index.html

---
layout: default
---

<div>
  Estas notas acompanham o curso livre on line Introdução à Aprendizagem de Máquina para a Engenharia da Computação.
  O curso é um complemento para a graduação em Engenharia da Computação da Universidade Severino Sombra, Vassouras, Rj.
  Mas é disponibilizado para todos, na esperança de que possa ser útil.
  Muitos resultados aqui apresentados são originados das atividades de pesquisa do GPRUSS - Grupo de Pesquisa Robótica 
	da Universidade Severino Sombra.
	<br>Este curso introduz a teoria da aprendizagem automática e desenvolve código Java para implementar vários algoritmos. 
	Desta forma, aqueles que dominam programação, podem testar e entender melhor cada um dos algoritmos através
  da prática. Os códigos apresentados em geral privilegiam a didática em detrimento de desempenho.
  Na verdade, para construir aplicações reais de aprendizagem de máquina existem bibliotecas especializadas disponíveis,
  que inclusive procuram rodar em gpus ao invés de cpus, elevando o desempenho para um patamar maior.
  <br>Grande parte das lições vão focar no processamento de imagens. Desta forma, ao final do curso, espera-se que os
  alunos possam desenvolver programas da área de carros auto dirigíveis, sendo um para ambiente virtual, e outro para um
  pequeno robô móvel.
  <br>Apesar disso, os algoritmos estudados e desenvolvidos no curso são básicos o suficiente para possibilitar desenvolver
  programas de aprendizagem de máquina em suas diversas áreas de aplicação, não somente aqueles que treinam em
  imagens. Bom estudo!
</div>

<div class="materials-item">
  <p><a href="Inicio/">Inicio: Introdução à Aprendizagem Automática</a>
	<br>Ao final desta lição o aluno deverá possuir entendimento básico do que é aprendizagem de máquina, alguma intuição de
  como funciona e em que áreas pode ser aplicada com bons resultados.
</div>

<div class="materials-item">
  <p><a href="clonarProjetoNetbeansIDE/">Clonar o projeto do curso no NetBeans IDE</a>
	<br>Tendo como base a versão NetBeans IDE 8.2, acredita-se que os códigos deste projeto devem rodar em versões anteriores
  e posteriores, demandando pouca ou nenhuma adaptação.
  <br>Ao estudar o código e em seguida testar, o aluno tem a possibilidade de aprofundar bastante seus conhecimentos.
  Clonar o projeto é portanto um recurso de qualidade para o acompanhamento das lições.
</div>

<div class="materials-item">
  <p><a href="operacoesMatrizes/">Operações com matrizes utilizando JAVA</a>
	<br> Uma revisão sobre operações com matrizes e vetores com exemplos de código Java.
	Operações com matrizes e vetores são extensamente utilizadas nos algoritmos de aprendizagem de máquina.
	São uma forma de acelerar e simplificar operações matemáticas na grande quantidade de dados que normalmente
	utiliza-se em aprendizagem de máquina.
</div>

<div class="materials-item">
  <p><a href="cifar10Como/">A base de dados CIFAR-10</a>
  <br>Uma base de dados de valor inestimável. São 60 mil imagens classificadas em 10 categorias diferentes.
  Ao utilizar uma base de dados que é utilizada também por outros pesquisadores, é possível comparar os resultados
  obtidos. Isso é muito importante para os que desejam criar código confiável, com desempenho aferível.
</div>

<div class="materials-item">
  <p><a href="vizinhoMaisProximo/">O algoritmo do vizinho mais próximo</a>
  <br>Um primeiro algoritmo, que não é suficientemente eficiente para usos práticos. Mas que com certeza
  oferece uma introdução de classes e métodos que estarão na raiz de qualquer algoritmo mais evoluído a ser estudado no
  futuro.
</div>

<div class="materials-item">
  <p><a href="kVizinhoMaisProximo/">O algoritmo do k vizinho mais próximo</a>
  <br>Uma tentativa de melhorar o desempenho do primeiro algoritmo, o do vizinho mais próximo. Continua não sendo suficientemente 
	eficiente para usos práticos. Mas que com certeza oferece um aprofundamento no código anterior, uma boa preparação para o futuro.
</div>

<div class="materials-item">
  <p><a href="classificacaoLinear/">Classificação Linear</a>
  <br>O NN e o KNN realizam uma classificação de alto custo, pois cada imagem a ser classificada precisa ser comparada com
	todas as imagens de treino. Vamos começar a desenvolver uma solução mais eficiente, que mesmo tendo um treino de alto custo
	computacional, aprende a classificar imagens com pouco esforço.
</div>