Apresentar ao aluno os conceitos básicos de Redes Neurais Artificiais e os principais modelos existentes. Analisar o comportamento destes modelos, suas capacidades fundamentais e limitações, possibilitando a utilização destas técnicas na resolução de problemas práticos.
Apresentação dos modelos de redes neurais artificiais para classificação/predição de padrões e aplicações.
Definição de modelos conexionistas. Aprendizado em modelos conexionistas: aprendizado supervisionado, não-supervisionado, competitivo. Arquiteturas básicas: Perceptron, Adaline, Perceptron Multi-Camadas, Redes RBF. Aprendizado profundo: arquiteturas convolucionais (CNN), encoder-decoder, redes adversárias, transfer learning, redes recorrentes e modelos de atenção. Sistemas de auto-organização: PCA, LDA e rede de Kohonen. Memórias Associativas: Redes de Hopfield. Aplicações.
- Livros texto: BRAGA, A.; CARVALHO, A.; LUDERMIR, T. "Redes Neurais Artificiais: Teoria e Aplicações", Livro Técnico e Científico, Rio de Janeiro, 2000. HAYKIN, S. "Neural Networks. A Comprehensive Foundation", New Jersey, Prentice Hall, 2 ed., 1999. GOODFELLOW, I. “Deep Learning”. The Mit Press. 2016. 775p. -Bibliografia Complementar: FRANCELIN, R.A., "Uma Introdução a Redes Neurais", Anais do Workshop sobre Redes Neurais, UFSCar, setembro, 1992. HERTZ,J.; JROGH,A.; PALMER,R.G. "Introduction to the Theory of Neural Computation", Addison-Wesley Publishing Company, CA, 1991. LIPPMANN,R.P. "An Introduction to Computing with Neural Nets", IEE-ASSP Magazine, Vol. 4, No. 2, abril, 1987. PEDRYCZ,W. "Fuzzy Control and Fuzzy Systems", 2 ed., Tauton, Research Studies, 1993. RUMELHART,D.; HINTON,G.; WILLIAMS,R. "Learning Internal Representations by Error Propagation", In: Rumelhart,D. & McClelland, J. Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1, Cambridge MA:MIT Press, 1986. Deep Learning Tutorial, Release 0.1, LISA lab, University of Montreal, September 01, 167 p., 2015.