-

PPGEE009 - RECONHECIMENTO DE PADRÕES - Turma: 01 (2026.1)

Tópicos Aulas
Não Haverá Aula (10/03/2026)
Não Haverá Aula (12/03/2026)
Aula 00: Apresentação da disciplina (17/03/2026 - 17/03/2026)
Aula 01: Variáveis Aleatórias Multidimensionais (19/03/2026 - 31/03/2026)
Não Haverá Aula (02/04/2026)

QUINTA-FEIRA SANTA

Aula 02: Introdução à Classificação de Padrões (07/04/2026 - 16/04/2026)
  1. Introdução
  2. Normalização dos Dados
  3. Coeficiente de Correlação
  4. Classificador Quadrático
  5. Estimação da Matriz de Covariância
  6. Distribuição Guassiana Multivariada
  7. Contornos da Gaussiana Bivariada
  8. Classificação Binária
Aula 03: Introdução à Clusterização de Dados (23/04/2026 - 30/04/2026)
  1. Definições Preliminares
  2. Algoritmo K-Médias
  3. Técnicas de Validação de Agrupamentos
  4. Análise Quantitativa dos Resultados
  5. Análise Qualitativa dos Resultados
  6. Exemplos Variados
Aula 04: Regressão Linear (05/05/2026 - 07/05/2026)
PRIMEIRA AVALIAÇÃO (12/05/2026 - 12/05/2026)
Aula 05: Classificador Não Linear (Rede ELM) (14/05/2026 - 21/05/2026)
Aula 06: Aplicações de Transformações Lineares - Sistema de Auxílio ao Diagnóstico Médico (26/05/2026 - 02/06/2026)
Aula 07: Aplicações de Transformações Lineares - PCA (09/06/2026 - 11/06/2026)
Aula 08: Métodos de Amostragem (16/06/2026 - 18/06/2026)
SEGUNDA AVALIAÇÃO (23/06/2026 - 23/06/2026)
Definição de temas dos seminários e desenvolvimento (25/06/2026 - 25/06/2026)

Definição de temas dos seminários e desenvolvimento.

SEMINÁRIOS (30/06/2026 - 02/07/2026)
PROVA FINAL (07/07/2026 - 07/07/2026)
Frequências da Turma
# Matrícula MAR Total
31
1 2026100**** 0 0
2 2026100**** 2 2
3 2025100**** 0 0
4 2026100**** 2 2
5 2026100**** 0 0
6 2026100**** 0 0
7 2025100**** 0 0
Notas da Turma

Nenhum item foi encontrado

Plano de Curso

Nesta página é possível visualizar o plano de curso definido pelo docente para esta turma.

Dados da Disciplina
Ementa: Introdução aos problemas de reconhecimento de padrões; Teoria Bayesiana de decisão com e sem rejeição; Testes de Neyman-Pearson e Minimax; Cálculo de probabilidade de erro; Introdução à teoria da estimação de parâmetros e aprendizado Baysiano com supervisão; Funções discriminantes lineares e algoritmos de treinamento; Classificação em múltiplas classes e função discriminante linear de Fisher; Métodos de extração e seleção de atributos; Agregação de dados; Técnicas não paramétricas; Uso de redes neurais em classificação de padrões.
Objetivos:
Metodologia de Ensino e Avaliação
Metodologia: Aulas expositivas em quadro branco, com recursos de softwares livres(Octave) para solução numérica de sistemas de equações lineares e não-lineares.

Apresentar ao aluno os principais conceitos da teoria de decisão estatística do ponto devista de reconhecimento de padrões de tal forma que o mesmo possa integrar este conhecimento nas diversas áreas de interesse da Engenharia Elétrica
Procedimentos de Avaliação da Aprendizagem: GOSTARIA DE ESCLARECER SOBRE O CÁLCULO DAS NOTAS:
1) NOTA DA ATIVIDADE 01 (NAT_01): SERÁ A MÉDIA ARITMÉTICA DAS NOTAS DAS TRÊS LISTA DE EXERCÍCIOS

