Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Aula8_Ensemble_RandomForest

Aulas 9-10: (slides André atualizados: DNN, CNN, RNN e LSTM ) MachineLearning4HEP_reduced_v27Sep.pdf

Aula_11_Dimensionality_Reduction

Aula_12_Dimensional_Reduction_pII_LLE_t-SNE

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Projeto

Projeto final do curso. Para ser apresentado até o dia 07/12/2019.

Tópicos escolhidos até o momento tabela

Possíveis fontes de dados:

• Scikit Learn datasets: https://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets

• Kaggle: https://www.kaggle.com/datasets

• Google Cloud Public Datasets: https://cloud.google.com/public-datasets/

• Dados abertos IBGE: https://acessoainformacao.ibge.gov.br/acesso-a-informacao/dados-abertos.html

• UCI Machine learning repository: https://archive.ics.uci.edu/ml/index.php

• Buscador de bases de dados: https://toolbox.google.com/datasetsearch

• Outras sugestões de dados para ML:
  • https://towardsdatascience.com/free-data-sets-for-machine-learning-73e74554cc21
  • https://towardsdatascience.com/top-sources-for-machine-learning-datasets-bb6d0dc3378b
  • https://www.ubuntupit.com/best-machine-learning-datasets-for-practicing-applied-ml
  • https://machinelearningmastery.com/standard-machine-learning-datasets

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Aula8_Ensemble_RandomForest

Aulas 9-10: (slides André atualizados: DNN, CNN, RNN e LSTM ) MachineLearning4HEP_reduced_v27Sep.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Projeto

Projeto final do curso. Para ser apresentado até o dia 07/12/2019.

• Scikit Learn datasets: https://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets

• Kaggle: https://www.kaggle.com/datasets

• Google Cloud Public Datasets: https://cloud.google.com/public-datasets/

• Dados abertos IBGE: https://acessoainformacao.ibge.gov.br/acesso-a-informacao/dados-abertos.html

• UCI Machine learning repository: https://archive.ics.uci.edu/ml/index.php

• Buscador de bases de dados: https://toolbox.google.com/datasetsearch

• Outras sugestões de dados para ML:
  • https://towardsdatascience.com/free-data-sets-for-machine-learning-73e74554cc21
  • https://towardsdatascience.com/top-sources-for-machine-learning-datasets-bb6d0dc3378b
  • https://www.ubuntupit.com/best-machine-learning-datasets-for-practicing-applied-ml
  • https://machinelearningmastery.com/standard-machine-learning-datasets

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Aula8_Ensemble_RandomForest

Aulas 9-10: (slides André atualizados: DNN, CNN, RNN e LSTM ) MachineLearning4HEP_reduced_v27Sep.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Projeto

Projeto final do curso. Para ser apresentado até o dia 07/12/2019.

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Aula8_Ensemble_RandomForest

Aulas 9-10: (slides André atualizados: DNN, CNN, RNN e LSTM ) MachineLearning4HEP_reduced_v27Sep.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Projeto

Projeto final do curso. Para ser apresentado até o dia 07/12/2019.

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Aula8_Ensemble_RandomForest

Aulas 9-10: (slides André atualizados: DNN, CNN, RNN e LSTM ) MachineLearning4HEP_reduced_v27Sep.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Projeto

Projeto final do curso. Para ser apresentado até o dia 07/12/2019.

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Aula8_Ensemble_RandomForest

Aulas 9-10: (slides André atualizados: DNN, CNN, RNN e LSTM ) MachineLearning4HEP_reduced_v27Sep.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Projeto

Projeto final do curso. Para ser apresentado até o dia 07/12/2019.

