Dados Gerais

Nome: Mineração de Dados

Código: PCC142

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 18

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução e aplicações de mineração de dados.

Processo de descoberta de conhecimento em bases de dados.

Pré-processamento de dados.

Técnicas de mineração de dados para as tarefas de extração de regras de associação, agrupamento (clustering), classificação e predição.

Modelos de regressão e mineração de dados.

Uso de ferramentas de mineração de dados.

Bibliografias

J. HAN e M. KAMBER Data Mining: Concepts and Techniques, 2, Morgan Kaufmann 2005, 1558609016
I.H. WITTEN e E. FRANK Data Mining: Practical Machine Learning Tools and Techniques, 2, Morgan Kaufmann 2005, 120884070

Dados Gerais

Nome: Processamento de Imagens

Código: PCC144

Departamento: COMPUTAÇÃO

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 18

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Sistema Visual Humano.

Sistemas de processamento de imagens.

Operações lógicas e aritméticas entre imagens.

Transformada de Fourier.

Filtragem no domínio espacial e no domínio da freqüência.

Tópicos em segmentação, registro, representação e compressão de imagens.

Bibliografias

R.G. GONZALEZ, R.E. WOODS Digital Image Processing Prentice-Hall, 2007, 013168728X
R.G. GONZALEZ, R.E. WOODS Processamento Digital de Imagens Blucher 2000, 8521202644
A.K. JAIN Fundamentals of Digital Image Processing Prentice-Hall, 1989, 133361659
W. NIBLACK An Introduction to Digital Image Processing Prentice-Hall 1986, 978-0134806747

Dados Gerais

Nome: Reconhecimento de Padrões

Código: PCC146

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 18

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução ao reconhecimento de padrões.

Percepção.

Diferentes abordagens de reconhecimento de padrões.

Extração de Características.

Características estruturais. Características estatísticas.

Análise de Componentes Principais (PCA).

Textura.

Cor.

Normalização.

Scaling. Métodos não paramétricos: kNN, Estimação de probabilidade, Funções Discriminantes Lineares, LDA, Perceptron, SVM.

Seleção de características e redução de dimensionalidade: PCA.

Combinação de Classificadores: Diversidade, Bias/Variância, Desempenho (comparação de classificadores), Curvas ROC, Rejeição, Regressão.

Bibliografias

R.O. DUDA, P.E. HART, D.G. STORK Pattern Classification John Wiley Interscience 2000 471056693
S. THEODORIDIS, K. KOUTROUMBAS Pattern Recognition 4 Academic Press 2008 1597492728
C.M. BISHOP Pattern Recognition and Machine Learning, series Springer (Information Science and Statistics 2007 978-0387310732

Dados Gerais

Nome: Recuperação de Informação na Web

Código: PCC147

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 18

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Modelagem de sistemas de recuperação de informação.

Caracterização da Web.

Funcionamento de sistemas de coleta.

Indexação distribuída.

Linguagens de consulta.

Operações sobre consultas.

Geração de funções para ordenação de resultados.

Avaliação de resultados.

Mineração de dados de uso na Web.

Bibliografias

R. BAEZA-YATES, B. RIBEIRO-NETO Modern Information Retrieval Addison Wesley 1999 020139829X
I. H. WITTEN, A. MOFFAT, T. C. BELL Managing Gigabytes: Compressing and Indexing Documents and Images 2 Morgan Kaufmann Publishers 1999 1558605703

Dados Gerais

Nome: Análise de Mídia Social

Código: PCC119

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica:

Carga Horária Prática:

Carga Horária Total:

Duração / Semana:

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.):

Ementa

Métricas fundamentais de redes complexas.

Leis de Potência e redes livres de escala.

Redes do tipo ‘’small world’’.

Bases de dados, técnicas de coleta e análise de dados.

Ligações fortes e fracas e homofilia em redes complexas. 

Estrutura de comunidades.

Difusão de informação.

Evolução temporal de redes complexas. 

