Informações

Ementa

Abordagens de problemas de ciências dos dados usando algumas metodologias modernas.

Programa:

Os tópicos tratados incluiram: regressão, classificação, árvores de classificação e floresta, máquina de vetor de suporte, redes neurais, redução de dimensionalidade, aproximação de algoritmos, matrices aleatórias, analise de componente principais, métodos de gradiente, regularização, dualidade para optimização convexa e outros.

Listas

Bibliografia

Principal

• T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction , 2009 (livro-texto);
• James, G., Witten, D., Hastie, T. e Tibshirani, An Introduction to Statistical Learning, 2013;
• Bishop, Pattern Recognition and Machine Learning, 2006;
• A. Bandeira, Ten Lectures and Forty-Two Open Problems in the Mathematics of Data Science;

Complementar

• F. E. Curtis and K. Scheinberg. Optimization Methods for Supervised Machine Learning: From Linear Models to Deep Learning. In INFORMS Tutorials in Operations Research, chapter 5, page 89–114. Institute for Operations Research and the Management Sciences (INFORMS), 2017;
• L. Bottou, F. E. Curtis, and J. Nocedal. Optimization Methods for Large-Scale Machine Learning. SIAM Review, 60(2):223–311, 2018.