Assista a esse vídeo em: MP4 (1280 X 720 px) | MP4 (640 X 360 px)
Este vídeo introduz Random Forests à luz do que foi já apresentado no vídeos anteriores sobre árvore de decisão.
1.Introdução a problemas de reconhecimento de padrões; 2.Extração de características e redução de dimensionalidade. Análise de Componentes Principais; 3.Medidas de distância para classificação. 4.Técnicas para seleção de características. Aplicações e avaliação de desempenho. 5.Classificadores supervisionados: Redes Neurais Perceptron Multi-Camadas, Máquinas de Vetores Suporte, Árvores de Decisão, Métodos sintáticos. Aplicações e avaliação de desempenho. 6. Redes Bayesianas; 7. Classificação supervisionada multiclasse e multirrótulo; 8. Classificadores não supervisionados: Técnicas de agrupamento de dados. Aplicações e avaliação de desempenho.
O objetivo geral dessa disciplina é apresentar ao aluno os principais métodos utilizados para análises de dados, compreensão de fenômenos e tomada de decisão em problemas de reconhecimento de padrões. Mais especificamente, serão introduzidos fundamentos e algoritmos para modelagem e classificação de dados, seleção e extração de características, juntamente com os métodos apropriados para avaliação de desempenho dos modelos obtidos. As similaridades e diferenças entre os métodos apresentados e suas principais vantagens e desvantagens serão também abordadas e discutidas ao longo do curso.