Professores: Milton Roberto Heinen
Pré-Requisitos: Não
Horas: 30
Créditos: 2
Semestre: 2º

Ementa:
Fundamentos da Teoria da Estatística e Probabilidade; Descorrelação Linear e Extração das Componentes Principais; Classificação pela Regra de Bayes; A Distribuição Gaussiana unidimensional Parâmetros, Estimador de e multidimensional; Verossimilhança Funções Discriminativas;Estimativa Máxima; Máquina Linear; de Aprendizagem Supervisionada; Otimização pela Descida de Gradiente; Classificação Não-Paramétrica, Vizinho-Mais-Próximo; Redução de Dimensionalidade por Seleção de Características e Extração de Características; Estimativa de Erros; Visualização de Dados de Alta Dimensão; Aprendizagem Não-Supervisionada.

Bibliografia:

• GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. Prentice Hall, 3 edition,  2008. 978-0-13-168728-8.
• AGUADO, A.; NIXON, M. Feature Extraction & Image Processing. Elsevier, 2edition,  2008. 978-0-12-372538-7.
• BISHOP, C. M. Pattern Recognition and Machine Learning, series. Information Science  and Statistics, Springer, 2007. ISBN: 978-0387310732S.
• THEODORIDIS, K. K. Pattern Recognition, Academic Press, 4a. edição, 2008. ISBN: 1597492728.
• FUKUNAGA, K. Introduction to Statistical Pattern Recognition (Second Edition),  Academic Press, New York, 1990.
• BISHOP, C. M. Neural Networks for Pattern Recognition, Clarendon Press, Oxford,  1995.
• DUDA, R. O.; HARD, P. E.; STORK, D. G. Pattern Recognition and Scene Analysis 2.ed., Wiley, New York, NY, 2001.
• RIPLEY, B. Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge, 1996.
• SCHÜRMANN, J. Pattern Classification: V.N. Vapnik, The Nature of Statistical Learning Theory, Springer,1996.