Plano de Ensino

IDENTIFICAÇÃO

EMENTA

 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: 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 utilizando técnicas de aprendizagem de máquina.

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

     7.1 - fundamentos e aplicação em otimização de funções

8 - Projetos.

Cronograma: (descrição do conteúdo a ser abordado em cada dia, num total de 9 dias,  na modalidade  síncrona,  com duração de 2h/a). 

13/08 - Introdução à Aprendizagem de Máquina. Exemplos de aplicação

20/08 -  Introdução às Redes Neurais Artificiais.

27/08 - Adaline e a Regra Delta

03/09 - Análise exploratória de dados

10/09 - Redes neurais multicamadas e a  retropropagação do erro.

17/09 - Redes neurais multicamadas e a  retropropagação do erro.

24/09 -  Agrupamento(Clustering)

01/10 -  Evolução Diferencial

08/10 - Apresentação de projetos

METODOLOGIA

Para o presente componente curricular, a ser ministrado em formato remoto, no âmbito do período letivo suplementar emergencial, 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): 18 horas  de atividades. Aulas expositivas através das plataformas M-Conf,  Google Meet ou Microsoft Teams, utilizando slides(powerpoint) e lousa branca.

Carga horária prática (off-line): 27 horas de atividades. Os alunos receberão listas de exercícios, roteiros de projetos que deverão ser realizados durante a semana e entregues até a próxima aula de modalidade síncrona. Os projetos deverão ser desenvolvidos e implementados utilizando um computador(desktop/notebook). Os trabalhos serão propostos pelo professor durante a aula, e o aluno deverá entregar sua implementação via email.

Materia de apoio: Serão disponibilizados capítulos de livros que serão utilizados durante o estudo, e indicação de páginas da internet com conteúdo que abordam temas da disciplinas.

Atendimento ao aluno será realizado de forma remota, seja durante as aulas na modalidade síncrona, ou 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:

1. Acesso à internet (conforme Art. 14 da Resolução n^o 6/2020 do CONPEP, a UFU instituiu o Auxílio de Inclusão Digital aos discentes em situação de vulnerabilidade econômica);

2. Computador ou  tablet;

AVALIAÇÃO

Metodologia de avaliação individual será baseada:

1. Na entrega e correção de listas de exercícios e projetos semanais.  A média final será calculada pela soma das notas obtidas nos trabalhos enviados para o professor dividida pelo total de trabalhos propostos.

          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.    

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 24/07/2020, às 13:35, 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 2156681 e o código CRC 71C48EAC.

---