Universidade Tecnológica Federal do Paraná (UTFPR)

Câmpus Curitiba

Departamento Acadêmico de Eletrônica

Curso de Engenharia Eletrônica

ELTD1-S11 (2024-1)
Introdução À Modelagem e Aprendizado

(~Fundamentos de Machine Learning)

última atualização: 18/04/2024

• Professor:  Heitor Silvério Lopes (DAELN)
• Dia/horário/Sala: 4a feira das 17:50-21:10 (4T6, 4N1, 4N2, 4N3), sala CB301
• Dia/horário de permanência: 4a. feira 16:40-17:50
• Objetivo: Apresentar conceitos teóricos de Aprendizado de Máquina e aplicá-los a problemas interessantes de computação e de engenharia.
• Ementa: Fundamentos de aprendizado de máquina (Machine Learning), métodos de aprendizado supervisionado para problemas de classificação e regressão, métodos de aprendizado não-supervisionado para associação, agrupamento, seleção de atributos e redução de dimensionalidade. Processamento e classificação de textos, imagens e sinais. Aprendizado por reforço com algoritmos genéticos para problemas de otimização.
• Procedimentos de avaliação: São três procedimentos avaliativos, cada um representando 1/3 da nota final: (1) Exercícios semanais, (2) Projeto livre e (3) Projeto embarcado. O primeiro consiste de exercícios semanais apresentados em aula acerca dos temas abordados durante o semestre. O segundo consiste de um projeto de livre escolha, onde o estudante constrói um conjunto de dados e aplica métodos de aprendizado de máquina para resolver um problema bem determinado. O terceiro consiste em embarcar um ou mais métodos de aprendizado de máquina em um hardware microcontrolado e processar os dados/sinais adquiridos para alguma finalidade específica.  NF = (EX + PL + PE)/3   onde: EX = exercícios semanais, PL = projeto livre, PE = projeto embarcado.

• Materiais auxiliares:
  • Páginas: Machine Learning (S. Raschka, U.Wisconsin-Madison); Disciplina Deep Learning (prof. A.E. Lazzaretti)
  • Curso: Embedded Machine Learning (Coursera)
  • Livros: Mathematics for Machine Learning (Deisenroth et al.);  Learning from Data (Abu-Mostafa et al.)
  • Softwares: Orange DataMining; Machine Learning Notebooks (Sebastian Raschka); biblioteca Python Scikit-learn; biblioteca Python DEAP.

   

• Atividades programadas para o 1. semestre de 2024 (sujeitas a alterações durante o semestre):

	Semana	Data	Conteúdo	Slides e documentos	Exemplos:códigos e dados	Exercícios e dados	Videos de suporte
	1	06/mar/24	Introdução ao aprendizado de máquina. Visualização de dados   Webscrapping para a criação de datasets.	1 Apresentação e overview 2 Visualização e obtenção de dados	webscrap1-textos.py webscrap2-imagens.py		DatasetCreation (7'41") Como fazer webscraping com Python em múltiplas páginas (17'17") Webscrapping X Webcrawling (3'13")
	2	13/mar/24	Apresentação do software Orange e exemplos de uso	3 Introdução ao software Orange	orange-iris.ows orange-acoesB3.ows dados-acoesB3.csv		Orange básico (12'44") Workflow com Orange (13'05")
	3	20/mar/24	Aprendizado Supervisionado: métodos de classificação com regras e árvores de decisão	4 Árvores e regras de decisão - p1 5 Árvores e regras de decisão - p2	orange-titanic.ows titanic3.xls	exercício 1 soybean.csv	StatQuest: Árvores de Decisão (17'21") Hunt algorithm (13'02")
	4	27/mar/24	Aprendizado Supervisionado: métodos avançados de classificação e regressão	6 Métodos avançados de classificação 7 Métodos de regressão	orange-smokeB-housing.ows orange-knn-svm-rf-rn.ows orange-comp-regressao.ows	exercício 2a puma32H.csv dataset1.txt dataset1.csv
	5	03/abr/24	Aprendizado Não-Supervisionado: análise associativa	8 Análise associativa	orange-associacao.ows	exercício 3 acidentes_PR.xlsx vlbw.csv	Market Basket Analysis with Python and Apriori
	6	10/abr/24	Aprendizado Não-supervisionado: agrupamentos	9 Agrupamentos	orange-clustering.ows diab.csv seeds.csv 20faces.zip	exercício 4 clientesshopping.csv fisioterapia.csv	Algoritmo K-means, passo-a-passo (23'30")  Introdução ao Agrupamento Hierárquico (12'25")
	7	17/abr/24	Seleção de Atributos e Redução de Dimensionalidade	10 Seleção de atributos e Redução de dimensionalidade	orange-bluejays.ows bluejays.csv orange-pimadiabetes.ows pimadiabetes.csv orange-smoking-effects.ows orange-brain-tumor.ows brain-tumor-images.zip	exercício 5
	8	24/abr/24	Apresentação e discussão de propostas sobre o Projeto Livre	Diretivas para a proposta do projeto livre
	9	01/mai/24	FERIADO: Dia do trabalhador
	10	08/mai/24	Classificação e agrupamento de  sinais e séries temporais	12 Processamento de sinais e séries temporais	UCI_HAR_updatedHSL.py orange-47papeis.ows setores-47papeis.csv vetor_features-47papeis.csv	exercício7 veiculos-cruzamentos.csv	Predição de séries temporais (22:46) Time series analysis (7:41) Time series comparison (6:53) Time series analysis in Python (38:19)
	11	15/mai/24	Classificação e agrupamento de imagens	11 Classificação e agrupamento de imagens	orange-butterfly-owl.ows butterfly-owl.zip orange-faces.ows teste-faces.zip orange-carro-trem-aviao.ows carro-trem-aviao.zip carro-trem-aviao-Weka_features-TRAIN.csv carro-trem-aviao-Weka_features-TEST.csv	exercício 6 imagens-transporte.zip
	12	22/mai/24	Projeto livre (Apresentação)	ProjetoLivre
	13	29/mai/24	Processamento de textos	13 Processamento de textos	orange-grimm.ows palavras.txt orange-artigos.ows	exercício8 senti5000.tab Proposta Projeto-Embarcado	Análise de textos com transformer (18:21)
	14	05/jun/24	Aprendizado por reforço com Algoritmos genéticos	14 Algoritmos genéticos (p.1) 15 Algoritmos genéticos (p.2)
	15	12/jun/24	Otimização heurística com Algoritmos genéticos: aplicações	16 Algoritmos genéticos (p.3)
	16	19/jun/24	Desenvolvimento do projeto embarcado
	17	26/jun/24	Apresentação do projeto embarcado			Entrega do Relatório  do projeto embarcado
	18	03/jul/24	Apresentação do projeto embarcado