- Terças-feiras, 13h30 às 17h (Sala D-305)
As aulas serão ministradas, em sua grande maioria, presencialmente. Aulas teóricas expositivas serão realizadas em sala de aula, enquanto aulas práticas serão realizadas nos laboratórios da universidade, podendo serem síncronas ou assíncronas. Todos os slides e vídeos utilizados serão disponibilizados assim que estiverem prontos.
Abaixo segue o planejamento das aulas.
- 03/03 - Aula 01: Introdução a disciplina EAB067
- 10/03 - Aula 02: Pipelines de aprendizado de máquina; Tipos de aprendizado
- 17/03 - Aula 03: Tratamento de dados (limpeza, imputação, balanceamento); Laboratório de tratamento de dados
- 24/03 - Aula 04: Modelos de aprendizado não-supervisionado (Clusterização e associação)
- 07/04 - Aula 05: Modelos de aprendizado não-supervisionado (Redução de dimensionalidade); Prática de algoritmos de aprendizado de máquina não-supervisionado; Entrega da primeira parte do artigo
- 14/04 - Aula 06: Modelos de aprendizado supervisionado para classificação e regressão; Discussão da primeira parte do artigo
- 28/04 - Aula 07: Treinamento de modelos de aprendizado supervisionado
- 05/05 - Aula 08: Laboratório - Aprendizado de máquina supervisionado
- 12/05 - Aula 09: Aprendizado de máquina por reforço
- 19/05 - Aula 10: Laboratório - Aprendizado de máquina por reforço; Entrega da segunda parte do artigo
- 26/05 - Aula 11: Otimização de modelos: Seleção de variáveis e otimização de hiperparâmetros
- 02/06 - Aula 12: Laboratório - Seleção de variáveis e otimização de modelos
- 09/06 - Aula 13: Apresentação dos seminários
- 16/06 - Aula 14: Apresentação dos artigos
- 23/06 - Aula 15: Data extra
As datas e conteúdos descritos acima estão sujeito a eventuais mudanças
A avaliação de aprendizagem será realizada através de um conjunto de atividades práticas a serem desenvolvidas e entregues nas práticas de laboratório. Além disso, também será realizado um trabalho final onde deverá ser entregue e corrigido um artigo científico sobre o estudo ou a aplicação de um modelo de aprendizado de máquina. Por fim, também será
As avaliações somarão um total de 100 pontos. Um aluno é considerado aprovado caso obtenha 60 pontos ou mais ao fim do curso.
| Artigo parte 1 | Artigo parte 2 | Artigo parte 3 | Seminário | Participação em sala |
|---|---|---|---|---|
| 10 pontos | 20 pontos | 40 pontos | 20 pontos | 10 pontos |
A frequência do aluno será aferida pela sua presença nas aulas teóricas e práticas.
Cada aluno deverá obter uma frequência mínima em 75% das aulas realizadas para ser considerado aprovado.
Também vale a pena ressaltar que a presença em sala será utilizada para cômputo da média final do aluno. Sua presença escalará de forma linear na atividade Participação em sala, sendo que 75% de presença será equivalente a uma nota 0 nesta atividade e 100% de presença terá como total uma nota 10.
Este repositório no GitHub também servirá como fórum de dúvidas da disciplina. As dúvidas deverão ser postadas na aba Discussões nesta página. Desta forma, todos os envolvidos na disciplina (o professor e os outros alunos) poderão ver suas dúvidas e respondelas o mais rápido possível.
Se você utilizar o material desta disciplina de qualquer maneira, por favor, cite o material fonte:
Iago A. Carvalho (2026), EAB067. Online: https://github.com/iagoac/eab067 Version 1.00; GNU General Public License v3.0.
@Misc{CarvalhoEAB067,
title={EAB067 - Aprendizado de máquina}, author={Iago A. Carvalho}, howPublished={\url{https://github.com/iagoac/eab067}},
year={2026},
note={Version 1.00; GNU General Public License v3.0}
}
Iago A. Carvalho
http://iagoac.github.io/