FEEC/CPG - Caderno de Horário (Oferecimento de Disciplinas) - CPG
Caderno Horário:
IA353 - Redes Neurais
Turma: A - Período: 1/2026 - Tipo Período: 1o. período letivo - Disciplina: 4 créditos.
Ementa: 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. Deep Learning: Otimização não-linear e funções-custo, Redes Convolucionais, Dropout, Bloco Long Short Term Memory (LSTM), Aprendizado da Representação, Manifolds, Autoencoders, Restricted Boltzmann Machines, Processamento de Linguagem Natural, Modelos de Atenção, Redes Adversárias Generativas, Interpretação da Rede Neural Treinada, Aprendizado por Reforço.
Bibliografia: Bishop, C.M. (2007) “Pattern Recognition and Machine Learning”, Springer, ISBN: 0387310738. Géron, A. (2019) “Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow”, O’Reilly, 2nd edition, ISBN: 978-1492032649. Goodfellow, I.; Bengio, Y. & Courville, A. (2016) “Deep Learning”, The MIT Press, ISBN-13: 978-0262035613. Haykin, S. (2008) “Neural Networks and Learning Machines”, 3rd edition, Prentice Hall, ISBN: 0131471392. Kohonen, T. (2000) “Self-Organizing Maps”, 3rd Edition, Springer, ISBN: 3540679219.
Conteudo 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.-
Obs.: Consultar Catálogo vigente na DAC.
Obs.: Consultar Catálogo vigente na DAC.
Forma Avaliação: 2 provas em sala de aula, sem consulta
Projetos computacionais individuais ou em grupo (dependendo do tamanho da turma) com prazo de entrega
Ofertar para Graduação:
Sim Número Limite de Alunos de Graduação:
10
Aceita Estudante Especial:
Sim
Número de Alunos Total:
de 5 até 40
Mais informações:
Docente(s):
- Fernando José Von Zuben ( Matrícula: 263958 - e-mail: vonzuben@dca.fee.unicamp.br - Ramal: 83820 )
Horário(s):
- terça-feira das 10:00 às 12:00
- quinta-feira das 10:00 às 12:00
Sala(s):
- PE12
Turma(s):
- A