|
UNIVERSIDADE FEDERAL DE UBERLÂNDIA Av. João Naves de Ávila, 2121, Bloco 3N - Bairro Santa Mônica, Uberlândia-MG, CEP 38400-902 |
|
Plano de Ensino
IDENTIFICAÇÃO
Componente Curricular: |
|||||||||
Unidade Ofertante: |
|||||||||
Código: |
Período/Série: |
Turma: |
|||||||
Carga Horária: |
Natureza: |
||||||||
Teórica: |
Prática: |
Total: |
Obrigatória: |
Optativa: |
|||||
Professor(A): |
Ano/Semestre: |
||||||||
Observações: |
EMENTA
Introdução: Aprendizado supervisionado: redes neurais artificiais. Neurônio de Mc-Culoch-Pitts. Regra de Hebb. Perceptrons e Adaline. Método do gradiente descendente; reconhecimento de padrões e regressão linear. Análise exploratória de dados, seleção e transformação de atributos. Redes neurais multicamadas. Regressão não linear. Aprendizado não-supervisionado: agrupamento (clustering). Kmeans, 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
Objetivo Geral: |
Aprender e utilizar as melhores práticas para projetos de sistemas baseados em técnicas de aprendizagem de máquina. |
Objetivos Específicos: |
Compreender e implementar: - um sistema de aprendizado supervisionado: redes neurais artificiais (e.g. MLP). - um sistema de aprendizado não-supervisionado: métodos de agrupamento (K-means). SOM e LVQ - um sistema de otimização utilizando Evolução Diferencial. |
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
Para o presente componente curricular, a ser ministrado em formato presencial, será adotada aula na modalidade síncrona (todos os alunos simultaneamente conectados à internet sob a regência do professor). Para tal efeito, serão consideradas as seguintes mídias: Modalidade presencial: serão 30 aulas expositivas Modalidade assíncrona, num total de 15 aulas, os alunos realizarão as tarefas e os projetos propostos. 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 específicos a serem definidos pelo professor.
AVALIAÇÃO
Metodologia de avaliação individual será baseada:
1. Na entrega de listas de exercícios e projetos semanais. Valor: 100,0 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. Prentice Hall, 1994.
[3] RUSSEL, S. ,NORVIG, P. Artificial Intelligence-A Modern Approach. Prentice Hall, 2003.
[4] Da SILVA, Ivan Nunes. Redes Neurais Artificiais para Engenharia e Ciências Aplicadas- Um curso prático. ArtLiber Ed. , 2010.
[5] HAYKIN, S. Redes Neurais – Princípios e Prática. Bookman Companhia e Editora, 2ª.ed., 2001.
Complementar
Para enriquecimento dos estudos. No mínimo 5 títulos.
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 17/01/2024, às 08:44, 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 5110139 e o código CRC 1C0759AB. |
Referência: Processo nº 23117.002005/2024-41 | SEI nº 5110139 |