Universidade Tecnológica Federal do Paraná (UTFPR)

Câmpus Curitiba

Departamento Acadêmico de Eletrônica

Curso de Engenharia Eletrônica

ELTD1-S11 (2025-2)
Introdução À Modelagem e Aprendizado

(~Fundamentos de Machine Learning)

última atualização: 20/08/2025 16:15

• 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: (a) Exercícios semanais, (b) Projeto livre e (c) 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 = (2*EX + 3*PL + 4*PE)/9  onde: EX = exercícios semanais, PL = projeto livre, PE = projeto embarcado.

• Materiais auxiliares:
  • Páginas: Machine Learning (S. Raschka, U.Wisconsin-Madison); Disciplina Deep Learning (prof. 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 2025 (sujeito a alterações pontuais durante o semestre):

	Semana	Data	Conteúdo	Slides e documentos	Exemplos: códigos e dados	Exercícios e dados	Videos de suporte
	1	13/ago/25	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	20/ago/25	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	27/ago/25	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	03/set/25	Aprendizado Supervisionado: modelagem preditiva com métodos avançados de classificação e regressão (linear/polinomial)	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	10/set/25	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")
	6	17/set/25 (V)	Diretivas para a proposta do Projeto Livre (REMOTO)
	7	24/set/25	Métodos para seleção de atributos. Redução de dimensionalidade com Análise de Componentes Principais	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	01/out/25	Aplicação: classificação e agrupamento de imagens	11 Classificação e agrupamento de imagens	orange-butterfly-owl.ows butterfly-owl.zip orange-faces.ows teste-faces350.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
	9	08/out/25	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)
	10	15/out/25	Aplicação: Processamento e classificação de textos	13
	11	22/out/25	SEI-SICITE (Seminário de Extensão e Inovação / Seminário de Iniciação Científica e Tecnológica) da UTFPR
	12	29/out/25 (V)	Apresentação/Demonstração do Projeto Livre (video)	Diretivas para proposta do Projeto Embarcado (video)	Carga do modelo do Orange no Python
	13	05/nov/25	Apresentação e discussão de propostas sobre o projeto embarcado
	14	12/nov/25	Desenvolvimento do projeto embarcado
	15	19/nov/25	Aprendizado por reforço: fundamentos de Algoritmos genéticos	14 Algoritmos genéticos (p.1) 15 Algoritmos genéticos (p.2)
	16	26/nov/25	Otimização heurística com algoritmos genéticos: aplicações em engenharia	16 Algoritmos genéticos (p.3)	ga-schwefel.py ga-tsp4.py TSP1.csv CAPS.csv mochilaG1.py produtos.txt parametros.txt
	17	03/dez/25	Entrega do Relatório Técnico do projeto embarcado
	18	10/dez/25	Apresentação e demonstração do projeto embarcado.
	19	17/dez/25	Apresentação e demonstração do projeto embarcado.