Trilha — Aprendizagem de Máquina

Trilha de disciplina — a ordem de leitura do livro para um curso específico.

A numeração (II.2) é parte e posição no sumário, não a ordem desta trilha. Um mesmo capítulo serve a mais de uma disciplina, e capítulos de partes distantes podem ser vizinhos aqui — é isso que permite ao livro cobrir três disciplinas sem se repetir. Ver ADR 0011.

Disciplina: Aprendizagem de Máquina · Curso: Engenharia de Software · Professor: Gilsiley Henrique Darú

Esta trilha assume que o estudante já cursou Análise Preditiva e conhece o supervisionado clássico. Por isso ela vai direto para as redes e trata os modelos clássicos como revisão rápida.

A ementa tem seis unidades; a trilha as segue, redistribuindo a carga para o que a disciplina de fato aprofunda.

Unidade 01 — Introdução à Aprendizagem de Máquina (4h)

# Capítulo Por que aqui
1 0.1 — Introdução Quando ML é a resposta, e — mais importante — quando não é
2 0.2 — Fundamentos Generalização, viés e variância: o problema que nunca sai de cena

Unidade 02 — Machine Learning e Deep Learning (8h)

Modelos baseados em símbolo, conexionistas, evolutivos, estatísticos e híbridos.

# Capítulo Por que aqui
3 IV.3 — IA Simbólica, Fuzzy e Evolutiva Os paradigmas que não aprendem de dados — e onde ainda ganham
4 III.1 — O Neurônio Artificial O conexionismo começa aqui: McCulloch–Pitts, perceptron, e o XOR no laboratório interativo

A aula do capítulo III.1 tem um objeto manipulável: o estudante põe os pesos à mão e vê a reta se mover. O XOR é descoberto, não contado.

Unidade 03 — Aprendizado Supervisionado (20h)

Modelos preditivos. Classificação. Regressão. Algoritmos clássicos e redes neurais.

# Capítulo Peso na disciplina
5 II.1 — Avaliação revisão rápida — já visto em Análise Preditiva
6 II.2 — Modelos Lineares e II.3 — Regressão Logística revisão rápida — o 28 é pré-requisito real do capítulo III.2: um neurônio com sigmoide é uma regressão logística
7 II.5 — Árvores e Ensembles revisão rápida (retomado na Unidade 06)
8 II.4 — Otimização e Regularização aprofundar — é a base do treino de redes
9 III.2 — Redes Multicamadas núcleo — a camada escondida e o backpropagation
10 III.3 — Treinar Redes Profundas núcleo — o que faz uma rede de 20 camadas convergir

Unidade 04 — Aprendizado Não Supervisionado (16h)

Modelos descritivos. Clusterização. Associação. Sumarização. Algoritmos clássicos e redes neurais.

# Capítulo
11 IV.1 — Aprendizado Não Supervisionado
12 I.6 — Representação — redução de dimensionalidade e embeddings

Unidade 05 — Aprendizado por Reforço (16h)

MDPs. Q-learning. Deep Q-networks.

# Capítulo
13 IV.2 — Aprendizado por Reforço

Unidade 06 — Ensembles e Modelos Generativos (16h)

ML com ensembles. Modelos generativos com LLMs.

# Capítulo Por que aqui
14 II.5 — Árvores e Ensembles agora aprofundado: bagging × boosting e o que cada um ataca
15 III.4 — Visão Computacional convolução e transferência de aprendizado
16 III.5 — Sequências e Linguagem de RNN ao Transformer: como se chega aos LLMs
17 III.6 — Modelos de Fundação e Generativos LLMs, embeddings, fine-tuning e RAG

Leitura de apoio (opcional)

Prática

A construção ml-zero atende esta trilha nas etapas 05–06 (o otimizador que treina redes), 07 (ensembles) e, quando prontas, 09 (rede em NumPy), 10 (convolução) e 11 (atenção).