Este curso, fornece os fundamentos de aprendizagem de máquina, redes neurais e inclui os conceitos de aprendizagem profunda (deep learning), incluindo - As principais tendências de tecnologia. 
- Capacitar o aluno a construir, treinar e aplicar redes neurais de diferentes tipos e arquiteturas
- Implementar e aprimorar redes neurais
- Compreender os parâmetros-chave na arquitetura de uma rede neural

Perceptron de Rosenblatt
. O Teorema de Convergência de Perceptron
. O Algoritmo de Perceptron em Batelada

Construção de modelo por meio da regressão
. Modelo de Regressão Linear: Considerações Preliminares
. Estimativa máxima a posteriori do vetar de parâmetros
. O Princípio do Comprimento da Descrição Mínima
. Considerações de tamanho de amostra finita
. O Método de Variáveis Instrumentais

O Algoritmo do Least Mean Square
. Estrutura de Filtragem do Algoritmo LMS
. Otimização irrestrita: uma revisão
, O Filtro Wiener
. O Algoritmo Least Mean Square
. Teoria de aprendizagem estatística LMS para o parâmetro de pequena taxa de aprendizagem
. Virtudes e limitações do Algoritmo LM
. Recozimento da taxa de aprendizagem

Perceptrons Multicamadas
. Aprendizagem em lote e aprendizagem on-line
. O Algoritmo de Backpropagation
. Problema XOR
. Heurísticas para fazer o algoritmo de Backpropagation ter um desempenho melhor
. Backpropagation e Diferenciação
. A Hessiana e seu papel na aprendizagem on-line
. Recozimento Ótima e Controle Adaptativo da Taxa de Aprendizagem
. Generalização
. Aproximações de Funções
. Validação Cruzada
. Regularização de complexidade e poda de rede
. Virtudes e limitações do aprendizado de Backpropagation
. Aprendizagem supervisionada vista como um problema de otimização

Redes Convolucionais e Deep Learning

Métodos de kernel e redes de funções de base radial

. O Problema de Interpolação
. Redes de função de base radialK-Means Clustering

Máquinas de vetar de suporte

Teoria da Regularização

Análise de Componentes Principais

Habilidades:
As habilidades referem-se ao conjunto de capacidades práticas e técnicas que um indivíduo desenvolve ao trabalhar com redes neurais. Elas são adquiridas por meio da prática, experiência e treinamento específico. Algumas habilidades relevantes em redes neurais incluem:
1 - Implementação de algoritmos de aprendizado de máquina: ser capaz de implementar e aplicar algoritmos de redes neurais, como redes neurais artificiais, redes neurais convolucionais ou redes neurais recorrentes, usando bibliotecas de programação padrão.
2 - Pré-processamento de dados: Saber como preparar e limpar os dados para treinamento de redes neurais, incluindo técnicas como normalização, tratamento de dados ausentes e redução de dimensionalidade.
3 - Treinamento e ajuste de redes neurais: Ter conhecimento sobre como treinar redes neurais usando técnicas como retropropagação (backpropagation) e otimização de hiperparâmetros para melhorar o desempenho do modelo.
4 - Avaliação de modelos: Ser capaz de avaliar e comparar o desempenho de diferentes modelos de redes neurais, utilizando métricas adequadas, como acurácia, precisão, recall e F1-score.

Competências Principais:
As competências são mais amplas e envolvem não apenas as habilidades técnicas, mas também conhecimentos teóricos, habilidades cognitivas e atitudes necessárias para um bom desempenho na área de redes neurais. Algumas competências relevantes em redes neurais podem incluir:
1 - Conhecimento teórico: Ter uma compreensão sólida dos fundamentos teóricos das redes neurais, incluindo conceitos como neurônios artificiais, arquiteturas de redes, funções de ativação, algoritmos de aprendizado e problemas comuns em redes neurais.
2 - Resolução de problemas: Ser capaz de identificar e abordar problemas relacionados a redes neurais, como overfitting, underfitting, exploração de gradientes, problemas de convergência e otimização.
3 - Pensamento crítico e análise: Desenvolver habilidades para analisar, interpretar e avaliar os resultados obtidos por redes neurais, identificando possíveis limitações e alternativas de melhoria.
4 - Criatividade e inovação: Ser capaz de aplicar o conhecimento de redes neurais de maneiras criativas, explorando novas arquiteturas, técnicas ou abordagens para resolver problemas e melhorar o desempenho dos modelos. E importante destacar que as habilidades são mais específicas e orientadas para a execução de tarefas técnicas, enquanto as competências são mais abrangentes e envolvem um conjunto mais amplo de conhecimentos, habilidades cognitivas e atitudes que sustentam o uso eficaz
das habilidades técnicas em um contexto mais amplo.