Curso de Redes Neurais

Ttulo: Introduo s Redes Neurais Artificiais Facilitador: Dr. Francisco Beraldo Herrera Fernandez Carga horria: 20 horas Metodologia: apresentaes ferramentas computacionais; expositivas acompanhadas de

Pr-requisitos: desejvel que os participantes tenham experimentado cursos (em nvel de graduao) de matemtica e elementos de computao e programao bsica. Objetivos: Capacitar os participantes a utilizarem uma ferramenta para o projeto (treinamento, validao e teste) de redes neurais artificiais com aplicaes no campo da sociedade e da economia. Recursos necessrios: Hardware: um projetor multimdia (data show); um computador para o facilitador usar em conjunto com o projetor; Software: Matlab 7 ou superior.

Distribuio da carga horria: Captulos 1 e 2 (4 horas); Captulo 3 (4 horas); Captulos 4 e 5 (4 horas); Captulos 6,7,8,9 (4 horas); Captulo 10 (4 horas); Objetivo: Oferecer aos participantes os conhecimentos mnimos necessrios para o emprego de redes neurais artificiais na soluo de problemas de classificao, estimao e predio. Embora o desenvolvimento de rotinas computacionais sofisticadas no seja a nfase do curso, procurar-se- sempre manter a conformidade das informaes repassadas com os fundamentos matemticos que sustentam o emprego bem sucedido de redes neurais artificiais. Ao longo do curso os participantes realizaro diversas simulaes computacionais, com vistas fixao de conceitos. Ao final espera-se que os participantes estejam aptos a utilizarem um software para sntese de redes neurais artificiais de maneira critica, fazendo escolhas sensatas. Contedo Programtico

1- Modelos. 1.1 Modelos, o que so? Qual o propsito de um modelo? Lineares x no-lineares. Estticos x dinmicos. Tempo contnuo x tempo discreto. Paramtricos x no-paramtricos. Determinsticos x estocsticos. Modelos formais (leis fsicas) x Empricos ou orientados a dados (data driven). Modelos hbridos. 1.2 Os problemas de predio, classificao e formao de agrupamentos (clustering); Alguns problemas e possveis solues por meio de modelos; 2- Redes Neurais Artificiais 2.1 A inspirao biolgica, o neurnio biolgico, o neurnio artificial, redes neurais artificiais; 2.2 O paradigma da computao neural: Abordagens top-down x bottom-up; Soluo programada x no-programada; O papel da no-linearidade 2.3 Aprendizagem Supervisionada No-supervisionada Exemplos de arquiteturas de redes neurais com estes paradigmas. Elementos das arquiteturas (Entradas, Sadas, Parmetros ajustveis): redes MLP e Kohonen. Alguns experimentos computacionais. 3- Algoritmos de aprendizagem 3.1 O que so? Uma viso introdutria. O ajuste de parmetros Funes de Custo 3.2 A minimizao da Funo de Custo Gradiente (Backpropagation e outros) Busca local e busca global (busca aleatria) Taxas ajustveis Problemas linearmente separveis Problemas que demandam no-linearidade 3.3 Alguns experimentos computacionais 3.4 Aplicaes 4- Os padres de treinamento, origem, caractersticas, rudos e anomalias:

4.1 4.2 4.3 4.4

Presena ou ausncia de contexto (dependncia temporal); Estacionariedade x no-estacionariedade Como introduzir a dependncia temporal em uma rede neural? Os problemas de classificao Padres e Predio de sries temporais 4.5 Alguns Experimentos Computacionais 5- Outras Arquiteturas e algoritmos para Redes Neurais Artificiais 5.1 Classificao de arquiteturas Redes estticas (MLP, RBF, SVM, Kohonen, etc) Redes Dinmicas (Redes recorrentes) 5.2 Algoritmos recursivos ou sequenciais. 5.3 Aplicaes 6- A escolha de uma arquitetura de rede neural. 6.1 o compromisso bias x varincia 6.2 A escolha da arquitetura com vistas Generalizao A complexidade do problema Algumas tcnicas possveis para tratar o problema Validao cruzada Parada antecipada Regularizao 6.4 Alguns experimentos computacionais 7. Aprofundamento na dependncia temporal 7.1 A presena ou ausncia de correlao entre variveis ndices para dependncias lineares e no-lineares 7.2 O problema de Identificao de Sistemas 7.3 Modelos construdos a partir de dados histricos 7.4 A possibilidade de experimentos para identificao 7.5 Modelagem Off-line x On-line Modelos Clssicos 7.6 As bases tericas para o uso de rede neurais: 8- Validao de modelos dinmicos 8.1 Teste de correlao do erro de predio 8.2 Experimentos computacionais 9- Consideraes adicionais 9.1 Modelos SISO e MIMO 9.2 Identificao e remoo de outliers 9.3 Seleo de variveis 10- Estudos de Casos 10.1 Os participantes em conjunto com o facilitador definiro um problema e desenvolvero as seguintes etapas: 10.2 Formulao do problema;

Definio de entradas e sadas Definio de funes de custo Escolha da arquitetura de rede neural 10.3 Treinamento e validao do modelo 10.4 Anlise dos resultados obtidos 10.5 Apresentao dos resultados