Lista de Disciplinas | CMP627

Aprendizado Profundo

Responsável: Anderson Rocha Tavares
Número de créditos/carga horária: 4 créditos/60 horas aula
Matrícula de Graduandos: INF01019 (Tópicos Especiais em Computação –
Aprendizado Profundo)

RESUMO

Neurônio artificial e sua organização em diversas arquiteturas de redes profundas

OBJETIVOS

Apresentar conceitos, técnicas e aplicações de aprendizado profundo, assim como as principais ferramentas para prototipagem e avaliação de modelos.

PROGRAMA

• Neurônio artificial: principio, funções de ativação, treino por descida de gradiente.
• Perceptron multicamadas e backpropagation
• Processamento de imagens: redes convolucionais
• Processamento de sequências: redes recorrentes
• Processamento de texto: transformers
• Processamento de grafos: graph neural networks
• IA generativa
• Fronteiras e limitações de aprendizado profundo
• Aprendizado profundo e a humanidade

PROCEDIMENTOS DIDÁTICOS

• Aulas expositivas e de exercícios;
• Aulas de laboratório;
• Projeto extra-classe;
• Seminários

PROCEDIMENTO DE AVALIAÇÃO

O desempenho do aluno será avaliado da seguinte forma:

• Prova: avaliação teórica dos fundamentos e conceitos da disciplina;
• Laboratórios e Exercicios (LE): exercícios de fixação; implementações de algoritmos básicos e avaliação de modelos;
• Seminários: apresentação de temas relevantes e participação nos seminários dos colegas.
• Projeto final (Proj): aplicação e/ou melhoria de sistema de aprendizado  problema relevante;

Composição da nota final (NF):

NF = (Prova*0,3) + (LE*0,2) + (Proj*0,3) + (Seminários*0,2)

Será aprovado o aluno que obtiver nota final (NF) acima de 6. Os conceitos serão atribuídos da seguinte forma:

Conceito A: NF ≥ 9,0
Conceito B: NF ≥ 7,5 e < 9,0
Conceito C: NF ≥ 6,0 e < 7,5
Conceito D: NF < 6,0
Conceito FF: caso o aluno não obtenha frequência mínima de 75% (sem direito a recuperação).

ATIVIDADES DE RECUPERAÇÃO PREVISTAS

Será oferecida uma oportunidade de recuperação ao aluno que não alcançar média mínima 6.0 e que atender à condição de ter a frequência mínima exigida de 75% A prova de recuperação versará sobre todo o conteúdo da disciplina e será avaliada com um grau de 0 (zero) a 10 (dez) gerando a nota de recuperação (NR). A avaliação final, após a recuperação, será a seguinte:
Se NR < 6,0: reprovado com conceito D
Se NR ≥ 6,0: aprovado com conceito C

BIBLIOGRAFIA

Básica essencial
PRINCE, Simon JD. Understanding deep learning. MIT press, 2023. (http://udlbook.com)

Básica
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. MIT press, 2016. (https://www.deeplearningbook.org/)

Michael A. Nielsen, Neural Networks and Deep Learning, Determination Press, 2015 (http://neuralnetworksanddeeplearning.com)

Complementar
RUSSELL, Stuart J.; NORVIG, Peter. Artificial Intelligence: A Modern Approach (4th Edition), 2020

William L. Hamilton. Graph Representation Learning. Montreal: Springer, 2020. ISBN 978-3031004605. Disponível em: https://www.cs.mcgill.ca/~wlh/grl_book/

Outras referências
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139-144

Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Philip, S. Y. (2020). A comprehensive survey on graph neural networks. IEEE transactions on neural networks and learning  systems, 32(1), 4-24.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.