INE 5443

Programa

Links

Bibliografia

Plano de Ensino

O Reconhecimento de Padrões (RP) é uma disciplina anual, bastante extensa, e que se encontra em contínuo crescimento e que atualizamos todo ano. 

É uma tarefa bastante difícil escolher o que vamos oferecer em uma disciplina a nível de graduação e o que deixamos de fora. Nas duas páginas de referência deste site, Links e Bibliografia, você pode ter uma idéia da abrangência das áreas cobertas por esta disciplina e obter os endereços eletrônicos dos principais grupos de pesquisa do mundo na área.

Ao montar a disciplina, optamos por escolher alguns temas que constituem os fundamentos de RP e de elaborar estes temas de forma a abordá-los de maneira prática. Isto significa que nós vamos ver, nas cinco áreas selecionadas abaixo, os conjuntos de métodos e técnicas básicos de RP, mas vamos também, em cada um dos capítulos, ver formas práticas de aplicar as técnicas vistas em problemas práticos do mundo real, inclusive com base em conjuntos de dados de exemplo clássicos da literatura e outros provenientes de projetos de pesquisa nossos. 

A Disciplina também possui uma organização encadeada. Você necessita do primeiro capítulo para entender tanto o segundo, como o terceiro e o quarto. O quinto capítulo é relativamente independente.

1. Introdução

1.1. O que são padrões ? 
1.2. Como montamos um padrão ? 
1.3. Sinais X Padrões, Exemplos Sinais e Aplicações.
1.4. Quais as atividades que realizamos com padrões ?
1.5. Medidas de distância entre padrões: a distância de Hamming, Nearest Neighbour e outras.
1.6. Como trabalhamos com padrões usando medidas de distância simples.
1.7. Tesselação: Trangulação de Delaunay e o Diagrama de Voronoi
1.8. Exercícios
1.9. Links Úteis e Interesasantes sobre o Assunto.

2.1. Aplicando raciocínio simbólico a padrões: Inteligência Artificial aprendendo Dados

2.1.1. O que é aprendizado simbólico ?
2.1.2. Brevíssimo Histórico do Aprendizado em IA
2.1.3. Como ver o aprendizado em RP ?

2.2. Classificação dos Métodos de Aprendizado

2.2.1. Forma de apresentação dos padrões a serem aprendidos
2.2.2. Processo de aprendizado
2.2.3. Forma de avaliação do aprendizado
2.2.4. Requisitos para o Reconhecimento de Padrões

2.3. O Aprendizado de Máquina Baseado em Instâncias

2.4. IBL - Instance-Based Learning: Como Algoritmos Aprendem Simbolicamente

2.5. IBL2 e IBL3: Extensões do Modelo de AM

2.6. Discussão

2.7. Referências e links úteis

Parte I:
3.1. Filosofia Geral da Aplicação do Raciocínio Subsimbólico a Padrões: Redes Neurais Aprendendo Dados, Classificadores e Agrupadores
3.2. O Simulador SNNS - Stutgarter Neural Network Simulator
3.3. Classificadores: Usando Aprendizado Supervisionado para Reconhecer Padrões

Parte II:
3.4. Desenvolvimento de Aplicações: Usando Aprendizado Supervisionado

Parte III:
3.5. Agrupadores: Usando Aprendizado Não Supervisionado para Organizar Padrões
      3.5.1. O Modelo de Kohonen e Quantização de Vetores
      3.5.2. O Modelo ART: Teoria da Ressonância Adaptativa

Parte IV:
3.6. Explorando Dados Agrupados em Redes
 

4.1. Introdução
4.2. Representação de Casos
4.3. Recuperação de Casos e Similaridade
4.4. Laboratório #1 - CBR-Works
4.5. Reutilização e Adaptação de Casos
4.6. Laboratório #2 - CBR-Works
4.7. Aplicações (Opc.)
4.8. Bibliografia de RBC

5. Técnicas Estatísticas

5.1. Introdução às Técnicas Estatísticas Exploratórias: Estatística Multivariada
5.2. Análise de Discriminantes
        5.2.1. Exercício de Análise de Discriminantes
5.3. Análise de Agrupamentos
        5.3.1. Unificação ou Agrupamento em Árvore
        5.3.2. Agrupamento por k-Médias
       5.3.3. Exercício de Análise de Agrupamentos
5.4. Visão Geral das Demais Técnicas Multivariadas
5.5. Glossário de Termos Estatísticos
5.6. Links Úteis
5.7. Material para as Aulas

The Cyclops Project German-Brazilian Cooperation Programme on IT CNPq GMD DLR