APRENDIZADO DE MÁQUINA

Ministrante: Prof. Dr. João Manuel Portel da Gama – Universidade do Porto – Portugal;
Resp.: Prof. Dr. Andre Carlos P.L. Ferreira de Carvalho e Prof. Dr. Rodrigo F. Mello

Objetivos

Apresentar os aspectos fundamentais e principais algoritmos de aprendizado de máquina, que investiga técnicas para desenvolver algoritmos capazes de aprender, ou melhorar seu desempenho, por meio da utilização de exemplos de situações previamente observadas. Serão investigados algoritmos que seguem diferentes paradigmas de aprendizado.

Justificativa

Com a expansão na quantidade de dados gerados por instituições públicas e privadas, cresceu também o interesse em extrair conhecimento a partir desses dados. Aprendizado de máquina permite a construção automática de modelos a partir de dados.

Conteúdo

Aspectos básicos de Aprendizado de Máquina; Tarefas de aprendizado; Viés indutivo; Aprendizado descritivo; Aprendizado preditivo; Algoritmos de Aprendizado de Máquina; Algoritmos que seguem diferentes paradigmas; Medidas de avaliação; Aplicações de Aprendizado de Máquina; Padrões frequentes, análise de redes sociais, fluxos de dados

Bibliografia

• Faceli, Katti; Lorena, Ana Carolina; Gama, João; de Carvalho, A. C. P. L. F. (2011). Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. 1. ed. Rio de Janeiro: LTC.
• Flach, P. (2012). Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press.
• Alpaydin, E. (2004). Introduction to Machine Learning. MIT Press. 
• Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. 

TRATAMENTO DE DADOS MULTIMÍDIA

Ministrantes: Prof. Dr. Rudinei Goularte e Prof. Dr. Marcelo Garcia Manzato
Resp.: Prof. Dr. Rudinei Goularte e Prof. Dr. Marcelo Garcia Manzato

Objetivos

Apresentar os fundamentos da recuperação de informação tradicional e informação multimídia, aprofundando suas implicações em Big Data. Abordar questões relevantes a arquiteturas, metadados, análise textual e multimídia, busca textual e baseada em conteúdo, indexação, multimodalidade e avaliação de sistemas de recuperação. Analisar ferramentas, aplicações e sistemas disponíveis, considerando suas capacidades e limitações. Capacitar o aluno a discutir os tópicos envolvidos em áreas atuais de pesquisa em Big Data.

Justificativa

Os ambientes e sistemas computacionais atuais, em especial os baseados na tecnologia Web, vêm produzindo enorme volume de informação multimídia (Big Data). Isso leva ao problema da sobrecarga de informação, tornando difícil selecionar conteúdo de interesse em meio ao imenso volume de dados disponível. Nesse contexto, os sistemas de recuperação desempenham papel central e estão se tornando parte do cotidiano das pessoas em produtos como buscadores (textuais, de músicas e de vídeo), gerenciadores de e-mail e redes sociais.

Conteúdo

Contextualização; histórico e terminologia; caracterização do problema da recuperação; processos e modelos de recuperação; sobrecarga de informação e lacuna semântica; arquitetura para recuperação multimídia baseada em conteúdo; indexação textual e multimídia; descritores e extração de características; multimodalidade; avaliação.

Bibliografia

• Blanken, H.; de Vries, A. P.; Blok, H. E.; Feng, L. Multimedia Retrieval. Springer, 2007. ISBN: 978-3-540-72894-8.
• Ricardo A. Baeza-Yates and Berthier Ribeiro-Neto. Modern Information Retrieval: The Concepts and Technology behind Search (2nd Edition) (ACM Press Books). Paperback: 944 pages. Publisher: Addison-Wesley Professional; 2 edition. 2011. ISBN-10: 0321416910. ISBN-13: 978-0321416919
• Manning, C. D.; Raghavan, P.; Schütze, H. Introduction to Information Retrieval. Cambridge University Press, 2008. ISBN: 0521865719.
• Artigos de conferências e periódicos da área.

