UNIVERSIDADE FEDERAL DE ALAGOAS – UFAL

Plano de Curso

I - IDENTIFICAÇÃO
Disciplina: ECOM178 - REDES NEURAIS E APRENDIZADO PROFUNDO
Curso: ENGENHARIA DE COMPUTAÇÃO - CAMPUS MACEIÓ Turma: M Ano: 2023 - 2º Semestre CH: 60
Docente: TIAGO FIGUEIREDO VIEIRA
II - EMENTA
Fundamentos de redes neurais. Redes Neurais de Múltiplas camadas. Funções de ativação. Algoritmo de Retro-Propagação. Sobre-Ajuste e
técnicas de Regularização como dropout. Balanço viés-variância. Refinamento de Hiper-Parâmetros. Estratégias de treinamento. Algoritmos de
otimização. Validação Cross-Fold e estratégias de treinamento. Tratamento de dados heterogêneos, estruturados ou não estruturados. Redes
Neurais Convolucionais. Redes Neurais Recorrentes.
III - OBJETIVOS
Apresentar técnicas e estratégias fundamentais para o treinamento supervisionado de modelos baseados em redes neurais profundas.

IV - CONTEÚDO PROGRAMÁTICO

1. Introdução.

2. Regressão logística, redes rasas, redes profundas.

3. Generalização em redes neurais profundas

4. Redes neurais convolucionais

5. Redes neurais convolucionais

6. Redes neurais recorrentes

V - METODOLOGIA
A disciplina será apresentada numa modalidade estruturada seguindo as seguintes estratégias principais:
Apresentação da intuição que embasa o funcionamento das técnicas através:
apresentação de slides, diagramas, ilustrações, vídeo-aulas e aulas online.
do desenvolvimento de código diretamente na plataforma colab disponibilizada pelo Google.
apresentação da fundamentação teórica pertinente.
Execução de atividades práticas que os discentes devem fazer por conta própria e serão abordadas/solucionadas em encontros remotos live.
Resolução de questionários online que serão atribuídos aos estudantes para consolidação da aprendizagem e possível avaliação.
Desenvolvimento de projeto prático.

VI - AVALIAÇÃO
Serão realizadas 4 avaliações como tradicionalmente é feito. AB1, AB2, Reavaliação e Prova final. As notas serão compostas por:
resolução de questionário online (google form -- 20%);
Resolução de atividade prática via implementação de solução utilizando jupyter notebook (google colab -- 40%);
Avaliação via formulário online (AB1/AB2 -- 40%).
Tanto a prova de reavaliação quanto a final irão consistir no desenvolvimento de modelos de redes neurais profundas para resolver problemas
específicos onde o/a discente deverá satisfazer os requisitos propostos. A nota será proporcional ao desempenho dos modelos.

VII - REFERÊNCIAS
BÁSICAS:
Goodfellow, I., Bengio, Y., Courville, A. “Deep Learning”. MIT Press. 2016. Disponível em https://www.deeplearningbook.org/
Nielsen, M. “Neural Networks and Deep Learning”. Determination Press, 2015. Disponível em http://neuralnetworksanddeeplearning.com/
Chollet, F. “Deep Learning with Python”. Manning Publications, 2018.
COMPLEMENTARES:
Haykin, S. “Neural Networks and Learning Machines”. Pearson, 3rd Ed.
Braga, A. “Redes Neurais Artificiais. Teoria e Aplicações”. LTC, 2007.
Géron, A. “Hands-On Machine Learning with Scikit-Learn and TensorFlow”. O’Reilly.