O arquivo notas.pdf contem as notas finais.
As notas do exercicio 8 foram basicamente, 85 para quem so usou uma tecnica para detectar os outliers e fez um relatorio demasiado simples, 90 para quem usou uma ou duas tecnicas, 95 para quem usou tres tecnicas e 100 para quem fez um trabalho mais elaborado de exploracao. Infelizmente, como eu suspeitava, os outliers eram muito obvios e voces podem ter ficado com a impressao que usar algo pre-implementado como o One-Class SVM, isolation forest, etc é suficiente - raramente isso acontece e raramente eles concordam tao bem nos resultados.
Quanto aos exercicios 4,5 e 7 eu deixei apenas as avaliacoes dos colegas. Nos outros 3 execicios eu nao descobri nenhum problema que os colegas nao tenham descobertos nas suas avaliacoes e portanto acho que voce recebera m bom feedback apenas analisando as avalicacoes dos colegas. Mas se voce nao tem certeza que algo que foce fez em algum dos exercicios, me avise por email e eu farei uma avaliacao (sem reflexo na nota) na semana do 26.
2a das 8:00h as 10:00h Sala CB7
4a das 8:00h as 10:00h Sala CB7
Este curso vai cobrir em largura vários algoritmos de aprendizado de maquina (ou mineração de dados).
Em particular os tópicos a serem cobertos são:
O curso será centralmente baseado no livro texto Inteligência Artificial: uma abordagem de aprendizado de maquina de Faceli, Lorena, Gama & Carvalho. Mas muito do material a ser coberto não esta no livro, e estará disponível nesta pagina.
O curso também se baseará no livro Hands-On Machine Learning with Scikit-Learn and TensorFlow de Aurélien Géron. O autor colocou um draft do livro na Internet. Alguma copia do draft deve estar disponível em algum lugar da Internet.
A nota final será a média das 7 maiores notas de 8 trabalhos individuais. Os critérios de avaliação são os mesmos tanto para alunos de MC886 quanto para alunos de MO444.
Os trabalhos devem ser submetidos via Moodle. Além de submeter o seu trabalho, cada aluno terá que avaliar outros 5 trabalhos. Cada trabalho recebera 5 (ou mais veja abaixo) avaliações dos colegas, e cada aluno fará 5 avaliações daquele trabalho. A média das avaliações recebidas corresponde a 70% do valor do trabalho, o restante 30% é a qualidade das avaliações feitas aos outros trabalhos.
1/8 dos trabalhos submetidos (selecionados aleatoriamente) serão também avaliados pelo professor. A avaliação do professor tem peso 3 (em relação as outras avaliações). Para esses trabalhos avaliados, o professor também avaliará as avaliações dos colegas - e se o professor considerar que a avaliação não pegou um erro que o avaliador deveria ter descoberto, o avaliador perderá metade dos pontos na sua nota de avaliação (que corresponde a 30% da nota do projeto).
Os trabalhos serão feitos em Python, usando o pacote scikit-learn e talvez pacotes graficos.
Não haverá exercícios substitutivos. A não entrega de um dos exercícios incorrerá na nota zero para aquele exercício.
Não haverá provas ou exame para essa disciplina.
Para alunos da disciplina MO444, notas entre 10 e 9 (inclusive) receberão conceito A, entre 8 e 9 (exclusive) receberão B, entre 7 e 8 (exclusive),C, e entre 0 e 7 (exclusive) D.
Python:
Aula 3 - gradient descent
Modelos lineares
Testes estatisticos para classificadores e regressores
Aulas de nao-supervisionado.