2) NOTA DA ATIVIDADE 02 (NAT_02): SERÁ A MÉDIA PONDERADA DAS NOTAS DOS TRÊS TRABALHOS COMPUTACIONAIS

OBS: A MÉDIA PONDERADA DOS TRÊS TRABALHOS COMPUTACIONAIS DEVE SEGUIR A SEGUINTE FÓRMULA:
NAT_02=[1*(TC_01) + 2*(TC_02) + 3*(TC_03)]/6

3) NOTA DA ATIVIDADE 03 (NAT_03): SERÁ A NOTA INDIVIDUAL DA APRESENTAÇÃO DO ARTIGO NO SEMINÁRIO
PS: A NOTA FINAL DA DISCIPLINA É CALCULADA PELO SIGAA E CORRESPONDE A MÉDIA ARITMÉTICA DAS TRÊS NOTAS (NAT_01, NAT_02, NAT_03).
Horário de atendimento:
Bibliografia: Bibliografia Básica:
• WEBB, A. R.; COPSEY, K. D. Statistical Pattern Recognition. [S.l.]: JohnWiley Sons, 2011.
• BISHOP, C. M. Pattern recognition and machine learning. [S.l.]: Springer,2006.
• DUDA, R. O.; HART, P. E.; STORK, D. G. Pattern classification. [S.l.]: JohnWiley & Sons,2012.

Bibliografia Complementar:
• MARQUES, J. S.; Reconhecimento de Padrões - Métodos Estatísticos e Neuronais, Segunda Edição, IST Press, 2005.
• GONZALEZ, R. C.; WOOD, R. E. Digital image processing, 2nd Edtn. [S.l.]:Prentice-Hall,2008.
• STORK, D. G.; YOM-TOV, E.; WILLIAMS, M. R. Computer manual in MATLAB to accompany pattern classification. [S.l.]: John Wiley & Sons NewYork, 2004.
• NIXON, M. S.; AGUADO, A. S. Feature extraction & image processing for computer vision.[S.l.]: Academic Press, 2012.
• THEODORIDIS, S. et al. Introduction to pattern recognition: a matlab approach. [S.l.]:Academic Press, 2010.
• FAWCETT, T. An introduction to ROC analysis. [S.l.]: Elsevier, 2006. v. 27.861–874 p.
Cronograma de Aulas

Início

Fim

Descrição
10/03/2026
10/03/2026
Não Haverá Aula
12/03/2026
12/03/2026
Não Haverá Aula
17/03/2026
17/03/2026
Aula 00: Apresentação da disciplina
19/03/2026
31/03/2026
Aula 01: Variáveis Aleatórias Multidimensionais
02/04/2026
02/04/2026
Não Haverá Aula
07/04/2026
16/04/2026
Aula 02: Introdução à Classificação de Padrões
23/04/2026
30/04/2026
Aula 03: Introdução à Clusterização de Dados
05/05/2026
07/05/2026
Aula 04: Regressão Linear
12/05/2026
12/05/2026
PRIMEIRA AVALIAÇÃO
14/05/2026
21/05/2026
Aula 05: Classificador Não Linear (Rede ELM)
26/05/2026
02/06/2026
Aula 06: Aplicações de Transformações Lineares - Sistema de Auxílio ao Diagnóstico Médico
09/06/2026
11/06/2026
Aula 07: Aplicações de Transformações Lineares - PCA
16/06/2026
18/06/2026
Aula 08: Métodos de Amostragem
23/06/2026
23/06/2026
SEGUNDA AVALIAÇÃO
25/06/2026
25/06/2026
Definição de temas dos seminários e desenvolvimento
30/06/2026
02/07/2026
SEMINÁRIOS
07/07/2026
07/07/2026
PROVA FINAL
Avaliações
Data Descrição
12/05/2026 1ª Avaliação
23/06/2026 2ª Avaliação
30/06/2026 3ª Avaliação
: Referência consta na biblioteca
Referências Básicas
Tipo de material Descrição
Referências Complementares
Tipo de material Descrição
Notícias da Turma
: Visualizar

Título

Data
EVENTO DE BOAS-VINDAS E DE INTEGRAÇÃO 23/03/2026
CANCELAMENTO DA AULA 19/03/2026
BOAS VINDAS A TODOS 09/03/2026

SIGAA | Superintendência de Tecnologia da Informação - STI/UFPI - (86) 3215-1124 | sigjb06.ufpi.br.instancia1 vSIGAA_3.12.1590 05/04/2026 22:02