O aprendizado de máquina para séries temporais é o domínio de conhecimento que envolve a criação de modelos a partir de dados coletados ao longo do tempo. Esses tipos de dados são encontrados em diversas áreas de aplicação, como IoT, indústria 4.0, economia e saúde. Por exemplo, os modelos gerados pelos algoritmos de aprendizado de máquina podem ajudar no diagnóstico de doenças, na estimativa de índices relacionados ao estado de funcionamento de máquinas e na classificação de atividades. Este curso apresentará técnicas para lidar com dados temporais sob os pontos de vista teórico e prático. Serão abordadas as duas tarefas principais de aprendizado de máquina para este contexto, classificação e regressão extrínseca, além do pré-processamento e da extração de características.
Professor Doutor no Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (ICMC-USP), possui graduação em Ciências de Computação e mestrado e doutorado em Ciências de Computação e Matemática Computacional, todos pelo ICMC-USP. Sua principal linha de atuação é a Mineração de Dados e suas aplicações, com maior foco em tarefas baseadas em grandes volumes de dados sequenciais contínuos (como séries temporais e sinais digitais). Além disso, possui experiência em pré-processamento de dados para Aprendizado de Máquina, tratamento de classes desbalanceadas e classificação em fluxo de dados.
Currículo lattes: http://lattes.cnpq.br/7662777934692986