PO135 - Otimização Avançada para Ciências de Dados - 1S/2026 Imprimir

Ementa:

Visão geral do papel da otimização nas problemáticas da ciência de dados: Regressão, Classificação, Fatoração de matrizes, Representações esparsas e agrupamento de dados. Programação linear e suas aplicações para análise de dados. Otimização não linear: Métodos baseados na descida mais íngreme, Gradiente e Sub-gradiente, Otimização de funções não suaves e Gradiente estocástico. Fundamentos da otimização convexa. Exemplos de aplicações dos métodos estudados nos problemas da área. Treinamento de redes profundas, regressão esparsa, e fatoração de matrizes não negativas.

Bibliografia:

Boyd, S.; Vandenberghe, L. Convex optimization. 1. ed. Cambridge: Cambridge University Press, 2004.

Nocedal, J.; Wright, S. J. Numerical optimization. 2. ed. New York: Springer, 2006.

Hastie, T.; Tibshirani, R.; Friedman, J. The elements of statistical learning: data mining, inference, and prediction. 2. ed. New York: Springer, 2009.

Goodfellow, I.; Bengio, Y.; Courville, A. Deep learning. 1. ed. Cambridge: MIT Press, 2016.

Bertsekas, D. P. Nonlinear programming. 3. ed. Belmont: Athena Scientific, 2016.

Ruder, S. An overview of gradient descent optimization algorithms. 1. ed. arXiv preprint arXiv:1609.04747, 2016.

Ano de Catálogo: 2026

Créditos: 4