VISUALIZAÇÃO DE DADOS

Ministrantes: Profa. Dra. Rosane Minghim e Emílio Vital Brazil.
Resp.: Prof. Dra. Rosane Minghim e Profa. Dra. Maria Cristina Ferreira de Oliveira

Objetivos

A área de visualização computacional engloba o desenvolvimento e aplicação de técnicas gráficas para apresentação e entendimento dos mais variados conjuntos de dados. Domínios de aplicação variam desde diagramas explicativos e gráficos de barra até dados meteorológicos, médicos, científicos, coleções de registros, documentos, imagens, etc. Visualização também é essencial para a maioria dos processos de análise de dados e, em particular, em tomada de decisão baseada em dados. Pretende-se abordar o que é Visualização, suas principais técnicas, sua associação com a análise de dados, além de exemplos de algoritmos e aplicações. Além da exposição de conceitos e técnicas, indivíduos poderão testar abordagens de visualização através de exemplos práticos nos seus computadores.

Conteúdo

Introdução: O que é e o que não é Visualização de Dados. Exemplos práticos de visualização. Técnicas Básicas de Visualização: Dados numéricos, em rede, categóricos, estruturados e não estruturados. Integração de Visualização e Mineração de Dados. Analítica Visual. Exemplos de Aplicações: Textos, Imagens, Redes Sociais. Exemplos de apoio visual a tarefas de mineração de dados. Visualização em larga escala. Exemplos e exercícios práticos. Similarity Visualization.

Bibliografia

• Interactive data visualization: foundations, techniques, and applications 
  MO Ward, G Grinstein, D Keim - 2010
• Data visualization: principles and practice 
  AC Telea - 2014

FRONTEIRAS DA MINERAÇÃO DE DADOS

Ministrantes: Prof. Dr. Alípio M. Jorge – Universidade do Porto, Portugal; Prof. Dr. Bruno Gonçalves – University of New York
Resp.: Prof. Dra. Solange Oliveira Rezende e Prof. Dr.Thiago Alexandre Salgueiro Pardo

Objetivos

Apresentar ao aluno aplicações de mineração de dados na fronteira do conhecimento, abordando questões atuais, mais especificamente, sistemas de recomendação e mineração de dados sociais, com exemplos de aplicações, possibilitando o uso dessa tecnologia na solução de problemas e na tomada de decisão.

Justificativa

A área de mineração de dados, em suas mais variadas frentes, tem tido grande relevância frente aos desafios de se gerenciar e processar a grande quantidade de dados disponíveis, principalmente online, tanto estruturados quanto não estruturados. Dominar os conceitos e as técnicas envolvidos nessa área é essencial para o real proveito dos dados disponíveis, quer de uso geral, quer de domínios especializados.

Conteúdo

Introdução aos sistemas de recomendação. Recomendação baseada em dados de utilização. Algoritmos: Regras de associação, abordagens baseadas em distâncias, fatorização de matrizes. Questões de escalabilidade. Algoritmos incrementais. Avaliação de sistemas de recomendação. Ferramentas (R, Python). Conceitos básicos de redes complexas. Estruturas de redes. Métricas topológicas. Análise e mineração de redes sociais. Introdução à API do Twitter. Comportamento em microblogs e uso da linguagem. Visualização e análise de dados do Twitter.

Bibliografia básica

• Faceli, K.; Lorena, A.C.; Gama, J.; Carvalho, A.C.P.L.F. (2011). Inteligência Artificial. Uma Abordagem de Aprendizado de Máquina. Editora LTC.
• Jurafsky, D. and Martin, J.H. (2009). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition. Prentice Hall.
• Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.
  Rezende, S.O. (org.) (2003). Sistemas Inteligentes: Fundamentos e Aplicações. Editora Manole.
• Witten, I.H.; Frank, E.; Hall, M.A. (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.

