Jupiterweb

Informações da Disciplina

Preparar para impressão

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação

Escola Politécnica

Eng Telecomunicações e Controle

Disciplina: PTC3569 - Introdução à Inteligência Computacional

Introduction to Computational Intelligence

Créditos Aula:	4
Créditos Trabalho:	0
Carga Horária Total:	60 h
Tipo:	Semestral
Ativação:	01/01/2020	Desativação:

Objetivos

Apresentar os fundamentos teóricos e práticos de redes neurais, sistemas de lógica nebulosa, e algoritmos genéticos. Aprender como mapear um problema para o domínio neural, ou "fuzzy"-neural, isto é, chegar a uma arquitetura específica para resolver o problema. Realizar algumas aplicações de natureza prática (simulações). A ênfase do curso será mais em propriedades matemáticas e computacionais do que em analogias com redes biológicas.

To present the theoretical and practical foundations of neural networks, fuzzy logic systems, and genetic algorithms. To learn how to map a problem to the neural, or fuzzy-neural field, i.e, to reach a specific architecture to solve the problem.To make some practical applications (simulations). The emphasis of the course will be more on mathematical and computational properties than on analogies with biological networks.

Docente(s) Responsável(eis)

	29631 - Ademar Ferreira
	318602 - Diego Colón
	67102 - José Jaime da Cruz

Programa Resumido

O que são redes neurais e como operam. Processos de aprendizado. Perceptrons de uma e de múltiplas camadas. O algoritmo de retropropagação. Sistemas fuzzy e neuro-fuzzy. Algoritmos genéticos. Deep learning. Exemplos de Aplicação.

What are neural networks and how they operate. Learning processes. Single and multilayer Perceptrons. The Backpropagation algorithm. Neuro-fuzzy systems. Genetic algorithms. Deep learning. Application examples.

Programa

O que são redes neurais e como operam. Processos de aprendizagem. Formatação de dados de treinamento. Regressão e classificação de dados. Perceptrons de uma camada. Perceptrons de múltiplas camadas. O algoritmo de retropropagação. As redes neurais como aproximadores universais de funções. Redes de funções de base radial. Máquinas de vetores suporte (SVM). Aprendizagem profunda (deep learning). Redes convolucionais, redes recorrentes e recursivas. Sistemas de lógica fuzzy e neuro-fuzzy. Algoritmos genéticos. Exemplos de aplicação.

What are neural networks and how they operate. Learning processes. Data handling for training. Single layer perceptrons. Data regression and classification. Multilayer perceptrons. The backpropagation algorithm. Neural networks as universal function approximators. Radial basis function networks. Suport vector machines. Deep learning. Convolutional nets and recurrent and recursive nets. Fuzzy logic systems and neuro-fuzzy systems. Genetic algorithms. Application examples.

Avaliação

Método

Provas escritas e trabalho final.

Critério

Média aritmética de duas provas e trabalho final.

Norma de Recuperação

Prova escrita.

Bibliografia

1. J. C. Principe, N. R. Euliano and  W. Curt Lefebvre. Neural and Adaptive Systems. John Wiley, NY, 2000.
2. S. Haykin. Redes Neurais (2001), Bookman, Porto Alegre, RS.
3. J.-S. R. Jang, C. – T. Sun and E. Mizutani. Neuro-Fuzzy and Soft Computing. Prentice-Hall, NJ, 1997.
4. I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. The MIT Press, MA, 2016.

Clique para consultar os requisitos para PTC3569

Clique para consultar o oferecimento para PTC3569