Projetos em Ciência de Dados

Neste curso são aplicados os conhecimentos adquiridos ao longo das disciplinas em contextos variados. Dentre as aplicações destacamos:

  • Sistemas de recomendação:matriz usuário-ítem, medidas de distância, filtragem baseada em conteúdo, métodos de filtragem colaborativa baseados em memória, métodos de filtragem colaborativa baseadas em modelos, modelos híbridos, técnicas de avaliação.
  • Reconhecimento automático de fala (automatic speech recognition - ASR): Arquitetura básica de sistemas para ASR, modelos de mistura Gaussianos para modelagem de características de fala, modelos hierárquicos Marcovianos, redes neurais para ASR.
  • Visão computacional: formação e representação da imagem, detecção e casamento de características, segmentação, modelos para detecção e categorização de objetos, redes neurais convolutivas.

Outras aplicações: modelagem de sistemas de saúde, modelagem de churn, modelagem de risco em seguros, modelagem financeira.

Informações Básicas

Carga horária
60
Pré-requisito
Técnicas e Algoritmos em Ciência de Dados, Aprendizado Profundo

Obrigatória: 

  • Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. The elements of statistical learning. Springer New York, 2009.
  • Bishop, Christopher M. Pattern recognition and machine learning. springer, 2006.
  • Murphy, K. P. . Machine Learning, A Probabilistic Perspective. MIT Press, 2012

Complementar: 

  • Duda, R. O.,  Hart, P. E. and  Stork, D. G. Pattern Classification (2nd Edition). Wiley-Interscience, 2000.
  • Yu, Dong, and Li Deng. Automatic speech recognition: A deep learning approach. Springer, 2014.
  • Jannach, Dietmar, et al. Recommender systems: an introduction. Cambridge University Press, 2010.
  • Ekstrand, Michael D., John T. Riedl, and Joseph A. Konstan. "Collaborative filtering recommender systems." Foundations and Trends® in Human–Computer Interaction 4.2 (2011): 81-173. (http://www.nowpublishers.com/article/Details/HCI-009 )
  • Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016. (http://www.deeplearningbook.org/ )