Edital 127/2010 - CPCP - CT
(→Sub-área: Computação Pervasiva) |
(→Sub-área: Reconhecimento de Padrões e Recuperação de Informações) |
||
| Linha 44: | Linha 44: | ||
== Sub-área: Reconhecimento de Padrões e Recuperação de Informações == | == Sub-área: Reconhecimento de Padrões e Recuperação de Informações == | ||
| − | 1. Reconhecimento de padrões: características, vetores de características e | + | 1. Reconhecimento de padrões: características, vetores de características e classificadores. Reconhecimento supervisionado versus não-supervisionado. |
| − | classificadores. Reconhecimento supervisionado versus não-supervisionado. | + | |
2. Classificadores baseados na teoria de decisão de Bayes e reconhecimento | 2. Classificadores baseados na teoria de decisão de Bayes e reconhecimento | ||
estatístico de padrões; | estatístico de padrões; | ||
| + | |||
3. Classificadores lineares: princípios, classificadores (LSM, SVM, etc) e | 3. Classificadores lineares: princípios, classificadores (LSM, SVM, etc) e | ||
aplicações. | aplicações. | ||
| + | |||
4. Classificadores não-lineares: princípios, classificadores (redes neurais, | 4. Classificadores não-lineares: princípios, classificadores (redes neurais, | ||
árvores de decisão, etc) e aplicações. | árvores de decisão, etc) e aplicações. | ||
| + | |||
5. Seleção de características: detecção de outliers, seleção baseada em | 5. Seleção de características: detecção de outliers, seleção baseada em | ||
hipóteses estatísticas, medidas de separabilidade de classes, geração ótima | hipóteses estatísticas, medidas de separabilidade de classes, geração ótima | ||
de características. | de características. | ||
| + | |||
6. Agrupamento (Clustering): conceitos básicos, algoritmos seqüenciais, | 6. Agrupamento (Clustering): conceitos básicos, algoritmos seqüenciais, | ||
algoritmos hierárquicos e esquemas baseados em funções de otimização. | algoritmos hierárquicos e esquemas baseados em funções de otimização. | ||
| + | |||
7. Aprendizagem de máquina independente de algoritmos: aspectos gerais, | 7. Aprendizagem de máquina independente de algoritmos: aspectos gerais, | ||
bias/variância, re-amostragem, estimação e comparação de classificadores, | bias/variância, re-amostragem, estimação e comparação de classificadores, | ||
combinação de classificadores. | combinação de classificadores. | ||
| + | |||
8. Sistemas para recuperação de informações; modelos booleano, vetorial e | 8. Sistemas para recuperação de informações; modelos booleano, vetorial e | ||
probabilista. | probabilista. | ||
| + | |||
9. Propriedades de coleções de documentos textuais; pré-processamento; | 9. Propriedades de coleções de documentos textuais; pré-processamento; | ||
documentos não-estruturados e semi-estruturados. | documentos não-estruturados e semi-estruturados. | ||
| + | |||
10. Recuperação de informações e aprendizagem de máquina; funcionamento de | 10. Recuperação de informações e aprendizagem de máquina; funcionamento de | ||
máquinas de busca. Web e p2p querying. | máquinas de busca. Web e p2p querying. | ||
Edição de 12h14min de 19 de outubro de 2010
O DAINF está com três vagas abertas para
Tabela de conteúdo |
Informações
- Informações oficiais e inscrições: http://www.utfpr.edu.br/concursos/campi/ct/cpcp/1272010
Sub-área: Computação Pervasiva
1 - Computação pervasiva 2 - Computação cooperativa 3 - Computação móvel em Computação Pervasiva 4 - Redes ad hoc e de sensores 5 - Computação em nuvem 6 - Ambientes inteligentes para Computação Pervasiva 7 - Segurança em Computação Pervasiva 8 - Protocolos de Comunicação e Redes sem fio usados em Computação Pervasiva 9 - Sistemas embarcados para Computação Pervasiva 10 - Middleware para Computação Pervasiva
Bibliografia Sugerida
A relação a seguir contempla os livros considerados elementares, o que não impede que outros sejam utilizados para a elaboração de questões.
