Português English
Contato

Lista de Disciplinas | CMP121

CMP 121 – Redes Neurais
Responsável : Dante Augusto Couto Barone
Pré- Requisitos : –
Carga Horária : 60 hs
Créditos : 4
Semestres Oferecidos : Segundo semestre
Matrícula de Graduandos : A matrícula deverá ser feita como Aluno Especial

 

SÚMULA

Esta disciplina visa fornecer os fundamentos necessários para a análise e a implementação de diferentes arquiteturas de Redes Neurais, desde os modelos mais consolidados até os mais recentes, representados pelas redes de aprendizado profundo, conhecidas como Deep Learning. São apresentadas características gerais dos sistemas conhecidos como de Aprendizado de Máquina ( Machine Learning) e mais especificamente a contribuição das Redes Neurais à ML, apresentando-se e analisando arquiteturas, modelos de aprendizado, métricas de medida de erro e demais fatores importantes . Serão tratadas tanto técnicas supervisionadas quanto não supervisionadas. Serão trabalhadas implementações em problemas do mundo real, priorizando-se aplicações onde as arquiteturas Deep Learning fazem grande sucesso, como Processamento de Imagens, Processamento da Fala e Processamento de Linguagem Natural.

 

OBJETIVOS /PROGRAMA

– Introdução à Neurociência Computacional

– Definições e História das Redes Neurais

– Redes Neurais tradicionais , regras de aprendizado

– Redes Recorrentes e Back Propagation , memórias associativas

– Deep Learning e Neocognição

– Redes Neurais Convolucionais Profundas e extração de características

– Redes de Crenças profundas , Máquinas Restritas de Boltzman, autoencoders

-Treinamento de Deep Neural Networks

– Métricas de medida de desempenho de sistemas neurais

-Aplicações e exemplos ( Google, reconhecimento de imagens e de fala , processamento de Linguagem Natural –NLP )

– Arquiteturas Open Source adequadas para aplicações Deep Learning, como Keras, TensorFlow e outras

 

 

BIBLIOGRAFIA

– Goodwellow, Y. Bengio , A. Courville, Deep Learning, MIT , 2016 http://deeplearningbook.org

– Li Deng, Dong Yu, Deep Learning ,Methods and Applications, Foundations and Trends in Signal Processing, Vol.7, Nos. 3-4 ( 2013) 197-387,7:3-4, 2014

– Kevin P. Murphy. Machine Learning : A Probabilistic Perspective, MIT Press, 2012.

– S. Haykin, Neural Networks and learning machines, Pearson , 2008

-Barone, D.A.C e Boesing, Ivan . Inteligência Artificial : Diálogos entre Mentes e Máquinas, Editora RGE, Porto Alegre, 2014

 

 

MÉTODO DE AVALIAÇÃO

Os alunos serão avaliados através de:

  1. apresentações orais sobre tópicos cobertos na disciplina
  2. trabalhos práticos e de implementação durante o semestre e
  3. trabalho final  de implementação, que deverá cobrir a aplicação de redes neurais tradionais ou deep learning em problemas do mundo real.