Informações da Disciplina

 Preparar para impressão 

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


Instituto de Ciências Matemáticas e de Computação
 
Ciências de Computação
 
Disciplina: SCC0270 - Redes Neurais e Aprendizado Profundo
Neural Networks and Deep Learning

Créditos Aula: 4
Créditos Trabalho: 1
Carga Horária Total: 90 h
Carga Horária de Extensão: 10 h
Tipo: Semestral
Ativação: 15/07/2024 Desativação:

Objetivos
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.
 
To present to the students the basic concepts of Artificial Neural Networks and the current most important models. To analyze the behavior of these models, their fundamental capabilities and limitations, allowing the use of these techniques to solve practical problems.
 
 
Docente(s) Responsável(eis)
5890222 - Diego Furtado Silva
2084609 - Maria da Graça Campos Pimentel
55735 - Roseli Aparecida Francelin Romero
 
Programa Resumido
Apresentação dos modelos de redes neurais artificiais para classificação/predição de padrões e aplicações.
 
Introduction of artificial neural network models for classification / prediction of patterns and applications.
 
 
Programa
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.
 
Definition of connectionist models. Learning in connectionist models: supervised, unsupervised, and competitive learning. Basic architectures: Perceptron, Adaline, Multi-Layer Perceptron, RBF Networks. Deep learning: convolutional architectures (CNN),encoder-decoder, adversarial networks, transfer learning, recurrent networks and attention models. Self-organization systems: PCA, LDA and Kohonen network. Associative Memories: Hopfield Networks. Applications.
 
 
Avaliação
     
Método
Aulas teóricas, exercícios e trabalhos práticos dentro e fora da classe
Critério
Serão atribuídas notas a provas e/ou trabalhos práticos. A nota final será calculada pela média das notas obtidas pelo aluno no decorrer do semestre.
Norma de Recuperação
Até a primeira semana de aulas do semestre posterior - Critério de Aprovação: NP+(Mrec/2,5), se Mrec > ou =7,5; ou Max {NP,Mrec}, se Mrec > ou = 5,0; ou 5,0, se 5,0 < ou = Mrec < 7,5.( NP=1ª avaliação, Mrec=prova)
 
Bibliografia
     
- 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.
 
Atividades de Extensão
     
Grupo social alvo da atividade
Comunidade externa (alunos de escola pública, pessoas que pretendem ingressar na universidade e público em geral).
Objetivos da atividade
Promover a interação entre a universidade e sociedade, com a participação dos alunos, buscando o comprometimento da comunidade universitária com interesses e necessidades do grupo alvo.
Descrição da atividade
Desenvolvimento de projetos em grupo para conscientização da população sobre algoritmos baseados em Redes Neurais profundas e seus impactos no uso da tecnologia do dia-a-dia. Realização de cursos para a sociedade, palestras e produção de conteúdo.
Indicadores de avaliação da atividade
Avaliação dos projetos pela comunidade participante para verificar se a solução proposta atende a demanda. Avaliação da receptividade e participação da comunidade nos projetos desenvolvidos. Aplicação de Conhecimentos Teóricos: Avaliação da capacidade dos alunos de aplicar os conhecimentos adquiridos em sala de aula para desenvolver soluções para a comunidade atendida. Produção Acadêmica: Qualidade e relevância dos relatórios, projetos e materiais educativos produzidos pelos alunos como resultado da atividade extensionista.

Clique para consultar os requisitos para SCC0270

Clique para consultar o oferecimento para SCC0270

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP