---

Área de concentração: 55134 - Ciências de Computação e Matemática Computacional

Criação: 29/06/2023

Nº de créditos: 12

Carga horária:

Teórica Por semana	Prática Por semana	Estudos Por semana	Duração	Total
2	2	8	15 Semanas	180 Horas

Docentes responsáveis:

André Carlos Ponce de Leon Ferreira de Carvalho
João Luis Garcia Rosa
Moacir Antonelli Ponti
Roseli Aparecida Francelin Romero

Objetivos:

Apresentar ao aluno os conceitos básicos de Redes Neurais Artificiais e os principais modelos existentes. Analisar o comportamento destes modelos, suas capacidades fundamentais e limitações, possibilitando a utilização destas técnicas na resolução de problemas práticos.

Justificativa:

Desde o surgimento de modelos de Redes Neurais Artificiais, as pesquisas nesta área continuam em pleno desenvolvimento e os resultados obtidos na solução de problemas complexos (visão, voz, etc.), muitos deles ainda não resolvidos satisfatoriamente em computadores digitais, têm atraído muito o interesse de pesquisadores de diversas áreas, tais como, processamento de imagens, reconhecimento de padrões, robótica, controle, otimização, processamento paralelo, etc.. Por seu caracter multidisciplinar, acredita-se que este curso atrairá estudantes de pós-graduação de diversas áreas e proporcionará o desenvolvimento de importantes pesquisas envolvendo modelos de Redes Neurais Artificiais.

Conteúdo:

1. INTRODUÇÃO: Cognição e Modelo Biológico, Aprendizado e Inteligência, Processamento Simbólico versus Não-Simbólico, Reconhecimento de padrões; REDES NEURAIS: Breve histórico de Redes Neurais,· Conceitos Básicos; 3. PRIMEIROS MODELOS: Perceptron, Adaline; 4. REDES MLP: Arquitetura, Algoritmo backpropagation, Aplicações; 5. Redes RBF: Arquitetura,Treinamento, Aplicações; 6. DEEP LEARNING: Arquitetura, Treinamento, Aplicações; 7. REDES ASSOCIATIVAS: Redes de Hopfield, Máquina Boltzmann; Aplicações; 8. REDES SELF-ORGANIZING: Modelo de Kohonen, Redes ART, Aplicações; 9. REDES NEURAIS PULSADAS: Arquitetura, Treinamento, Aplicações;10. Perspectivas futuras.

Forma de avaliação:

Serão aplicados provas e trabalhos e a media final será a media ponderada entre média de provas e média de trabalhos, com os seguintes conceitos: A (de 8,5 a 10,0); B (de 7,0 a 8,5) e C (6,0 a 7,0) e R - media abaixo de 6,0 - reprovado

Observação:

Nenhuma.

Bibliografia:

Fundamental
"- Haykin, Simon S.. Neural networks : a comprehensive foundation. 2nd ed. Upper Saddle River, N.J. : Prentice Hall, c1999. xxi, 842 p. : ill. ; 25 cm. ISBN 0132733501.
- Haykin, Simon; Engel, Paulo Martins (trad). Redes neurais : princípios e prática. 2.ed. Porto Alegre : Bookman, 2001. 900 p. ISBN 8573077182.
- KOHONENT,T. - ""Self-Organization and Associative Memory"", Springer-Verlag, 1984.
- RUMELHART, D.; MCCLELLAND and THE PDP RESEARCH GROUP - Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. I. Cambridge MA:MIT Press, 1986."
Complementar
"- BENGIO, Y.; - “Learning Deep Architectures for AI”, Foundations and Trends in Machine Learning, Vol.2, n.1, p.1-127, 2009
- HERTZ, J.; JROGH, A.; PALMER, R.G. - ""Introduction to the theory of Neural Computation"", Addison-Wesley Publishing Company, CA, 1991.
- BISHOP, C. - ""Neural Networks for Pattern Recognition"", Oxford University Press, 1995.
- SMITH, M. - ""Neural Networks for Statistical Modeling"", Van Nostrand Reinhold, 1993.
- BRAGA, Antônio de Pádua.; Carvalho, André Carlos Ponce de Leon Ferreira. “Redes neurais artificiais : teoria e aplicações”, Rio de Janeiro : LTC Editora, 2000. 262 p.
- Deep Learning Tutorial, Release 0.1, LISA lab, University of Montreal, September 01, 167 p., 2015."