|
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 transformaçãode atributos. Redes neurais multicamadas. 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
Objetivo Geral: |
Aprender e utilizar as melhores práticas para projetos de sistemas baseados em técnicas de aprendizagem de máquina. |
Objetivos Específicos: |
|
|
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 remoto, 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 síncrona (on-line): serão 30 aulas expositivas através das plataformas M-Conf, Google Meet ou Microsoft Teams seguindo o conteúdo proposto obedecendo as datas e horários estabelecidos.
Modalidade assíncrona: num total de 15 aulas, os alunos realizarão as tarefas e os projetos propostos, e assistirão às videoaulas recomendadas.
O atendimento ao aluno será realizado de forma remota, seja durante as aulas na modalidade síncrona, ou na modalidade assíncrona, através de e-mail, aplicativos de mensagens ou reuniões individuais através das plataformas M-Conf, Google Meet ou Microsoft Teams, em horários específicos a serem definidos pelo professor.
- Para o pleno acompanhamento das atividades a serem desenvolvidas, o discente necessitará de:
Acesso à internet (conforme Art. 14 da Resolução no 6/2020 do CONPEP, a UFU instituiu o Auxílio de Inclusão Digital aos discentes em situação de vulnerabilidade econômica);
Computador, tablet ou celular;
AVALIAÇÃO
Metodologia de avaliação individual será baseada:
Na entrega de listas de exercícios e projetos semanais.
Valor: 100,0 pontos
BIBLIOGRAFIA
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.
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 23/06/2021, às 10:12, 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 2855405 e o código CRC 51C5C7B1. |
Referência: Processo nº 23117.039263/2021-30 | SEI nº 2855405 |