Jupiterweb

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: SCC0670 - Introdução a Redes Neurais

Introduction to Neural Networks

Créditos Aula:	3
Créditos Trabalho:	1
Carga Horária Total:	75 h
Tipo:	Semestral
Ativação:	01/01/2012	Desativação: 30/01/2023

Objetivos

Fornecer ao aluno, conceitos básicos e características de modelos conexionistas, apresentando os principais modelos, bem como, as diversas áreas em que esses modelos podem ser utilizados.

Present students with the basics of Neural Networks and their key models. To analyze the behavior of these models, their fundamental capabilities and limitations, enabling the use of these techniques in solving practical problems.

Programa Resumido

Apresentação dos principais modelos de redes neurais artificiais para classificação/predição de padrões e aplicações.

Research on Neural Networks is in full development and results in solving complex problems (vision, voice, etc.), many of them not yet satisfactorily solved on digital computers, have attracted the interest of researchers in various areas such as image processing, pattern recognition, robotics, control, optimization, parallel processing, etc. Because of its multidisciplinary character, it is believed that this course will attract graduate students from various fields and will enable the development of important research involving Neural Networks.

Programa

Definição de modelos conexionistas. Aprendizado em Modelos Conexionistas: aprendizado supervisionado, não-supervisionado. competitivo. Arquiteturas básicas: Perceptron. Adaline, Perceptron Multi-Camadas, Redes RBF, Memórias Associativas: Redes de Hopfield. Sistemas de Auto-organização: Rede de Kohonen. Aplicações.

1. INTRODUCTION: Cognition and Biological Models. Learning and Intelligence. Symbolic versus Non-Symbolic Processing. Pattern Recognition 2. NEURAL NETWORKS Brief History of Neural Networks. Basics 3. FIRST MODELS Perceptron Adaline 4. MLP NETS Architecture. Backpropagation algorithm. Applications 5. RBF Networks. Architecture. Training. Applications 6. Associative Networks. Hopfield Networks. Boltzmann Machine. Applications 7. Self-Organizing Networks. Kohonen Model. ART Networks. Applications 8. Hybrid Systems 9. Future directions.

Avaliação

Método

Aulas teóricas e 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 ponderada das notas obtidas pelo aluno no decorrer do semestre.

Norma de Recuperação

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

Livro(s) Texto(s):

-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.

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.
-KOHONENT,T.   "Self-Organization and Associative Memory", Springer-Verlag, 1984.
-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.

Clique para consultar os requisitos para SCC0670

Clique para consultar o oferecimento para SCC0670