"Pervasive Computing: The Mobile World (Springer Professional Computing)", Uwe Hansmann, Lothar Merk, Martin S. Nicklous, and Thomas Stober ( Aug 5, 2003)
"Fundamentals of Mobile and Pervasive Computing", Frank Adelstein, Sandeep KS Gupta, Golden Richard III, and Loren Schwiebert (Nov 30, 2004) "Advances in Wireless Ad Hoc and Sensor Networks", (Signals and Communication Technology), Maggie Xiaoyan Cheng and Deying Li (Nov 2, 2010)
"Ad Hoc Wireless Networks: Architectures and Protocols", C. Siva Ram Murthy and B.S. Manoj (Jun 3, 2004)
"Computer Networking: A Top-Down Approach (5th Edition)", James F. Kurose and Keith W. Ross (Mar 31, 2009)
M. Weiser, "The computer for the 21 st century", ACM SIGMOBILE Móbile Computing and Communications Review, Volume 3 , Issue 3, 1999.
M. Satyanarayanan, "Pervasive Computing: Vision and Challenges", IEEE Personal Communications, vol.8, 2001.
Sub-área: Reconhecimento de Padrões e Recuperação de Informações
1. Reconhecimento de padrões: características, vetores de características e classificadores. Reconhecimento supervisionado versus não-supervisionado.
2. Classificadores baseados na teoria de decisão de Bayes e reconhecimento estatístico de padrões;
3. Classificadores lineares: princípios, classificadores (LSM, SVM, etc) e aplicações.
4. Classificadores não-lineares: princípios, classificadores (redes neurais, árvores de decisão, etc) e aplicações.
5. Seleção de características: detecção de outliers, seleção baseada em hipóteses estatísticas, medidas de separabilidade de classes, geração ótima de características.
6. Agrupamento (Clustering): conceitos básicos, algoritmos seqüenciais, algoritmos hierárquicos e esquemas baseados em funções de otimização.
7. Aprendizagem de máquina independente de algoritmos: aspectos gerais, bias/variância, re-amostragem, estimação e comparação de classificadores, combinação de classificadores.
8. Sistemas para recuperação de informações; modelos booleano, vetorial e probabilista.
9. Propriedades de coleções de documentos textuais; pré-processamento; documentos não-estruturados e semi-estruturados.
10. Recuperação de informações e aprendizagem de máquina; funcionamento de máquinas de busca. Web e p2p querying.
Bibliografia Sugerida
A relação a seguir contempla os livros considerados elementares, o que não impede que outros sejam utilizados para a elaboração de questões.
R. O. Duda; P. E. Hart; D. G. Stork. Pattern Classification (2nd. Ed.). John Wiley and Sons Inc., 2001.
R. Schalkoff. Pattern Recognition: Statistical, Approaches. John Wiley and Sons, 1992. Structural and S. Theodoridis, K. Koutroumbas. Pattern Recognition (4th Ed.). Academic Press, 2008.
C. M. Bishop. Pattern Recognition and Machine Learning. Information Science and Statistics, Springer, 2007.
T. Mitchell. Machine Learning. McGraw-Hill, 1997.
J. Han; M. Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann, 2000.
I.H. Witten; E. Frank. Data Mining: Practical Machine Learning Tools and Techniques with JAVA Implementations. Morgan Kaufmann, 2000.
S. Haykin. Neural Networks and Learning Machines (3rd. Ed.) Prentice Hall, 2008.
C. M. Bishop. Neural Networks for Pattern Recognition. Oxford University Press, 1996.
Ricardo Baeza-Yates and Berthier Ribeiro-Neto. Modern Information Retrieval. Addison-Wesley, 1999.
Ian H. Witten, Alistair Moffat and Timothy C. Bell. Managing Gigabytes: Compressing and Indexing Documents and Images (2nd. Ed.). Van Nostrand Reinhold, 1999.
Karen Sparck-Jones and Peter Willett (Eds.) Readings in Information Retrieval. Morgan Kaufmann, 1997.
