Portal do Ementário

Apresentar os aspectos fundamentais e principais algoritmos de deep learning e redes neurais. Além do estudo dos algoritmos, será estudada a realização de experimentos com esses algoritmos para entender como eles induzem conhecimento utilizando aplicações reais nas áreas ambiental, saúde, social e finanças. Sempre que possível, relacionar estas áreas a questões étnico-raciais e de direitos humanos.

Introdução à Aprendizagem Profunda: Motivação; Arquitetura e funcionamento de redes neurais artificiais; Diferença entre Aprendizado de Máquina tradicional e Aprendizagem Profunda - Redes Neurais Artificiais: Perceptron e função de ativação; Redes neurais feedforward; Camadas ocultas e modelos de redes neurais profundos; Treinamento de redes neurais: algoritmo de  retropropagação (backpropagation) - Arquiteturas de Redes Neurais Profundas: Redes Neurais Convolucionais (CNNs) para processamento de imagens; Redes Neurais Recorrentes (RNNs) para processamento de sequências; Redes Generativas Adversariais (GANs) para geração de conteúdo - Treinamento de Redes Neurais Profundas: Funções de custo e otimização;  Regularização e prevenção de overfitting; Inicialização de pesos e normalização de dados; Técnicas avançadas de otimização (SGD, Adam, RMSprop) - Avaliação e Interpretação de Modelos de Aprendizagem Profunda: Métricas de avaliação de desempenho; Análise de erros e diagnóstico de modelos; Interpretabilidade e explicabilidade de modelos de aprendizagem profunda - Aplicações de Aprendizagem Profunda.

BRAGA, A. P.; CARVALHO, A. P.; LUDEMIR, T. B. Redes neurais artificiais: Teoria e aplicações. LTC Editora, 2000. 262p. CHOLLET, F.; KALINOWSKI, W. T.; ALLAIRE, J. J. Deep Learning with R. 2nd Ed. Manning Publications. 2022. 548p. GOODFELLOW, I; BENGIO, Y; COURVILLE, A. Deep learning. MIT Press, 2016. 785p. Disponível em http://www.deeplearningbook.org. WEIDMAN,S. Deep learning for scratch: Building with python from first principles. O’reilly. 2019. 246p.

BISHOP, C. Pattern Recognition and Machine Learning. Springer. 2011. HAYKIN, S. Neural networks and learning machines. 3rd Ed. Pearson. 2009. 906p.KELLEGER, J.; McNAMEE, B.; D’ARCY, A. Fundamentals of Machine Learning for Predictive Data Analytics – Algorithms, Worked Examples, and Case Studies. MIT Press, 2015. 624 p.MEHLIG, B. Machine learning with neural networks: An introduction for scientists and engineers. Cambridge university press. 2022. 249p.