Plano de Ensino

IDENTIFICAÇÃO

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

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.

---