Objetivo:

Conhecer a estrutura de uma rede neural e como se dá o processo de treinamento, começando por perceptrons, chegando a perceptrons de múltiplas camadas, discutindo aspectos relacionados a deep learning. Esse curso cobre não somente os aspectos teóricos envolvidos no projeto de redes neurais, mas também aspectos práticos da implementação desses.

Tópicos:

• Cérebro e neurônios
• Perceptrons
  • Perceptron de único Neurônio
  • Perceptron de uma única camada
  • Algoritmos de aprendizagem
  • O Problema do XOR
• Perceptrons Multicamadas
  • Aproximação Universal
  • Algoritmo de Backpropagation
  • Funções de Ativação
  • Camadas de Saída e codificação
  • Projeto da Arquitetura da Rede Neural
    • Inicialização de Pesos
    • Otimização de parâmetros de aprendizagem
    • Funções de otimização
  • Regularização
• Tensorflow
• Keras

Duração:

• Aula Teórica Presencial: 2 Semana (8h). Dois encontros de 4 horas.
• Projetos individuais da disciplina: 64 h

Audiência:

Estudantes Graduados em Ciência da Computação ou áreas correlatas.

Bibliografia:

Aggarwal, C.C., 2018. Neural Networks and Deep Learning: A Textbook, 1st ed. Springer, Cham.

Du, K.-L., Swamy, M.N.S., 2013. Neural Networks and Statistical Learning, Edição: 2014. ed. Springer, New York.

Haykin, S.O., 2008. Neural Networks and Learning Machines, Edição: 3. ed. Pearson, New York.