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.
[1] Haykin, Simon, Neural networks and learning machines —3rd ed., Rev. ed of: Neural networks. 2nd ed., 1999 [2] Haykin, Simon, Redes Neurais: Princípios e Prática, Bookman; 2a Edição (1 dezembro 2003) [3] Hubel, David H., and Torsten N. Wiesel. "Receptive fields, binocular interaction and functional architecture in the cafs visual cortex." The Journal ofphysiology 160.1 (1962): 106. [4] Roberts, Lawrence Gilman. "Machine Perception ofThree-dimensional Solids." Diss. Massachusetts Institute of Technology, 1963. [5] Marr, David. "Vision." The MIT Press, 1982. [6] Brooks, Rodney A., and Creiner, Russell and Binford, Thomas O. "The ACRONYM model-based vision system. "In Proceedings ofthe 6th International Joint Conference on Artificial Intelligence (1979): 105-113. [7] Fischler, Martin A., and Robert A. Elschlager. "The representation and matehing of pictorial structures." IEEE Transactions on Computers 22.1 (1973): 67-92. [8] Lowe, David G., "Three-dimensional object recognition from single two-dimensional images," Artificial Intelligence, 31, 3 (1987), pp. 355-395. [9] Shi, Jianbo, and Jitendra Malik. "Normalized cuts and image segmentation." Pattern Analysis and Machine Intelligence, IEEE Transactions on 22.8 (2000): 888-905. • Viola, Paul, and Michael Jones. "Rapid object detection using a boosted cascade ofsimple features." Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on. Vol. 1. IEEE, 2001. [10] Lowe, David G. "Distinctive image features from scale-invariant keypoints." International Journal of Computer Vision 60.2(2004): 91-110. [11] Lazebnik, Svetlana, Cordelia Schmid, and Jean Ponce. "Beyond bags offeatures: Spatial pyramid matching for recognizing natural scene categories." Computer Vision and Pattern Recognition, 2006 IEEE Computer Society Conference on. Vol. 2. IEEE, 2006. [12] KOHONEN, T.; "Analysis ofa Simple Self-Organizing process" Biological Cybernetics 44:135-140 (1982); SARAVANAN, [13] Atilim Gunes Baydin and Barak A. Pearlmutter and Alexey Andreyevich Radul and Jeffrey Mark Siskind, Automatic differentiation in machine learning: a survey, https://arxiv.org/abs/1502.05767