DEEP LEARNING

Ministrantes: Prof. Dr. Eduardo Valle – FEEC/UNICAMP; Prof. Dr. Matthieu Cord -UPMC Paris 6 - Sorbonne Universités -- LIP6
Resp.: Prof. Dra. Roseli Ap. Francelin Romero e Prof. Dr. João Luis Garcia Rosa

Objetivos

Deep Learning (DL) tem revolucionado muitos aspectos da área de reconhecimento de padrões nos últimos anos e tem sido extremamente bem sucedido em tarefas como reconhecimento e detecção de objetos, classificação de cenas, reconhecimento de movimentos. Neste curso, na primeira parte, serão apresentados alguns modelos de redes neurais, que servem de base para a compreensão de DL. Na segunda parte, arquiteturas para redes DL serão apresentadas, com respectivos de algoritmos de treinamento e exemplos de aplicações reais.

Justificativa

As pesquisas em Redes Neurais está em pleno desenvolvimento e os resultados obtidos na solução de problemas complexos (visão, voz, etc.), muitos deles ainda não resolvidos satisfatoriamente em computadores digitais, têm despertado o interesse de pesquisadores de diversas áreas, tais como, processamento de imagens, reconhecimento de padrões, robótica, controle, otimização, processamento paralelo, etc..

Conteúdo

1. Introdução: · Cognição e Modelos Biológico. · Aprendizado e Inteligência. · Processamento Simbólico versus Não-Simbólico. · Reconhecimento de padrões. 2. Primeiros Modelos: Perceptron, Adaline. 3. Rede MLP: Arquitetura, Algoritmo backpropagation,· Aplicações. 3. Redes RBF :Arquitetura,· Treinamento,· Aplicações. 4. Deep Learning: Introdução. Redes Convolucionárias, Pre-treinamento Não-supervisionado, Auto-encoders: SDA e RBM, Redes de Crença Profundas. Aplicações. Deep-learning for Vision, From LeNet to Imagenet, Tricks for Training, Transfer Learning, Fine Tuning, Extensions and Applications (Supervised Segmentation, Automatic Captioning, Metric Learning, Generative Models).

Bibliografia

• HAYKIN, S.; "Neural Networks: A Comprehensive Foundation", Macmillan Publishing Co:/ IEEE-Press,1994.
• Deep Learning Tutorial - Release 0.1, LISA lab, University of Montreal, (http://www.iro.umontreal.ca/~lisa/publications2/index.php/publications/show/239),set/ 2015.
• Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard and L. D. Jackel: Handwritten digit recognition with a back-propagation network, in Touretzky, David (Eds), Advances in Neural Information Processing Systems (NIPS 1989), 2, Morgan Kaufman, Denver, CO,1990.
• Rumelhart, D.; McClelland and THE PDP RESEARCH GROUP - Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol.1. Cambridge MA:MIT Press, 1986.

GERÊNCIA DE DADOS COMPLEXOS EM LARGA ESCALA

Ministrantes: Prof. Dr. Robson Leonardo Ferreira Cordeiro e Prof. Dr. José Fernando Rodrigues Junior
Resp.: Prof. Dr. Robson Leonardo Ferreira Cordeiro e Prof. Dr. José Fernando Rodrigues Junior

Objetivos

Introduzir os principais conceitos, técnicas e ferramentas de gerência de dados em larga escala, voltado principalmente a aplicações comerciais com necessidades não atendidas por sistemas de banco de dados relacionais disponíveis no mercado.