Bibliografias

D. EASLEY; J. KLEINBERG Networks, Crowds, and Markets: Reasoning About a Highly Connected World 1 Cambridge University Press, 2010 978-0-521-19533-1
M. NEWMAN Networks: An Introduction 1 Oxford University Press 2010 978-0-19-920665-0
A-L. BARABASI Bursts: The Hidden Pattern Behind Everything We Do 1 Plume 2003 452284392
N. JOHNSON Simply Complexity: A Clear Guide to Complexity Theory 2 Oneworld Publications 2009 978-1-85168-488-5

Dados Gerais

Nome: Gerência de Dados da Web

Código: PCC145

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 18

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Caracterização dos dados da Web.

Modelagem de dados semiestruturados.

Linguagens de consulta.

Extração de dados da Web.

Integração de Dados da Web.

Aplicações.

Bibliografias

Serge Abiteboul, Ioana Manolescu, Philippe Rigaux, Marie-Christine Rousset, Pierre Senellart, Web Data Management, 1st, Cambridge University Press 2011 978-1-107-01243
Serge Abiteboul, Peter Buneman, Dan Suciu, Data on the Web: From Relations to Semistructured Data and XML 1st Morgan Kaufmann 2000 1-55860-622-X

Dados Gerais

Nome: Redes Complexas

Código: PCC121

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática:

Carga Horária Total:

Duração / Semana: 18

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução e conceitos básicos: Tipos de redes e aplicações; Matriz de adjacência, lista de adjacência, redes com pesos; Caminhos e distâncias, medidas de centralidade, conectividade e transitividade.
Redes direcionadas e com pesos: Redes direcionadas, a Web, PageRank.
Modelos e algoritmos de geração de redes: Redes aleatórias, redes de pequeno mundo, propriedade livre de escala, modelo Barabási-Albert, redes dinâmicas.
Correlações de grau: assortatividade.
Robustez em redes: percolação, falhas e ataques.
Detecção de Comunidades: conceitos e algoritmos.
Fenômenos dinâmicos em rede: espalhamento viral e propagação de informação, sincronização de osciladores acoplados;
Aplicações

Bibliografias

Básica
● BARABÁSI, A.-L. Network science. Cambridge: Cambridge University Press, 2016. 475 p. Disponível em: . Acesso em: 07 de abril de 2021.
● MENCZER, F.; FORTUNATO, S.; DAVIS, C. A First Course in Network Science. Cambridge: Cambridge University Press, 2020. 300 p.
● NEWMAN, M. Networks: An Introduction. Oxford: Oxford University Press, 2010. 784 p..

Bibliografia Complementar
● HUNT, J. A Beginners Guide to Python 3 Programming. Springer, 2019, 433 p.
● BARABÁSI, A.-L. Linked: how everything is connected to everything else and what it means for business, science and everyday life. New York: Plume, 2003. 294 p.
● BARRAT, A.; MELY, M. B.; VESPIGNANI, A. Dynamical Processes on Complex Networks. Cambridge: Cambridge University Press, 2012. 361 p.
● EASLEY, D.; KLEINBERG, J. Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge: Cambridge University Press, 2010. 727 p. Disponível em: . Acesso em: 07 de abril de 2021.
● ESTRADA, E. The structure of complex networks: theory and applications. Oxford: Oxford University Press, 2012. 478 p.
● JACKSON, M. O. Social and Economic Networks. Princeton: Princeton University Press, 2010. 504 p.

Dados Gerais

Nome: Redes Neurais e Aprendizagem em Profundidade

Código: PCC177

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 15

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução a aprendizagem em profundidade;

Noções básicas de redes neurais;

Redes Neurais profundas;

Fundamentos das redes neurais convolucionais;

Modelos convolutivos profundos: estudo de caso

Bibliografias

Bibliografia básica:
1 - Artificial intelligence: a modern approach. Stuart J. Russell and Peter Norvig. 3.ed. Upper Saddle River, N.J. : Prentice-Hall 2010.

2 - Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville. MIT Press. http://www.deeplearningbook.org. 2016.

3. Pattern recognition and machine learning. Christopher M. Bishop. New York : Springer 2006.

4 - Redes neurais artificiais: fundamentos e aplicações : um texto basico. Zsolt Laszlo Kovacs. 4.ed. São Paulo : Livraria da Fisica 2006.

5 - Fundamentals of natural computing: basic concepts, algorithms, and applications. Leandro Nunes de Castro. Boca Raton : Chapman & Hall/CRC, 2006.