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Aula8_Ensemble_RandomForest

Aulas 9-10: (slides André atualizados: DNN, CNN, RNN e LSTM ) MachineLearning4HEP_reduced_v27Sep.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017. https://github.com/ageron/handson-ml e https://github.com/ageron/handson-ml2 (2a edição 2019)
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.
5. Python Data Science Handbook, Jake VanderPlas, 2016. https://jakevdp.github.io/PythonDataScienceHandbook/

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Aula6_Support_Vector_Machine_parte1

Aula6_Support_Vector_Machine_parte2

Aula7_Decision_Trees

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Statistical data analysis, Glen Cowan, 1998.
2. Statistical Methods In Experimental Physics, Frederick James, 2006.
3. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Aula5 : André MachineLearning4HEP_vAgo19_reduz.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Aula4_HipotesesEFits.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides by Luca Lista

CERN Academic Training Lecture Eilam Gross (Statistics) Video in CDS Slides in Indico

CERN Academic Training Lecture Michael Aaron Kagan (Machine Learning) Video in CDS Slides in Indico

Slides Américo sobre quantificação de incertezas http://www.americocunha.org/uq

Site do TensorFlow https://www.tensorflow.org/

-- Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Aula3_PointInterval.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

https://colab.research.google.com

Ementa

Parte I

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

Parte III

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

Outras Referências

Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Recursos:

https://nbviewer.jupyter.org (para exibir os jupyter notebooks se github não carregar)

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides André Sznajder

Slides by Luca Lista

Academic Training Lecture Eilam Gross Video in CDS Slides in Indico

slides Américo sobre incertezas http://www.americocunha.org/uq

-- Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Aula2_distribs.pdf

Repositório Github

https://github.com/clemencia/ML4PPGF_UERJ/

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides André Sznajder

Slides by Luca Lista

Academic Training Lecture Eilam Gross Video in CDS Slides in Indico

slides Américo sobre incertezas http://www.americocunha.org/uq

-- Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides André Sznajder

Slides by Luca Lista

Academic Training Lecture Eilam Gross Video in CDS Slides in Indico

slides Américo sobre incertezas http://www.americocunha.org/uq

-- Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Slides

Aula1_RevisaoProbeEstat.pdf

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides André Sznajder

Slides by Luca Lista

Academic Training Lecture Eilam Gross Video in CDS Slides in Indico

Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Slides

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017
2. Statistical data analysis, Glen Cowan, 1998.
3. Statistical Methods In Experimental Physics, Frederick James, 2006.
4. Métodos Estatísticos em Física Experimental, Vitor Oguri, 2017.

Outras Referências

Slides André Sznajder

Slides by Luca Lista

Academic Training Lecture Eilam Gross Video in CDS Slides in Indico

-- Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Ementa

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

Outras Referências

Slides André Sznajder

Slides by Luca Lista

Academic Training Lecture Eilam Gross Video in CDS Slides in Indico

-- Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->

Aprendizado de Máquina para física na pós

Ementa

Eletiva_ML_com_Python.docx.pdf

Parte I

- Introdução à estatística para análise de dados:

• Conceitos básicos de estatística e probabilidades.

• Estimativas de parâmetros e intervalos de confiança.

• Testes de hipóteses: likelihood ratio, 𝜒2 , goodness-of-fit e p-value.

Parte II

- Introdução à aprendizado de máquinas e aplicações com Python

• O qué é aprendizado de máquina (ML) e por quê usar? Sistemas de aprendizado de máquina: supervisado/não supervisado.

• Desafios no aprendizado de máquina: qualidade dos dados, overfitting, underfitting

• Testes e validação de modelos

• Classificadores, SVM, Decision trees, Random forests, Dimensional reduction

• Projetos e exercícios de ML usando Scikit Learn

Parte III

- Redes neurais em Python usando Keras e TensorFlow

• O quê são redes neurais (NN)?

• Tipos de redes neurais : feed forward ou recurrent

• Paradigmas de aprendizado: supervisionado, não supervisionado ou reforçado

• Técnicas de aprendizado: Gradient Descent, Backpropagation, Regularização.

• Arquiteturas de redes neurais profundas (DNN) : CNN,RNN, LSTM, Autoencoders, etc.

Bibliografia

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent System, Aurélien Géron, 2017

2. Statistical data analysis, Glen Cowan, 1998.

3. Statistical Methods In Experimental Physics, Frederick James, 2006.

Outras Referências

Slides André Sznajder

Slides by Luca Lista

Academic Training Lecture Eilam Gross Video in CDS Slides in Indico

-- Clemencia Mora - 2019-08-12

Comments

<--/commentPlugin-->