Justificativa

Diversas aplicações comerciais atuais necessitam gerenciar conjuntos de dados não compatíveis com os sistemas banco de dados relacionais disponíveis no mercado. Comumente, isso se deve à complexidade dos dados (e.g., grandes grafos, impressões digitais, imagens e áudio), ao intuito limitado de uso analítico, ou até mesmo à necessidade de processamento massivo dos dados em grandes “clusters” de computadores formados por computadores pessoais comuns. O curso visa apresentar brevemente conceitos, técnicas e ferramentas desenvolvidos com o intuito de suprir tais necessidades.

Conteúdo

NoSQL e Consistência de Dados; Dados em Larga Escala e Computação em Nuvem; O Modelo de Programação MapReduce; Conceitos de Análise de Dados utilizando OLAP.

Bibliografia

• Joe Celko. Complete Guide to NoSQL: What Every SQL Professional Needs to Know about Non-relational Databases, Elsevier, 2014.
• Eric Redmond and Jim R. Wilson. Seven Databases in Seven Weeks: A Guide to Modern Databases and the NoSQL Movement, Pragmatic Bookshelf, 2012.
• Pramod J. Sadalage and Martin Fowler. NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence, Addison-Wesley Professional, 2012.
• Shashank Tiwari. Professional NoSQL, Wrox, 2011.
• Gaurav Vaish. Getting Started with NoSQL, Packt Publishing, 2013.
• John Sharp, Douglas McMurtry, Andrew Oakley, Mani Subramanian, Hanzhong Zhang. Data Access for Highly-Scalable Solutions: Using SQL, NoSQL, and Polyglot Persistence, Microsoft patterns & practices, 2013.

Íntegra - Palestras da Extensão: Teoria da Decisão e aplicações ao Direito

Na última quinta-feira, o professor Rafael Stern, da  Universidade Federal de São Carlos (UFSCar)​, falou sobre a aplicação da Teoria da Decisão na área do direito. A apresentação foi a primeira edição das Palestras da Extensão do Instituto de Matemática, Estatística e Computação Científica​ (IMECC) da Unicamp em 2017. Assista:

Seminário de Coisas Legais volta nesta sexta-feira

Primeiro evento do ano irá comemorar o aniversário de Stefan Banach

O seminário de Coisas Legais está de volta. Nesta sexta-feira, 31, às 13h13, terá como título Feliz aniversário, Stefan! O palestrante e professor do Instituto de Ciências Matemáticas e de Computação (ICMC) Leandro Aurichi convida os participantes para a comemoração do aniversário de Stefan Banach.Banach introduziu, por volta de 1920, o conceito de espaços vetoriais normados completos e é considerado um dos maiores matemáticos do século 20, fundador da análise funcional moderna.

O seminário ocorre no auditório do bloco 6 do ICMC e não é preciso fazer inscrição prévia.

Os coordenadores já anunciaram as próximas datas deste evento. Em 05 de maio o encontro será com Éricles Barbosa Lima e no dia 26 de maio com Francisco Louzada Neto, ambos do ICMC-USP São Carlos.

Raquel Vieira - Comunicação CeMEAI

Mais informações

Assessoria de Comunicação do CeMEAI: (16) 3373-6609

E-mail: Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.

Professor português fala de mineração de dados em palestra

João Gama, da Universidade do Porto, falou dos desafios na área no século XXI

Na última sexta-feira (24), o professor João Gama, da Universidade do Porto​, deu uma palestra sobre os desafios da mineração de dados no século XXI. Gama veio ao Brasil a convite do professor André Carvalho, do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP em São Carlos e pesquisador do CeMEAI. Veja como foi a apresentação:

Teoria da Decisão é tema nas Palestras da Extensão do IMECC

Apresentação foi a primeira do ciclo em 2017

A primeira edição do ano do ciclo de Palestras da Extensão do Instituto de Matemática, Estatística e Computação Científica (IMECC) da Unicamp foi realizada na última quinta-feira (23). O apresentador foi o professor Rafael Stern, da Universidade Federal de São Carlos, que falou sobre a Teoria da Decisão e suas aplicações no âmbito do direito. Veja como foi a apresentação: