear, Logística e Penalizada

AULA 7

• INTRODUÇÃO AO APRENDIZADO DE MÁQUINA + ÁRVORE DE DECISÃO

• Aprendizado de Máquina:

Motivação. Hierarquiza do aprendizado. Paradigmas de aprendizado. Conceitos e definições.

• Classificação de Dados:

O processo de classificação. Características de um bom classificador. Principais métodos de classificação. Principais algoritmos existentes.

• Árvores de Decisão:

Conceitos básicos. Algoritmos mais conhecidos. Mecanismos de poda. Escolha do atributo “split”.

AULA 8

• INTRODUÇÃO AO APRENDIZADO DE MÁQUINA

• Arcabouço probabilístico:

   a) Naïve Bayes.
  

• Métodos de Comitê:

  a) RandomForest;
  
  b) Bagging;
  
  c) Boosting.
  

• AVALIAÇÃO DE MODELOS PREDITIVOS

• Medidas de Avaliação de Modelos:

  a) Hold-out, cross-validation, percentage split;
  
  b) Ajustes de hiperparâmetros;
  
  c) Medidas Clássicas;
  

• Exercícios.

AULA 9

APRENDIZADO COM CLASSES DESBALANCEADAS:

· Classes desbalanceadas: problema e desafios;

· O algoritmo k-vizinhos mais próximos;

· Precisão, taxa de erro e classes desbalanceadas;

· Técnicas para medir desempenho de classificadores;

· Tratamentopara classes desbalanceadas;

· Qual proporção de classes é melhor para aprender;

· Como descartar ou duplicar exemplos;

· Resultados da avaliaçãodos tratamentos em diversos conjuntos de dados.

AULA 10

• REDUÇÃO DE DIMENSIONALIDADE:

  · Aspectos relevantes:
  
           a)    Necessidades, motivação e aplicações.
  
  ·  Principais abordagens:
  
           a)    Extração de atributos (não-Supervisionada);
  
           b)    Seleção de atributos (Supervisionada).
  
  ·  Métodos para extração de atributos:
  
           a)    Análise de Componentes Principais (PCA).
  

• MÉTODOS SUPERVISIONADOS PARA SELEÇÃO DE ATRIBUTOS:

  · Filtros;
  
  · Força Bruta (Brute-Force);
  
  · Métodos Embedded;
  
  · Métodos Wrappers;
  
  · Método baseado no teste do Qui-quadrado;
  
  · Método baseado na correlação de atributos (CFS).
  
  · Estudo de caso – comparação dos métodos acima.
  

AULA 11

• AULA PRÁTICA – LABIN – WEKA e R

• Aula em laboratório cobrindo os tópicos sobre redução de dimensionalidade (PCA), métodos de seleção de atributos e aprendizado com classes desbalanceadas. Serão utilizados os softwares WEKA e R para solução dos exercícios apresentados em laboratório.

• Algoritmo Random Forest em R (para atributo-meta numérico e categórico).

AULA 12

Ordem dos arquivos para a aula 12:

• Os 7 PDFs (00 a 06) referem-se ao conteúdo elaborado pelo Dr. Thiago dos Santos
• Os artigos da Nature 518125a.pdf e 514151.pdf (anexos)
• O link para as SciPy Lectures: http://www.scipy-lectures.org/

AULA 13

Aprendizado de Maquina com Python