Sumário

1. Introdução
1.1 O processo de reconhecimento de padrões
1.2 Paradigmas de aprendizado
1.3 Definições iniciais e notações gerais
1.4 Ambiente computacional
1.5 O que veremos a seguir?


2. Teoria da decisão de Bayes
2.1 Regra de classificação de Bayes
2.2 Classificação MAP e ML
2.3 Naive Bayes
2.4 Funções discriminantes e superfícies de decisão
2.5 Classificação por mínima distância (casos particulares)
2.6 Estimação de funções densidade de probabilidade
2.6.1 O conceito da estimação por máxima verossimilhança
2.6.2 Modelo de mistura de gaussianas e o algoritmo EM
2.6.3 Método do histograma
2.6.4 Janelas de Parzen
2.6.5 K-vizinhos mais próximos
2.7 Experimento computacional
2.8 Exercícios


3. Classificadores lineares
3.1 Classificadores e problemas lineares
3.2 Perceptron
3.2.1 Perceptron sequencial
3.2.2 Aplicação sobre dados não linearmente separáveis
3.3 Estimativa baseada na soma dos erros quadráticos
3.4 Máquina de vetores suporte - versão linear
3.4.1 Formalização baseada em padrões linearmente separáveis
3.4.2 Formalização baseada em padrões não linearmente separáveis
3.4.3 Otimização quadrática, parâmetros e o custo computacional
3.5 Estratégias multiclasse
3.6 Exercícios


4. Classificadores não lineares
4.1 Perceptron multicamadas e o algoritmo backpropagation
4.1.1 Funções de ativação, taxa de aprendizado e convergência
4.1.2 Indicadores de classe e a camada de saída
4.1.3 Modelagem algébrica do algoritmo backpropagation
4.1.4 Exemplos de classificação e arquiteturas
4.2 Classificadores lineares generalizados e o Teorema de Cover
4.3 Redes RBF
4.4 Máquinas de vetores suporte e funções kernel
4.5 Árvores de decisão
4.6 Exercícios


5. Combinação de classificadores
5.1 Combinação envolvendo o conceito de Bayes
5.1.1 Regra do produto
5.1.2 Regra da soma
5.1.3 Regras do mínimo, do máximo e da mediana
5.2 Votação por maioria
5.3 Stacking
5.4 Bagging
5.5 AdaBoost
5.6 Floresta aleatória
5.7 Experimento computacional
5.8 Exercícios


6. Métodos de agrupamento
6.1 Breve discussão introdutória
6.2 Métodos hierárquicos
6.3 Métodos sequenciais
6.4 Agrupamentos via modelos de mistura
6.5 Agrupamento baseado na soma dos quadrados
6.5.1 K-Médias
6.5 2 K-Médias nebuloso
6.5.3 Comparações e implementações
6.6 Mapas auto-organizáveis
6.7 Exercícios


7. Aprendizado semissupervisionado
7.1 Rotulação de agrupamentos
7.2 Modelagem baseada em mistura de gaussianas
7.3 Autotreinamento e cotreinamento
7.4 Modelagem baseada em grafo
7.5 Exercícios


8. Avaliação e parametrização
8.1 Avaliação de classificação
8.1.1 Matriz de confusão e coeficientes de acurácia
8.1.2 A medida F13 e o coeficiente de Matthews
8.2 Avaliação de agrupamentos
8.2.1 As medidas SC e CHI
8.2.1 A medida V
8.3 Ajuste de parâmetros
8.4 Exercícios


9. Redução de dimensionalidade e seleção de atributos
9.1 Breve discussão sobre a maldição da dimensionalidade
9.2 Redução de dimensionalidade
9.2.1 PCA
9.2.2 LLE
9.3 Seleção de atributos
9.3.1 Medidas baseadas em matrizes de espalhamento
9.3.2 Abordagens subótimas
9.4 Exercícios


10. Tópicos de regressão
10.1 Regressão linear
10.2 Regressão polinomial
10.3 Avaliação de subajustes e sobreajustes
10.4 Regressão Ridge e Lasso
10.5 Regressão Logit e Softmax
10.6 Regressão via SVM
10.7 Regressão via CART
10.8 Exercícios


Apêndice A Brevíssima introdução ao Python
A.1 Um pouco de história
A.2 Alguns itens de revisão
A.3 Exercícios


Apêndice B Distribuições gaussianas
B.1 Distribuição gaussiana univariada
B.2 Distribuição gaussiana multivariada



Referências

Índice remissivo