NOTAS FINAIS (para os que não optaram pela linha de projeto) Inclui os conceitos para os alunos de pos. O Corte para A foi 90+-2.
Notas das tarefas
O objetivo era que eu ia corrigir 2 tarefas aleatórias para cada aluno, mas eu fiz algo errado no meu gerador aleatório e cada vez que eu abria a planilha, um novo par de números a serem corrigidos era gerado de novo para cada aluno. Assim a escolha das tarefas foi ALEATÓRIA, mas não é verdade que cada aluno teve 2 tarefas corrigidas.
A nota de cada tarefa é 80% a avaliação dos pares e minha e 20% por ter feito o peer grading. Se eu avaliei a tarefa minha nota entra com peso 2 (a avaliação dos colegas entra com peso 1). Isso não vale para o exercício 7, onde se eu corrigi, minha nota vale como a nota final da avaliação.
Se minha avaliação da sua submissao não é 20, então eu escrevi meus comentários (sucintos) no Moodle.
A nota de peer grading é 20, a não ser que eu tenha corrigido uma tarefa que voce fez peer grading e minha avaliação daquela tarefa é muito diferente da sua (de forma geral ha algum erro na tarefa avaliada e eu acho que voce deviria ter sido capaz de nota-la). Neste caso voce perde 4 pontos no peer grading.
Na tarefa 5, as notas mostram o MAE que vc conseguiu e o grupo (1 menor MAE e 10 maior MAE).
2a das 8:00h as 10:00h Sala CB09
4a das 8:00h as 10:00h Sala CB08
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.
A disciplina será avaliada de 2 formas, a escolha do aluno.
esses exercícios devem ser feitos usando ou R (e vários pacotes para AM) ou Python (com o pacote sklearn)
Os alunos deverão fazer a opção a forma de avaliação até a primeira semana de outubro.
Não haverá exercicios substitutivos. A não entrega de um dos exercicios incorrerá na nota zero para aquele exercicio.
Não haverá provas ou exame para essa disciplina.
R:
Python:
Aula 3 2a parte de otimizacao continua
Transparencias para a Aula 5: PCA
Transparencias para a aula de kmeans parte 1 e transparencias para a parte 2
Transparencias para a aula de clusterizacao por densidade e hierarquica
Transparencias para a aula de clusterizacao em grafos
Transparencias para a aula de anomalias
Transparencias para a aula de itemset