Como já discutido
aqui, o curso de métodos computacionais nesse semestre será 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.
As versões anteriores desse curso, você pode encontrar:
versão 2017,
versão 2016,
versão 2018 e
versão 2019.
Por favor, dê uma olhada na lista de pré-requisitos (no final do post). Principalmente aquele que vêm do fundo do meu coração.
PARTE I - Noções de Programação
1) Paradígmas de programação
Aula 1
2) Introdução a programação estruturada
Aula 2
3) Coleções de dados
Aula 3
4) Recursões
Aula 4
5) Noções de programação orientada a objeto
Aula 5
6) Complexidade computacional
Aula 6
7) Pilhas e filas
Aula 7
Parte II - Projeto de algoritmos
1) Força bruta
Aula 8
2) Força bruta II - Busca exaustiva
Aula 9
3) Força bruta III - Busca exaustiva em grafos
Aula 10
4) Redução e conquista
Aula 11
5) Divisão e conquista
Aula 12
6) Transformação e conquista
Aula 13
7) Backtracking
Aula 14
8) Branch and Bound
Aula 15
9) Programação Dinâmica
Aula 16
10) Estratégias Gananciosas
Aula 17
11) Melhoria Iterativa
Aula 18
12) Quick Sort
Aula 19
13) Compromisso entre eficiência temporal e espacial
Aula 20
INTERLÚDIO
[Ferramentas]
1) Introdução aos Métodos de Monte Carlo
Aula 20
2) Análise numérica e otimização
[Atividade extra-classe]
Aula 21
2) Modelos baseados em agentes
Aula 22
19
PARTE III - Aprendizagem de Máquinas (Machine Learning)
1) Introdução a aprendizagem de máquinas
Aula 23
2) Modelos lineares de regressão (Modelos lineares de funções de base)
Aula 24
3) Modelos Bayesianos
Aula 25
4) Previsão (Big picture)
Aula 26
5) Modelos lineares regularizados
Aula 27
6) Modelos lineares de classificação
Aula 28
7) Árvores de decisão
Aula 29
8) Redes neurais e deep learning
Aula 30
8) Aprendizagem por reforço
Aula 31
9) Processamento de linguagem natural
Aula 32
AVALIAÇÂO
Haverá duas avaliações: Uma prova que inclui partes I e II do curso e exercícios individuais que abordem tópicos do curso inteiro.
Como resolver exercícios?
REFERÊNCIAS
Existe uma lista gigante de referências por tópico. Existe um resumo dessas referências
aqui. Se você quiser uma lista mais detalhada, dê uma olhada nas aulas individuais da nossa versão anterior do curso
aqui.
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?
De uma forma geral o curso não deve 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. A maioria dos exercícios da primeira parte não dependerá especificamente de nenhuma linguagem. Alguns exercícios só poderão ser implementados em Python.
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.
FROM THE BOTTOM OF MY HEART (o pre-requisito mais importante):
De fato, um pre-requisito fundamental em qualquer curso que leciono é muita
disposição para aprender e lidar com coisas novas para resolver novos problemas. Os estudantes devem ter ou desenvolver a capacidade de lidar com um problema novo que estende o material em sala de aula sem a ajuda do professor, tendo em mãos apenas as referências básicas. Essa habilidade muito comum em estudantes da engenharia infelizmente não é muito explorada em estudantes de economia.
Deixar a arrogância em casa para ser capaz de perceber que não sabemos tudo e que existem sempre pessoas com mais conhecimento em um determinado tópico que nós mesmos. Aproveitar desse fato para aprender com os colegas e com o professor àquelas dimensões mais restritas.
Esse é um curso OPTATIVO e lúdico desenhado para o estudante e o professor se divertirem. Se você não está muito motivado com o curso ou acha que o curso não o acrescentará muito e você pretende manter uma atitude negativa e passiva ao longo do curso, existem dezenas de cursos mais adequados para você no programa.
Não sou aluno do Programa de Doutorado em Economia. Eu posso fazer o curso?
Sim. Você pode entrar em contato com a secretária do Programa de Pós-Graduação em Economia da UnB e verificar a disponibilidade de vagas para matrícula como aluno especial.
Posso assistir como ouvinte?
Infelizmente a UnB não permite esse tipo de aluno.
HORÁRIO: TERÇAS E QUINTAS 10 AS 12
