Como já discutido aqui, o curso de métodos computacionais nesse semestre foi dividido em três partes: A primeira parte lida com tópicos básicos de programação estruturada e orientação a objeto. A segunda parte com projeto de algoritmos. A terceira parte foca em Aprendizagem de Máquinas e Deep Learning.
A pretensão básica do curso é que o bom estudante depois do curso terá habilidade de lidar com qualquer tópico considerado em aqui, mesmo que o tópico específico não tenha sido discutido em sala.
Abaixo você pode encontrar as aulas já lecionadas do curso e uma previsão das próximas aulas.
PARTE I - Noções de Programação
1) Introdução a programação estruturada
Aula 1
2) Coleções de dados
Aula 2
3) Recursões
Aula 3
4) Noções de programação orientada a objeto
Aula 4
5) Complexidade computacional
Aula 5
6) Pilhas e filas
Aula 6
Parte II - Projeto de algoritmos [força bruta, divisão (transformação e redução) e conquista, programação dinâmica, algoritmos gananciosos, melhoria iterativa...]
1) Força bruta
Aula 7
2) Força bruta II - Busca exaustiva
Aula 8
3) Força bruta III - Busca exaustiva em grafos
Aula 9
4) Redução e conquista
Aula 10
5) Divisão e conquista
Aula 11
6) Transformação e conquista
Aula 12
7) Backtracking
Aula 13
8) Branch and Bound
Aula 14
8) Programação Dinâmica
Aula 15
8) Estratégias Gananciosas
Aula 16
8) Melhoria Iterativa
Aula 17
8) Compromisso entre eficiência temporal e espacial
Aula 18
INTERLÚDIO
1) Métodos de Monte Carlo
Aula 19
2) Análise numérica e otimização
Aula 20
PARTE III - Aprendizagem de Máquinas (Machine Learning)
1) Introdução a aprendizagem de máquinas
Aula 21
2) Modelos lineares de regressão (Modelos lineares de funções de base)
Aula 22
3) Modelos lineares de classificação
Aula 23
4) Redes neurais e deep learning
Aula 24
5) Aprendizagem por reforço
Aula 25
6) Processamento de linguagem natural
Aula 26
AVALIAÇÂO
O curso terá uma prova para avaliar a primeira parte e a segunda parte será avaliada através de exercícios computacionais individuais.
PERGUNTAS FREQUENTES
Esse é um curso para aprender métodos computacionais para econometria?
Não, mas vários tópicos tangenciam problemas similares considerados em econometria. Normalmente, um curso usual de Machine Learning incluiria um tópico com noções básicas de modelos de regressão, mas como esse curso está no programa de economia não faz muito sentido ficar explorando isso. Adicionalmente, como já mencionado, se o estudante aprende bem as partes I e II do curso, ele terá habilidade de lidar com qualquer tópico considerado em aqui. Além disso, as técnicas utilizadas para replicar os exemplos do Wooldridge em Python são triviais se você aprender o conteúdo do curso.
Qual a linguagem que será usada no curso?
O curso não pretende focar em nenhuma linguagem específica. Entretanto, nesse semestre a maioria dos exemplos será em Python, embora você pode encontrar exemplos em R, Matlab, C++, Java desenvolvidos em versões anteriores do curso.
Quais os pre-requisitos para o curso?
Não temos pre-requisitos específicos, mas vários tópicos dependem de conhecimentos de Álgebra-Linear, Otimização e maturidade em matemática, estatística ou econometria equivalente a de um aluno de mestrado em economia de um bom programa.
HORÁRIO: TERÇAS E QUINTAS 16 AS 18