Bibliografia complementar:
1 - Neural networks for pattern recognition. Christopher M. Bishop. Oxford : Oxford University Press 2010.

2 - Redes neurais artificiais: teoria e aplicações. Antonio de Padua Braga , Andre Ponce de Leon F. de Carvalho , Teresa Bernarda Ludermir. Rio de Janeiro : LTC c2000.

3 - Redes neurais: principios e pratica. Simon Haykin ; tradução: Paulo martins Engel. 2. ed. Porto Alegre : Bookman, 2001.

Dados Gerais

Nome: Inteligência Artifical Explicável

Código: PCC180

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 15

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução à interpretabilidade e explicabilidade;

Interpretabilidade e explicabilidade do pré-modelo;

Técnicas de visualização de modelos e algoritmos interpretáveis tradicionais;

Interpretabilidade do modelo: avanços no aprendizado de máquina interpretável;

Interpretabilidade e explicações post-hoc;

Aprendizado profundo explicável;

Explicabilidade na previsão de séries temporais;

Processamento de linguagem natural e visão computacional.

Bibliografia

Básica:
RUSSELL, Stuart J; NORVIG, Peter. Artificial intelligence: a modern approach. 3.ed. Upper Saddle River, N.J.: Prentice-Hall 2010. xviii,1132 p. ISBN 9780136042594.
LUGER, George F. Artificial intelligence: structures and strategies for complex problem solving . 6.ed. New York: Pearson 2008. 754 p. ISBN 9780321545893.
MARSLAND, Stephen. Machine learning: an algorithmic perspective . New York: CRC Press 2009. 390 p. ISBN 9781420087187.
MOLNAR, Christoph. Interpretable Machine Learning. 1.ed. Lulu.com 2020. 320 p. ISBN 9780244768522.
KAMATH, Uday; LIU, John. Explainable Artificial Intelligence: An Introduction to Interpretable Machine Learning . 1.ed. Springer 2021. 339 p. ISBN ‎ 9783030833558.

Bibliografia complementar:
KOVACS, Z.L. Redes neurais artificiais: fundamentos e aplicações : um texto básico. 4.ed. São Paulo: Livraria da Física 2006. 174 p ISBN 8586396028.
ENGELBRECHT, Andries P. Computational intelligence: an introduction. 2.ed. New York: John Wiley & Sons 2007. 597 p. ISBN 9780470035610.
JONES, M. Tim. Artificial intelligence: a systems approach. Boston: Jones and Bartlett 2009. 498 p. ISBN 9780763773373.
MASÍS, Serg. Interpretable Machine Learning with Python: Learn to build interpretable high-performance models with hands-on real-world examples. 1.ed. Packt Publishing
2021. 736 p. ISBN 9781800203907.

Dados Gerais

Nome: Aprendizagem de Máquina

Código: PCC181

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 15

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução ao aprendizado de máquina; aprendizado supervisionado, seus princípios e modelos; avaliação dos algoritmos de aprendizado supervisionado; aprendizado não supervisionado e semissupervisionado; aprendizado por reforço.

Bibliografia

Básica:

MITCHELL, Tom M. Machine learning. New York: McGraw-Hill 1997. 414 p. ISBN 0070428077 (broch.).

MELO, Rodrigo F, PONTI, Moacir A. Machine learning: A Practical Approach on the Statistical Learning Theory. Switzerland: Springer 2019. 373p. ISBN 978-3-319-94989-5 (ebook).

TAN, Pang-Ning; STEINBACH, Michael; KUMAR, Vipin. Introdução ao data mining. Rio de Janeiro: Ciência Moderna, c2009. xxi, 900 p. ISBN 8573937619.

ZHU, Xiaojin; GOLDBERG, Andrew B. Introduction to semi-supervised learning. Synthesis lectures on artificial intelligence and machine learning, v. 3, n. 1, p. 1-130, 2009.

Bibliografia complementar:

POOLE D.L., MACKWORTH A.K. Artificial Intelligence: Foundations of Computational Agents, 2nd Edition. Cambridge University Press. Disponível em: https://artint.info/2e/html/ArtInt2e.html . Acesso em: 25 mai. 2022.

