{"id":6780,"date":"2024-09-03T10:19:10","date_gmt":"2024-09-03T13:19:10","guid":{"rendered":"https:\/\/www.inf.ufrgs.br\/ppgc\/?page_id=6780"},"modified":"2026-01-27T10:07:36","modified_gmt":"2026-01-27T13:07:36","slug":"cmp627","status":"publish","type":"page","link":"https:\/\/www.inf.ufrgs.br\/ppgc\/disciplinas\/lista-de-disciplinas\/cmp627\/","title":{"rendered":"CMP627"},"content":{"rendered":"

Aprendizado Profundo<\/strong><\/h2>\n

Respons\u00e1vel:<\/strong> Anderson Rocha Tavares
\nN\u00famero de cr\u00e9ditos\/carga hor\u00e1ria:<\/strong> 4 cr\u00e9ditos\/60 horas aula
\nMatr\u00edcula de Graduandos:<\/strong> INF01019 (T\u00f3picos Especiais em Computa\u00e7\u00e3o –
\nAprendizado Profundo)<\/p>\n

RESUMO<\/strong><\/h4>\n

Neur\u00f4nio artificial e sua organiza\u00e7\u00e3o em diversas arquiteturas de redes profundas<\/p>\n

OBJETIVOS<\/strong><\/h4>\n

Apresentar conceitos, t\u00e9cnicas e aplica\u00e7\u00f5es de aprendizado profundo, assim como as principais ferramentas para prototipagem e avalia\u00e7\u00e3o de modelos.<\/p>\n

PROGRAMA<\/strong><\/h4>\n
    \n
  • Neur\u00f4nio artificial: principio, fun\u00e7\u00f5es de ativa\u00e7\u00e3o, treino por descida de gradiente.<\/li>\n
  • Perceptron multicamadas e backpropagation<\/li>\n
  • Processamento de imagens: redes convolucionais<\/li>\n
  • Processamento de sequ\u00eancias: redes recorrentes<\/li>\n
  • Processamento de texto: transformers<\/li>\n
  • Processamento de grafos: graph neural networks<\/li>\n
  • IA generativa<\/li>\n
  • Fronteiras e limita\u00e7\u00f5es de aprendizado profundo<\/li>\n
  • Aprendizado profundo e a humanidade<\/li>\n<\/ul>\n

    PROCEDIMENTOS DID\u00c1TICOS<\/strong><\/h4>\n
      \n
    • Aulas expositivas e de exerc\u00edcios;<\/li>\n
    • Aulas de laborat\u00f3rio;<\/li>\n
    • Projeto extra-classe;<\/li>\n
    • Semin\u00e1rios<\/li>\n<\/ul>\n

      PROCEDIMENTO DE AVALIA\u00c7\u00c3O<\/strong><\/h4>\n

      O desempenho do aluno ser\u00e1 avaliado da seguinte forma:<\/p>\n

        \n
      • Prova: avalia\u00e7\u00e3o te\u00f3rica dos fundamentos e conceitos da disciplina;<\/li>\n
      • Laborat\u00f3rios e Exercicios (LE): exerc\u00edcios de fixa\u00e7\u00e3o; implementa\u00e7\u00f5es de algoritmos b\u00e1sicos e avalia\u00e7\u00e3o de modelos;<\/li>\n
      • Semin\u00e1rios: apresenta\u00e7\u00e3o de temas relevantes e participa\u00e7\u00e3o nos semin\u00e1rios dos colegas.<\/li>\n
      • Projeto final (Proj): aplica\u00e7\u00e3o e\/ou melhoria de sistema de aprendizado\u00a0 problema relevante;<\/li>\n<\/ul>\n

        Composi\u00e7\u00e3o da nota final (NF):<\/p>\n

        NF = (Prova*0,3) + (LE*0,2) + (Proj*0,3) + (Semin\u00e1rios*0,2)<\/p>\n

        Ser\u00e1 aprovado o aluno que obtiver nota final (NF) acima de 6. Os conceitos ser\u00e3o atribu\u00eddos da seguinte forma:<\/p>\n

