Programa do Curso
DIA 1 - REDES NEURAIS ARTIFICIAIS
Introdução e Estrutura da RAN.
- Neurônios biológicos e neurônios artificiais.
- Modelo de uma RAN.
- Funções de ativação utilizadas em RANs.
- Categorias típicas de arquiteturas de rede.
Fundamentos Matemáticos e Mecanismos de Aprendizado.
- Revisão de álgebra vetorial e matricial.
- Conceitos de espaço de estados.
- Conceitos de otimização.
- Aprendizado por correção de erro.
- Aprendizado baseado em memória.
- Aprendizado Hebbiano.
- Aprendizado competitivo.
Perceptrons de camada única.
- Estrutura e aprendizado dos perceptrons.
- Classificador de padrões - introdução e classificadores de Bayes.
- O perceptron como classificador de padrões.
- Convergência do perceptron.
- Limitações dos perceptrons.
RAN Feedforward.
- Estruturas de redes feedforward multicamadas.
- Algoritmo de Retropropagação (Back Propagation).
- Retropropagação - treinamento e convergência.
- Aproximação funcional com retropropagação.
- Questões práticas e de projeto no aprendizado por retropropagação.
Redes de Função de Base Radial (RBF).
- Separação de padrões e interpolação.
- Teoria da Regularização.
- Regularização e redes RBF.
- Projeto e treinamento de redes RBF.
- Propriedades de aproximação das RBFs.
Aprendizado Competitivo e Redes Neurais Auto-organizáveis.
- Procedimentos gerais de agrupamento (clustering).
- Quantização Vetorial por Aprendizado (LVQ - Learning Vector Quantization).
- Algoritmos e arquiteturas de aprendizado competitivo.
- Mapeamentos de características auto-organizáveis.
- Propriedades dos mapeamentos de características.
Redes Neurais Fuzzy.
- Sistemas neuro-fuzzy.
- Fundamentação dos conjuntos difusos e da lógica fuzzy.
- Projeto de módulos fuzzy (fuzzy stems).
- Projeto de RANs fuzzy.
Aplicações
- Vários exemplos de aplicações de Redes Neurais, suas vantagens e problemas serão discutidos.
DIA 2 - APRENDIZADO DE MÁQUINA
- A Estrutura PAC Learning
- Garantias para conjuntos finitos de hipóteses – caso consistente
- Garantias para conjuntos finitos de hipóteses – caso inconsistente
- Generalidades
- Cenários determinísticos vs. estocásticos
- Ruído do erro de Bayes
- Erros de estimativa e aproximação
- Seleção de modelo
- Complexidade de Rademacher e Dimensão VC
- Troca viés-variância (Bias-Variance tradeoff)
- Regularização
- Sobreajuste (Over-fitting)
- Validação
- Máquinas de Vetores de Suporte (SVM)
- Kriging (Regressão de Processos Gaussianos)
- PCA e Kernel PCA
- Mapas Auto-organizáveis (SOM - Self Organising Maps)
- Espaço vetorial induzido por kernels
- Kernels de Mercer e métricas de similaridade induzidas por kernel
- Aprendizado por Reforço
DIA 3 - APRENDIZADO PROFUNDO
Este tópico será ministrado em relação aos conteúdos abordados nos Dias 1 e 2.
- Regressão Logística e Softmax
- Autoencoders Esparsos
- Vetorização, PCA e Whitening
- Aprendizado Auto-ensinado (Self-Taught Learning)
- Redes Profundas
- Decodificadores Lineares
- Convolução e Pooling
- Codificação Esparsa
- Análise de Componentes Independentes
- Análise de Correlação Canônica
- Demonstrações e Aplicações
Requisitos
Bom entendimento de matemática.
Bom conhecimento básico de estatística.
Competências básicas de programação não são obrigatórias, mas recomendadas.
Testemunhos de Clientes (2)
Trabalhando a partir de princípios fundamentais de forma focada e avançando para a aplicação de estudos de caso no mesmo dia
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Máquina Traduzida
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Máquina Traduzida
