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: 13/11/2024 16:05

• 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: (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 resolver um problema de engenharia específico.  NF = (3*EX + 3*PL + 4*PE)/10   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 2. semestre de 2024 (sujeito a alterações pontuais durante o semestre):

	Semana	Data	Conteúdo	Slides e documentos	Exemplos:códigos e dados	Exercícios e dados	Videos de suporte
	1	02/out/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	09/out/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	16/out/24	Aprendizado Supervisionado: modelagem descritiva com métodos de classificação baseados em regras e árvores de decisão	4 Árvores e regras de decisão - p1 5 Árvores e regras de decisão - p2	orange-iris-titanic-eucalyptus.ows titanic3-completo.xls	exercício 1 soybean.csv	StatQuest: Árvores de Decisão (17'21") Hunt algorithm (13'02")
	4	23/out/24	Aprendizado Supervisionado: modelagem preditiva com 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 2 puma32H.csv dataset1.zip
	5	30/out/24	Aprendizado Não-Supervisionado: análise associativa	8 Análise associativa	orange-associacao.ows orange-machine-failure.ows machine-failure.csv	exercício 3 acidentes_PR.xlsx vlbw.csv	Market Basket Analysis with Python and Apriori
	6	06/nov24	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	13/nov/24	Seleção de Atributos e Redução de Dimensionalidade	10 Seleção de atributos e Redução de dimensionalidade       Diretivas para a proposta do Projeto Livre	orange-bluejays.ows bluejays.csv orange-pimadiabetes.ows pimadiabetes.csv orange-smoking-effects.ows orange-brain-tumor.ows brain-tumor-images.zip	exercício 5
		20/nov/24	FERIADO: Dia nacional da consciência negra
	8	27/nov/24	Aplicação: classificação e agrupamento de sinais e séries temporais	12 Processamento de sinais e séries temporais	UCI-HAR-2024.ipynb UCI-HAR-Dataset.zip 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)
	9	04/dez/24	Aplicação: classificação e agrupamento de imagens	11 Classificação e agrupamento de imagens	orange-butterfly-owl.ows butterfly-owl.zip orange-faces.ows teste-faces411.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
	10	11/dez/24	Relatório e Apresentação do Projeto livre.	Diretivas para proposta do Projeto-Embarcado
	11	18/dez/24	Apresentação de propostas e discussão sobre o projeto embarcado
	12	05/fev/25	Aprendizado por reforço: fundamentos de Algoritmos genéticos	14 Algoritmos genéticos (p.1) 15 Algoritmos genéticos (p.2)
	13	12/fev/25	Otimização heurística com algoritmos genéticos: aplicações em engenharia	16 Algoritmos genéticos (p.3)	ga-schwefel.py ga-tsp4.py TSP1.csv CAPS.csv
	14	19/fev/25	Desenvolvimento do projeto embarcado
	15	26/fev/25	Demonstração do projeto embarcado e entrega do Relatório Final