        Conceito A:<\/strong> NF \u2265 9,0
        \nConceito B:<\/strong> NF \u2265 7,5 e < 9,0
        \nConceito C<\/strong>: NF \u2265 6,0 e < 7,5
        \nConceito D<\/strong>: NF < 6,0
        \nConceito FF<\/strong>: caso o aluno n\u00e3o obtenha frequ\u00eancia m\u00ednima de 75% (sem direito a recupera\u00e7\u00e3o).<\/p>\n

        ATIVIDADES DE RECUPERA\u00c7\u00c3O PREVISTAS<\/strong><\/h4>\n

        Ser\u00e1 oferecida uma oportunidade de recupera\u00e7\u00e3o ao aluno que n\u00e3o alcan\u00e7ar m\u00e9dia m\u00ednima 6.0 e que atender \u00e0 condi\u00e7\u00e3o de ter a frequ\u00eancia m\u00ednima exigida de 75% A prova de recupera\u00e7\u00e3o versar\u00e1 sobre todo o conte\u00fado da disciplina e ser\u00e1 avaliada com um grau de 0 (zero) a 10 (dez) gerando a nota de recupera\u00e7\u00e3o (NR). A avalia\u00e7\u00e3o final, ap\u00f3s a recupera\u00e7\u00e3o, ser\u00e1 a seguinte:
        \nSe NR < 6,0: reprovado com conceito D
        \nSe NR \u2265 6,0: aprovado com conceito C<\/p>\n

        BIBLIOGRAFIA<\/h4>\n

        B\u00e1sica essencial<\/strong>
        \nPRINCE, Simon JD. Understanding deep learning<\/em>. MIT press, 2023. (http:\/\/udlbook.com)<\/p>\n

        B\u00e1sica<\/strong>
        \nGOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning<\/em>. MIT press, 2016. (https:\/\/www.deeplearningbook.org\/)<\/p>\n

        Michael A. Nielsen, Neural Networks and Deep Learning<\/em>, Determination Press, 2015 (http:\/\/neuralnetworksanddeeplearning.com)<\/p>\n

        Complementar<\/strong>
        \nRUSSELL, Stuart J.; NORVIG, Peter. Artificial Intelligence: A Modern Approach<\/em> (4th Edition), 2020<\/p>\n

        William L. Hamilton. Graph Representation Learning<\/em>. Montreal: Springer, 2020. ISBN 978-3031004605. Dispon\u00edvel em: https:\/\/www.cs.mcgill.ca\/~wlh\/grl_book\/<\/p>\n

        Outras refer\u00eancias<\/strong>
        \nGoodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2020). Generative adversarial networks<\/em>. Communications of the ACM, 63(11), 139-144<\/p>\n

        Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Philip, S. Y. (2020). A comprehensive survey on graph neural networks<\/em>. IEEE transactions on neural networks and learning\u00a0 systems, 32(1), 4-24.<\/p>\n

        Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need<\/em>. Advances in neural information processing systems, 30.<\/p>\n","protected":false},"excerpt":{"rendered":"

        Aprendizado Profundo Respons\u00e1vel: Anderson Rocha Tavares N\u00famero de cr\u00e9ditos\/carga hor\u00e1ria: 4 cr\u00e9ditos\/60 horas aula Matr\u00edcula de Graduandos: INF01019 (T\u00f3picos Especiais em Computa\u00e7\u00e3o – Aprendizado Profundo) RESUMO Neur\u00f4nio artificial e sua organiza\u00e7\u00e3o em diversas arquiteturas de redes profundas OBJETIVOS Apresentar conceitos, t\u00e9cnicas e aplica\u00e7\u00f5es de aprendizado profundo, assim como as principais ferramentas para prototipagem e avalia\u00e7\u00e3o […]<\/p>\n","protected":false},"author":11,"featured_media":0,"parent":462,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"_links":{"self":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/6780"}],"collection":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/comments?post=6780"}],"version-history":[{"count":2,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/6780\/revisions"}],"predecessor-version":[{"id":7245,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/6780\/revisions\/7245"}],"up":[{"embeddable":true,"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/pages\/462"}],"wp:attachment":[{"href":"https:\/\/www.inf.ufrgs.br\/ppgc\/wp-json\/wp\/v2\/media?parent=6780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}