|
Palestrante: Fábio Ramos (Departamento de Matemática Aplicada – IM/UFRJ)
Data: 04/01 - 28/02, Terças e Quintas, 10-12:00
Formulário de Inscrição
Local: ABC-116 - CT
Pré-requisitos: Probabilidade básica
Nível do curso: Mestrado e fim de graduação
Resumo: O curso oferece uma introdução abrangente ao campo de machine learning com foco em análise de séries temporais. Durante sete semanas, os participantes explorarão desde os fundamentos de machine learning e conceitos básicos de séries temporais até técnicas avançadas de deep learning aplicadas a dados temporais. O curso abrange uma variedade de tópicos, incluindo pré-processamento e visualização de dados, fundamentos e arquiteturas avançadas de redes neurais, modelos autoregressivos e de média móvel, além de introduzir conceitos de inferência Bayesiana e processos Gaussianos. Métodos de multifidelidade em modelagem e redes neurais recorrentes, como LSTMs, também são discutidos. Cada semana é enriquecida com estudos de caso práticos, abrangendo aplicações em diferentes campos, como previsão de dados de correntes oceânicas, dados de engenharia de transportes e classificação de ondas costeiras. Este curso é ideal para aqueles que buscam compreender e aplicar técnicas de machine learning em análises de séries temporais.
Referências:
- Python for Time Series Data Analysis - Wes McKinney.
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow - Aurélien Géron.
- Practical Time Series Analysis: Prediction with Statistics and Machine Learning – Aileen Nielsen.
- Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation - Tarek A. Atwan.
- Gaussian Processes for Machine Learning - Carl Edward Rasmussen e Christopher K. I. Williams.
- Deep Learning - Ian Goodfellow, Yoshua Bengio e Aaron Courville.
- Pattern Recognition and Machine Learning - Christopher M. Bishop.
Estrutura do Curso:
Semana 1: Introdução ao Machine Learning e Time Series Analysis
Aula 1: Introdução ao Machine Learning e análise de séries temporais | Visão geral do curso | Conceitos básicos de séries temporais | Aplicações de séries temporais em diferentes campos
Aula 2: Pré-processamento e visualização de séries temporais | Limpeza de dados | Técnicas de normalização e transformação | Visualização de tendências, sazonalidade e ruído | Estudo de caso: Visualização de dados de correntes oceânicas
Semana 2: Fundamentos de Redes Neurais
Aula 3: Introdução às Redes Neurais | Neurônios artificiais e arquitetura de redes neurais | Processo de aprendizado e backpropagation
Aula 4: Redes Neurais Profundas | Arquiteturas profundas e funções de ativação | Overfitting e técnicas de regularização | Estudo de caso: Previsão de dados de energia solar com redes neurais
Semana 3: Modelos Clássicos de Time Series
Aula 5: Autoregressive Models (AR) | Conceitos de autocorrelação e partial autocorrelation
Aula 6: Moving Average Models (MA) e ARIMA | Diferenciação para alcançar estacionariedade | Construção de modelos ARIMA | Estudo de caso: Previsão de dados de tráfego com ARIMA
Semana 4: Modelos Bayesianos para Time Series
Aula 7: Introdução aos Modelos Bayesianos e Gaussian Processes (GPs) | Conceitos básicos de inferência Bayesiana | Como os GPs são aplicados a séries temporais
Aula 8: Construção e treinamento de GPs | Seleção de kernel e otimização de hiperparâmetros | Estudo de caso: Previsão de dados de correntes oceânicas com GPs
Semana 5: Multifidelity Modeling com Gaussian Processes
Aula 9: Conceitos de multifidelidade em modelagem | Combinação de dados de alta e baixa fidelidade
Aula 10: Aplicação de multifidelity GPs em séries temporais | Estudos de caso e exemplos práticos | Estudo de caso: Imputação de dados de tráfego usando multifidelity GPs
Semana 6: Introdução às Redes Neurais Recorrentes
Aula 11: Fundamentos das Redes Neurais Recorrentes (RNNs) | Arquiteturas de RNNs e o problema do desvanecimento do gradiente
Aula 12: Long Short-Term Memory Networks (LSTMs) | Arquitetura LSTM e sua aplicação em séries temporais | Estudo de caso: Previsão de dados de tráfego com LSTMs
Semana 7: Técnicas Avançadas de Deep Learning para Time Series
Aula 13: Otimização e Regularização de LSTMs | Técnicas para evitar overfitting e melhorar a performance
Aula 14: Introdução a Redes Neurais Convolucionais para séries temporais | Uso de CNNs em dados temporais | Estudo de caso: Classificação de ondas costeiras com CNNs
Semana 8: Clusterização e Comparação de Time Series
Aula 15: Técnicas de clusterização para séries temporais | k-means, DBSCAN e outros algoritmos adaptados para séries temporais | Estudo de caso: Clusterização para imputação de dados de tráfego
Aula 16: Dynamic Time Warping (DTW) | Conceitos e aplicação do DTW para comparação de séries temporais | Estudo de caso: Comparação de padrões de correntes oceânicas e ondas costeiras com DTW |
