Álgebra Linear e Teoria da Informação
Calendário
Aulas anteriores
- 11 de agosto — Vetores. Soma de vetores. Multiplicação de vetores por escalares.Usar vetores como uma ferramenta matemática para modelar situações da vida real.
- 13 de agosto — Vetores. Soma de vetores. Multiplicação de vetores por escalares. Técnicas de demonstração.Entender propriedades de vetores e como elas se aplicam em situações problema.
- 14 de agosto — Ângulos e distâncias entre vetores. Forma polar. Técnicas de demonstração.Deduzir propriedades relacionadas a ângulos e distâncias em vetores de duas dimensões.
- 18 de agosto — Teste 1Teste 1
- 20 de agosto — Numpy.Usar Numpy para representar vetores e suas
- 21 de agosto — Numpy como ferramenta para visualizarAplicar Numpy e álgebra vetorial para simular uma situação-problema.
- 25 de agosto — Produto interno e projeções.Entender o conceito de projeções e de produto interno, relacionando-as com o ângulo entre vetores.
- 27 de agosto — EmbeddingsAplicar Numpy para visualizar espaços de embeddings e suas propriedades.
- 28 de agosto — Matrizes. Matrizes transpostas.Representar dados em matrizes.
- 1 de setembro — Sistemas lineares. Sistemas dinâmicos.Representar sistemas em matrizes.
- 3 de setembro — Matriz inversa. Solução de sistemas lineares.Solucionar um sistema representado como uma matriz.
- 4 de setembro — DeterminantesDeterminar se um sistema linear tem solução ou não.
- 8 de setembro — Transformações afinsRelacionar sistemas lineares com transformações geométricas.
- 10 de setembro — Teste 2Teste 2
- 11 de setembro — RevisãoRevisão
- 15 de setembro — RevisãoRevisão
- 17 de setembro — Avaliação IntermediáriaAvaliação Intermediária
- 18 de setembro — Avaliação IntermediáriaAvaliação Intermediária
- 22 de setembro — Avaliação IntermediáriaAvaliação Intermediária
- 29 de setembro — Mudanças de BaseEntender o que é uma "base".
- 1 de outubro — Mudanças de Base em Cores de PixelsAplicar mudanças de base em vetores de pixels.
- 2 de outubro — Auto-valores e auto-vetoresEntender como auto-valores e auto-vetores permitem entender caractrerísticas de um sistema dinâmico.
- 6 de outubro — Cadeias de MarkovModelar uma Cadeia de Markov como um sistema dinâmico.
- 8 de outubro — Modelos de LinguagemUsar a Cadeia de Markov como um modelo de linguagem.
- 9 de outubro — Teste 3Teste 3
- 13 de outubro — Aula-estúdioAula-estúdio
- 16 de outubro — Aula-estúdioAula-estúdio
- 20 de outubro — Regressão e pseudo-inversa.Aplicar a pseudo-inversa para resolver o problema de mínimos quadrados.
- 22 de outubro — Estimação da gravidadeEstimar um fenômeno físico usando medidas reais e regressão.
- 23 de outubro — Teste 4Teste 4
- 27 de outubro — Compressão sem PerdasRepresentar números usando menos bits
- 29 de outubro — Compressão sem perdas em áudioEliminar informação menos relevante para aumentar a taxa de compressão.
- 30 de outubro — Aula-estúdioAula-estúdio
- 3 de novembro — Aula-estúdioAula-estúdio
- 5 de novembro — Avaliação FinalAvaliação Final
- 6 de novembro — Avaliação FinalAvaliação Final
- 10 de novembro — Avaliação FinalAvaliação Final
Notas:
- AI: 30%
- AF: 30%
- Testes em sala: 30%
- Projeto Orientado: 10%
Ementa:
- Parte 0: álgebra vetorial
- Parte 1: aplicações de vetores
- Parte 2: matrizes
- Parte 3: sistemas lineares e geometria analítica
- Parte 4: autovalores e autovetores
- Parte 5: regressão
- Parte 6: teoria da informação
Atividades de avaliação:
- AI/AF: provas usuais. Em papel, sem consulta, realizadas no tempo de sala.
- Práticas em sala: Práticas em grupo visando descobrir algo novo da disciplina, preparando para o teste. A atividade é em grupo, mas não recebe nota.
- Testes em sala: Em papel, sem consulta, realizadas no tempo de sala, focadas no conteúdo mais recente e na prática feita anteriormente.
- Projeto orientado: Projeto de tema livre no fim do semestre. Nota em grupo, com possibilidade de arguição oral.
Uso de IA
- Você pode usar IA para aprender, discutir, buscar dados, etc.,
- Você não pode usar IA para gerar qualquer tipo de material que será avaliado.
Sobre este material
Se você quiser acesso ao material para uso local, use:
git clone https://github.com/tiagoft/alglin.git
ou
git clone git@github.com:tiagoft/alglin.git
Se preferir, faça um fork do projeto original. Fique à vontade para sugerir mudanças e corrigir typos.