INE 5443

Programa

Links

Bibliografia

Plano de Ensino

1. Identificação:  
   • Disciplina: INE5443 - Reconhecimento de Padrões
   • Turma(s): 07208
   • Carga horária: 72 horas-aula      Teóricas: 36      Práticas: 36
   • Período: 1º semestre de 2015
2. Curso(s):
   • Ciências da Computação (208)
3. Requisito(s):
   • INE5420 - Computação Gráfica
4. Ementa:
   • Considerações iniciais sobre padrões. Técnicas simbólicas. Técnicas sub simbólicas: redes neurais. Raciocínio baseado em caso - estendendo RP com um framework de inteligência artificial. Técnicas estatísticas. Geração de padrões: análise de sinais e imagens. Criação de aplicação de reconhecimento de padrões.
5. Objetivo(s):
   • Geral: Abordar aspectos teóricos gerais de padrões como formas de representação de conjuntos de dados e descrições de situações, tanto sob a forma de vetores de dados simbólicos como de sinais e imagens, suas formas de apresentação e representação, métodos e algoritmos para a sua geração, análise, classificação e aprendizado.
   Abordar aspectos teóricos gerais de padrões como formas de representação de conjuntos de dados e descrições de situações, tanto sob a forma de vetores de dados simbólicos como de sinais e imagens, suas formas de apresentação e representação, métodos e algoritmos para a sua geração, análise, classificação e aprendizado.
   • Específicos:
     1. Compreender a Teoria de padrões, sua representação e medidas de distância entre padrões
     2. Compreender e Implementar Técnicas simbólicas de manipulação de padrões e aprendizado de máquina,
     3. Compreender e Implementar Técnicas subsimbólicas e redes neurais para aprendizado e classificação de padrões
     4. Compreender e Implementar Técnicas estatísticas multivariadas e análise exploratória de dados
6. Conteúdo Programático:
   • 1. Introdução [4 horas-aula]
     • 1.1. O que são padrões ?
     • 1.2. Como montamos um padrão ?
     • 1.3. Sinais X Padrões, Exemplos Sinais e Aplicações.
     • 1.4. Quais as atividades que realizamos com padrões ?
     • 1.5. Medidas de distância entre padrões: a distância de Hamming, Nearest Neighbour e outras.
     • 1.6. Como trabalhamos com padrões usando medidas de distância simples.
     • 1.7. Tesselação: Trangulação de Delaunay e o Diagrama de Voronoi
   • 2. Técnicas Simbólicas [12 horas-aula]
     • 2.1. Aplicando raciocínio simbólico a padrões: Inteligência Artificial aprendendo Dados
       • 2.1.1. O que é aprendizado simbólico ?
       • 2.1.2. Brevíssimo Histórico do Aprendizado em IA
       • 2.1.3. Como ver o aprendizado em RP ?
     • 2.2. Classificação dos Métodos de Aprendizado
       • 2.2.1. Forma de apresentação dos padrões a serem aprendidos
       • 2.2.2. Processo de aprendizado
       • 2.2.3. Forma de avaliação do aprendizado
       • 2.2.4. Requisitos para o Reconhecimento de Padrões
     • 2.3. O Aprendizado de Máquina Baseado em Instâncias
     • 2.4. IBL - Instance-Based Learning: Como Algoritmos Aprendem Simbolicamente
     • 2.5. IBL2 e IBL3: Extensões do Modelo de AM
   • 3. Técnicas Subsimbólicas: Redes Neurais [12 horas-aula]
     • 3.1. Filosofia Geral da Aplicação do Raciocínio Subsimbólico a Padrões: Redes Neurais Aprendendo Dados, Classificadores e Agrupadores
     • 3.2. O Simulador SNNS - Stutgarter Neural Network Simulator
     • 3.3. Classificadores: Usando Aprendizado Supervisionado para Reconhecer Padrões
     • 3.4. Desenvolvimento de Aplicações: Usando Aprendizado Supervisionado
     • 3.5. Agrupadores: Usando Aprendizado Não Supervisionado para Organizar Padrões
       • 3.5.1. O Modelo de Kohonen e Quantização de Vetores
       • 3.5.2. O Modelo ART: Teoria da Ressonância Adaptativa
     • 3.6. Explorando Dados Agrupados em Redes
   • 4. Raciocínio Baseado em Casos - Estendendo RP com um Framework de IA (este capítulo poderá ter sua carga horária reduzida a critério do Professor caso seja necessário) [12 horas-aula]
     • 4.1. Introdução
     • 4.2. Representação de Casos
     • 4.3. Recuperação de Casos e Similaridade
     • 4.4. Laboratório #1 - CBR-Works/MyCBR
     • 4.5. Reutilização e Adaptação de Casos
     • 4.6. Laboratório #2 - CBR-Works/MyCBR
   • 5. Técnicas Estatísticas [12 horas-aula]
     • 5.1. Introdução às Técnicas Estatísticas Exploratórias: Estatística Multivariada
     • 5.2. Análise de Discriminantes
       • 5.2.1. Exercício de Análise de Discriminantes
     • 5.3. Análise de Agrupamentos
       • 5.3.1. Unificação ou Agrupamento em Árvore
       • 5.3.2. Agrupamento por k-Médias
       • 5.3.3. Exercício de Análise de Agrupamentos
     • 5.4. Visão Geral das Demais Técnicas Multivariadas
7. Metodologia:
   A disciplina terá um enfoque eminentemente prático. A metodologia de ensino será baseada no contraponto entre
   Aulas Teóricas e
   Aulas Práticas. Para tanto todo novo assunto será introduzido em uma
   Aula teórica que terá a duração de 2 horas-
   Aula, acompanhada ou não pelo Estagiário de Docência designado para a disciplina. Este conteúdo teórico será fixado através de uma
   Aula de caráter prático, com exercícios e resolução de dúvidas, com duração de 2 horas, sempre com auxílio de um Estagiário de Docência. Nesta
   Aula serão realizadas em laboratório atividades de modelagem e implementação com o objetivo de fixar o conteúdo, além da discussão em grupo de problemas de compreensão e implementação encontrados pela turma.
   
   A ferramenta de EAD Moodle disponível em moodle.ufsc.br será utilizada para guiar, organizar e também avaliar o ensino, sendo o repositório oficial de material de
   Aula. A disciplina no Moodle também detalhará o cronograma deste plano de ensino, servindo para documentar alterações de cronograma advindas de necessidades identificadas no semestre. O material disponibilizado via Moodle será complementado por um site estático da disciplina, disponível em http://www.inf.ufsc.br/~patrec e referenciado no Moodle, que conterá material auxiliar de caráter permanente e links com referências.

The Cyclops Group German-Brazilian Cooperation Programme on IT CNPq GMD DLR