Acompanha Pós: IA353 - Redes Neurais

Ementa: Paradigmas Computacionais. Ciências da cognição. Modelos elementares de neurônios: discretos e contínuos. Redes neurais artificiais; arquiteturas básicas. Aprendizado através de redes neurais: estratégias e algorítmos. Redes multicamadas. Redes auto-organizadas. Redes de Hopfield. Redes RBF. Aplicações: classificação de padrões, controle e identificação, séries temporais, otimização.

Conteúdo Programático: Introdução e Motivação Base Biológica: Aspectos Funcionais e Organizacionais Fundamentos Básicos de Álgebra Linear e Otimização Redes Neurais Não-Recorrentes Redes Neurais Recorrentes Mapas Auto-Organizáveis e Aprendizado Não-Supervisionado Regularização e Outras Máquinas de Aprendizado Critérios de Desempenho em Aprendizado de Máquina Deep Learning: Otimização em Treinamento Supervisionado Deep Learning: Redes Convolucionais + Dropout + Comitê de Máquinas Deep Learning: Bloco Long Short Term Memory (LSTM) Deep Learning: Aprendizado da Representação, Autoencoders, Manifolds e RBMs Deep Learning: Processamento de Linguagem Natural, Modelos de Atenção, Transformers e Pathways Deep Learning: Redes Adversárias Generativas (GANs) e Modelos de Difusão Deep Learning: Interpretação da Rede Neural Treinada Deep Learning: Introdução ao Aprendizado por Reforço Deep Learning: Técnicas de Busca da Melhor Arquitetura em Redes Neurais Profundas Ao longo do curso, serão passados Projetos Computacionais (PCs), com data de entrega do relatório e peso da atividade definidos por ocasião da entrega do enunciado.  

Plano de Desenvolvimento: n/a

---

Conforme IN CCG nº 02/2025 - Cláusula de Honestidade e Lisura Acadêmica

Todas as atividades relacionadas às disciplinas devem ser realizadas em conformidade com as orientações fornecidas pelos docentes e com o devido rigor ético.

Caso o(a) docente responsável, no exercício de sua liberdade de cátedra, forme convicção acerca da ausência de lisura ou de condições adequadas para a realização da atividade avaliativa, poderá atribuir nota zero, seja para a atividade única ou, conforme o caso, para o conjunto de atividades do semestre. A ocorrência deverá ser fundamentada e comunicada à Coordenação de Curso de Graduação, podendo o(a) estudante estar sujeito a processo administrativo.

Bibliografia: Haykin, S. Neural Networks: A Comprehensive Foundation. 2ª ed., Prentice Hall, 1998. Kohonen, T. Self-Organization and Associative Memory. 2ª ed., Springer, 1988. Bishop, C. M. Neural Networks for Pattern Recognition. Oxford University Press, 1995. Hassoun, M. H. Fundamentals of Artificial Neural Networks. MIT Press, 1995. Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning. MIT Press, 2016.

Critério de Avaliação: 2 provas em sala de aula, sem consulta Projetos computacionais individuais ou em grupo (dependendo do tamanho da turma) com prazo de entrega

Bibliografia complementar: n/a