FEEC/CPG - Caderno de Horário (Oferecimento de Disciplinas) - CPG
Caderno Horário:
IA353 - Redes Neurais | Neural Networks | Redes Neuronales
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.-
Conteudo Programático em Inglês: Introduction and Motivation Biological Basis: Functional and Organizational Aspects Basic Foundations of Linear Algebra and Optimization Non-Recurrent Neural Networks Recurrent Neural Networks.Self-Organizing Maps and Unsupervised Learning Regularization and Other Learning Machines Performance Criteria in Machine Learning Deep Learning: Optimization in Supervised Learning Deep Learning: Convolutional Networks + Dropout + Committee Machines Deep Learning: Long Short-Term Memory (LSTM) Device Deep Learning: Representation Learning, Autoencoders, Manifolds and RBMs Deep Learning: Natural Language Processing, Attention Models, Transformers and Pathways Deep Learning: Generative Adversarial Networks (GANs) and Diffusion Models Deep Learning: Interpretation of the Trained Neural Network Deep Learning: Introduction to Reinforcement Learning Deep Learning: Techniques for Finding the Best Architecture in Deep Neural Networks Throughout the course, Computational Projects (CPs) will be assigned, with the report delivery date and activity weight defined at the time of delivery of the activity script.
Conteudo Programático em Espanhol: Introducción y motivación Bases biológicas: Aspectos funcionales y organizativos Fundamentos básicos del álgebra lineal y la optimización Redes neuronales no recurrentes Redes neuronales recurrentes Mapas autoorganizados y aprendizaje no supervisado Regularización y otras máquinas de aprendizaje Criterios de rendimiento en el aprendizaje automático Aprendizaje profundo: Optimización en el aprendizaje supervisado Aprendizaje profundo: Redes convolucionales + Dropout + Máquinas de comité Aprendizaje profundo: Dispositivo de memoria a largo y corto plazo (LSTM) Aprendizaje profundo: Aprendizaje de representación, autocodificadores, variedades y RBM Aprendizaje profundo: Procesamiento del lenguaje natural, modelos de atención, transformers y pathways Aprendizaje profundo: Redes generativas oponentes (GAN) y modelos de difusión Aprendizaje profundo: Interpretación de la red neuronal entrenada Aprendizaje profundo: Introducción al aprendizaje por refuerzo Aprendizaje profundo: Técnicas para encontrar la mejor arquitectura en redes neuronales profundas A lo largo del curso, se asignarán Proyectos Computacionales (CP), con fecha de entrega del informe y peso de la actividad definidos al momento de la entrega del guión de la actividad.
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