Plano de Ensino

IDENTIFICAÇÃO

EMENTA

Aprendizado supervisionado: redes neurais artificiais. Neurônio de Mc-Culoch-Pitt s. Regrade Hebb. Perceptrons e Adaline. Método do gradiente descendente; reconhecimento de padrões e regressão linear. Análise exploratória de dados, seleção e transformaçãode atributos. Redes neuraismulti camadas. Regressão não linear.
Aprendizado não-supervisionado: agregadores (clustering). K-means, SOM e LVQ. Evolução diferencial. Projetos.

JUSTIFICATIVA

Ao final do curso, o aluno poderá analisar e projetar sistemas de aprendizado de máquina com uma visão crítica, compreendendo as melhores práticas e conhecendo as nuances de avaliação de desempenho de tais sistemas e em consonância com os processos atuais de inovação em aprendizado de máquina e em inteligência artificial.

OBJETIVO

PROGRAMA

1 -Introdução à Aprendizagem de Máquina. Exemplos de aplicação
1.1 - pesquisa bibliográfica sobre uma aplicação.

2 -Introdução às Redes Neurais Artificiais.
2.1 - Neurônio de Mc-Culloch-Pitts,
2.2 - Regra de Hebb
2.3 - Perceptrons
2.4 - aplicação em classificação de padrões
3 –Adaline e a Regra Delta
3.1 - aplicação em reconhecimento de padrões.
3.2 - regressão linear utilizando Adaline
4 - Análise exploratória de dados
4.1 - engenharia, seleção e transformação de atributos.
4.2 - exercícios utilizando bases de dados
5 -Redes neurais multicamadas e a retropropagação do erro.
5.1 - aplicação em reconhecimento de padrões
5.2 - aplicação em regressão não-linear
6 - Agrupamento(Clustering)
6.1 - agrupamento de dados usando K-means
6.2 - agrupamento de dados usando SOM e LVQ
6.3 - aplicação em reconhecimento de padrões
7 -Evolução Diferencial - Otimização
7.1 - fundamentos e aplicação em otimização de funções
8 -Projetos.
 

METODOLOGIA

A parte teórica deste componente curricular será ministrada na forma presencial, em sala de aula,  com a utilização de recursos audio visuais , notebook,  quadro branco e projetor.  Na parte prática,  os alunos realização experimentos  implementando algoritmos de aprendizagem de máquina. 

O atendimento ao aluno: será realizado de forma presencial ou remota através de e-mail, aplicativos de mensagens ou reuniões individuais através da plataforma Microsoft Teams, em horários específi cos a serem definidos pelo professor.

AVALIAÇÃO

A avaliação será feita através de trabalhos semanais( 100 pontos).

BIBLIOGRAFIA

Básica

[1] SARKAR D., BALI R., SHARMA T. Practical Machine Learning with Python. Apress, 2018
[2] FAUSETT, L.Artificial Neural Networks, Archiectures, Algorithms and Applications. PrenticeHall, 1994.

[3] Da SILVA, Ivan Nunes. Redes Neurais Artificiais para Engenharia e Ciências Aplicadas - Um curso prático. ArtLiber Ed. , 2010.
 

Complementar

[1] RUSSEL, S. ,NORVIG, P. Artificial Intelligence-A Modern Approach . Prentice Hall, 2003.
[2] HAYKIN, S. Redes Neurais – Princípios e Prática . Bookman Companhia e Editora, 2ª.ed., 2001.

APROVAÇÃO

Aprovado em reunião do Colegiado realizada em: ____/____/______

Coordenação do Curso de Graduação: _________________________

---

Documento assinado eletronicamente por Keiji Yamanaka, Professor(a) do Magistério Superior, em 07/02/2023, às 11:41, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.

---

A autenticidade deste documento pode ser conferida no site https://www.sei.ufu.br/sei/controlador_externo.php?acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador 4247830 e o código CRC 59A7E512.

---