Norvig, P. Russel, S. Inteligência Artificial. Grupo GEN, 2013. 9788595156104. Disponível em: https://integrada.minhabiblioteca.com.br/#/books/9788595156104/. Acesso em: 25 mai 2022.

FACELI, Katti; LORENA, Ana C.; GAMA, João; AL, et. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. Grupo GEN, 2021. 9788521637509. Disponível em: https://integrada.minhabiblioteca.com.br/#/books/9788521637509/. Acesso em: 25 mai. 2022.

Yaser S. Abu-Mostafa, Malik Magdon-Ismail, and Hsuan-Tien Lin. 2012. Learning From Data. AMLBook. 213p. ISBN:978-1-60049-006-4

CHAPELLE, Olivier; SCHOLKOPF, Bernhard; ZIEN, Alexander. Semi-supervised learning (chapelle, o. et al., eds.; 2006)[book reviews]. IEEE Transactions on Neural Networks, v. 20, n. 3, p. 542-542, 2009.

Dados Gerais

Código: PCC182

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 15

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução ao Processamento de Linguagem Natural; Classificação de texto; Vetores semânticos e Embeddings; Redes neurais e modelos de linguagem neural; Rotulagem sequencial para partes-do-discurso e entidades nomeadas; Processamento de sequências, Tradução de máquina e modelos de encoder-decoder. Transformers. Modelos de Linguagens Modernos.

Bibliografia

Básica:

JURAFSKY, D. & MARTIN, J. H. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. 2. ed. pERSON, 2014. Disponível em: https://web.stanford.edu/~jurafsky/slp3/

Caseli, H.M.; Nunes, M.G.V. (org.) Processamento de Linguagem Natural: Conceitos, Técnicas e Aplicações em Português. BPLN, 2023. Disponível em: https://brasileiraspln.com/livro-pln.

Zhang, A.,;Lipton, Z. C.,;Li, M.; Smola, A. J. Dive into deep learning. Unpublished Draft, 2019. Disponível em https://d2l.ai/

Bibliografia complementar:

CLARK, A.; FOX, C.; LAPPIN, S. The handbook of computational linguistics and natural language processing. Wiley-Blackwell, 2012.

INDURKHYA, N.; DAMERAU, F. J. Handbook of natural language processing. 2. Ed. Chapman and Hall/CRC, 2010.

MANNING, C D.; SCHÜTZE, H. Foundations of statistical natural language processing. The MIT press, 1999.

BIRD, S.; KLEIN, E.; LOPER, E. Natural language processing with Python: analyzing text with the natural language toolkit. O'Reilly Media, Inc, 2009.

Dados Gerais

Código: PCC183

Departamento: Computação

Unidade: Instituto de Ciências Exatas e Biológicas - ICEB

Carga Horária Teórica: 4

Carga Horária Prática: 0

Carga Horária Total: 4

Duração / Semana: 15

Nº de Créditos: 4

Carga Horária Semestral (em horas): 60

Carga Horária Semestral (em h.a.): 72

Ementa

Introdução ao aprendizado por reforço; processos de decisão de markov; modelagem de sistemas de aprendizado por reforço; algoritmos de aprendizado por reforço; aprendizado por reforço profundo; aprendizado por reforço automatizado; aplicações e estudos de casos.

Bibliografia

Bibliografia básica:

SUTTON, Richard S.; BARTO, Andrew G. Reinforcement learning: An introduction. Cambridge, MA: MIT Press, 2nd ed, 2018.

RUSSELL, Stuart J.; NORVIG, Peter. Inteligência Artificial – Uma Abordagem Moderna. 4. ed. Rio de Janeiro: LTC, 2022.

HUTTER, Frank; KOTTHOFF, Lars; VANSCHOREN, Joaquin. Automated machine learning: methods, systems, challenges. Springer Nature, 2019.

Bibliografia complementar:

BRAZDIL, Pavel et al. Metalearning: applications to automated machine learning and data mining. 2nd ed. Springer Nature, 2022.

MITCHELL, Tom M. Machine learning. New York: McGraw-Hill, 1997.
RIS-ALA, Rafael. Fundamentals of Reinforcement Learning. Springer, 2023.