2026/1

Este curso apresenta uma visão abrangente e técnica sobre o Reconhecimento de Padrões, cobrindo desde fundamentos estatísticos até arquiteturas modernas de Deep Learning. O objetivo é capacitar o aluno a projetar sistemas que identifiquem regularidades em dados complexos, focando na modelagem matemática e na implementação prática de algoritmos.

A ementa está estruturada de forma modular, iniciando pela análise exploratória via Aprendizado Não Supervisionado e técnicas avançadas de Redução de Dimensionalidade (lineares e não lineares). Em seguida, explora-se o Aprendizado Supervisionado sob as óticas paramétrica e não-paramétrica, culminando no estudo de Redes Neurais Convolucionais. Por fim, o curso aborda o rigor estatístico necessário para a validação de modelos, garantindo a capacidade de generalização e a análise crítica de desempenho.

Objetivos de Aprendizado

• Compreender o pipeline de processamento de sinais e extração de atributos.

• Aplicar técnicas de Clustering e Manifold Learning (t-SNE/UMAP) para visualização e compressão de dados.

• Desenvolver classificadores baseados em Teoria da Decisão de Bayes e Máquinas de Vetores de Suporte (SVM).

• Implementar e otimizar redes neurais profundas via Backpropagation.

• Dominar métricas de avaliação e protocolos de validação cruzada para evitar overfitting.

Público-alvo

Estudantes e profissionais de Ciência de Dados, Engenharia e Computação que buscam fundamentação teórica e prática em análise preditiva e inteligência computacional.

Requisitos Sugeridos

• Álgebra Linear e Cálculo Vetorial.

• Probabilidade e Estatística.

• Linguagem Python (ecossistema Scikit-learn, NumPy e PyTorch/TensorFlow).

Estrutura Modular: Reconhecimento de Padrões (Moodle) - Final

Tópico 0: Fundamentos e Pré-processamento

• Pipeline de Reconhecimento: Aquisição, extração de atributos e classificação.

• Espaço de Atributos: Vetores de características, normalização ($L_1$, $L_2$, Min-Max) e padronização ($Z$-score).

• Teoria da Decisão de Bayes: Probabilidades a priori, posteriori e verossimilhança.

Tópico 1: Aprendizado Não Supervisionado (Clustering)

• Agrupamento Particional: $k$-Means e variações ($k$-Medoids).

• Agrupamento Hierárquico: Abordagens aglomerativas e divisivas (Dendrogramas).

• Modelos de Mistura Gaussiana (GMM): Algoritmo de Expectativa-Maximização (EM).

Tópico 2: Extração e Seleção de Atributos (Redução de Dimensionalidade)

• Métodos Lineares Clássicos: PCA (Análise de Componentes Principais) e LDA (Análise Discriminante Linear).

• Manifold Learning (Redução Não Linear): * t-SNE: Preservação de vizinhança local e perplexidade.

  • UMAP: Otimização topológica e preservação de estrutura global.

• Seleção de Atributos: Métodos de Filtro, Wrapper e Embarcados (Regularização $L_1$).

• Maldição da Dimensionalidade: Densidade amostral e fenômeno de Bellman.

Tópico 3: Aprendizado Supervisionado (Modelos Paramétricos)

• Classificadores Gaussianos: Discriminante linear (LDA) e quadrático (QDA).

• Estimação de Parâmetros: Máxima Verossimilhança (MLE) e Inferência Bayesiana.

• Regressão Logística: Fronteiras de decisão e funções sigmoides.

Tópico 4: Aprendizado Supervisionado (Modelos Não-Paramétricos)

• Vizinhos Próximos: Algoritmo $k$-NN e métricas de distância (Minkowski, Mahalanobis).

• Árvores de Decisão: Critérios de partição (Gini, Entropia/Ganho de Informação).

• Máquinas de Vetores de Suporte (SVM): Hiperplanos ótimos, margens e funções de Kernel.

Tópico 5: Redes Neurais e Deep Learning

• Perceptron: Arquitetura e regra de aprendizagem de Rosenblatt.

• Multi-Layer Perceptron (MLP): Algoritmo Backpropagation e funções de ativação (ReLU, Tanh).

• Introdução a Redes Convolucionais (CNN): Extração de padrões espaciais e camadas de pooling.

Tópico 6: Avaliação e Validação de Modelos

• Métricas de Desempenho: Matriz de confusão, Acurácia, Precisão, Recall, F1-Score e Curva ROC/AUC.

• Protocolos de Validação: Hold-out, Validação Cruzada ($k$-fold) e Leave-one-out.

• Dilema Viés-Variância: Generalização vs. Sobreajuste (overfitting).