Programa do Curso
DIA 1 - REDES NEURAIS ARTIFICIAIS
Introdução e Estrutura de RNA.
- Neurônios biológicos e neurônios artificiais.
- Modelo de uma RNA.
- Funções de ativação utilizadas em RNAs.
- Classes típicas de arquiteturas de rede.
Fundamentos Matemáticos e Mecanismos de Aprendizado.
- Revisão de álgebra de vetores e matrizes.
- 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 de perceptrons.
- Classificador de padrões - introdução e classificadores de Bayes.
- Perceptron como classificador de padrões.
- Convergência do perceptron.
- Limitações dos perceptrons.
RNA Feedforward.
- Estruturas de redes feedforward multicamadas.
- Algoritmo de retropropagação (backpropagation).
- Retropropagação - treinamento e convergência.
- Aproximação funcional com retropropagação.
- Questões práticas e de projeto do aprendizado por retropropagação.
Redes de Funções Base Radiais (RBF).
- Separabilidade de padrões e interpolação.
- Teoria da Regularização.
- Regularização e redes RBF.
- Projeto e treinamento de redes RBF.
- Propriedades de aproximação das RBF.
Aprendizado Competitivo e RNA Auto-organizada.
- Procedimentos gerais de agrupamento (clustering).
- Quantização Vetorial de Aprendizado (LVQ).
- Algoritmos e arquiteturas de aprendizado competitivo.
- Mapas de características auto-organizados.
- Propriedades de mapas de características.
Redes Neurais Fuzzy.
- Sistemas neuro-fuzzy.
- Fundamentos de conjuntos fuzzy e lógica.
- Projeto de sistemas fuzzy.
- Projeto de RNAs fuzzy.
Aplicações
- Serão discutidos alguns exemplos de aplicações de Redes Neurais, suas vantagens e problemas.
DIA 2 - APRENDIZADO DE MÁQUINA
- Moldura de Aprendizado PAC (Probably Approximately Correct)
- Garantias para conjunto finito de hipóteses - caso consistente
- Garantias para conjunto finito de hipóteses - caso inconsistente
- Generalidades
- Cenários determinísticos vs. estocásticos
- Ruído de erro de Bayes
- Erros de estimativa e aproximação
- Seleção de modelos
- Complexidade Rademacher e Dimensão VC
- Compromisso entre viés e variância (Bias-Variance tradeoff)
- Regularização
- Overfitting
- Validação
- Máquinas de Vetores de Suporte (SVM)
- Kriging (Região de Processos Gaussianos)
- PCA e Kernel PCA
- Mapas de Auto-organização (SOM)
- Espaço de vetores induzido por Kernel
- Kernel de Mercer e métricas de similaridade induzidas por Kernel
- Aprendizado por Reforço
DIA 3 - DEEP LEARNING
Este conteúdo será ensinado em relação aos tópicos abordados nos Dias 1 e 2
- Regressão Logística e Softmax
- Auto-encoders Esparcidos
- Vetorização, PCA e Whitening
- Auto-aprendizado (Self-Taught Learning)
- Redes Profundas
- Decodificadores Lineares
- Convolução e Pooling
- Codificação Esparcida
- Análise de Componentes Independentes
- Análise de Correlação Canônica
- Demonstrações e Aplicações
Requisitos
Bom entendimento de matemática.
Bom entendimento de estatística básica.
Habilidades básicas de programação não são obrigatórias, mas são 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
