|
|
Atividade
| 109329 - Redes Neurais e Deep Learning |
| Período da turma: | 20/10/2023 a 17/11/2023
|
||||
|
|
|||||
| Descrição: | Objetivos
Este curso tem como objetivo apresentar os principais modelos de redes neurais artificiais. Modelos que incorporam os 3 principais paradigmas de aprendizado: supervisionado, não supervisionado e por reforço serão apresentados. Aplicações em diversas áreas também serão vistas. Justificativa As redes neurais profundas (DNN) têm apresentado excelentes desempenhos em tarefas de classificação e reconhecimento de padrões. Alguns dos modelos existentes conseguiram superar o desempenho de humanos no reconhecimento de imagens e tem revolucionado a área de visão computacional entre outras. Conteúdo Neste curso serão apresentados, inicialmente, modelos básicos, tais como, Perceptron, rede MLP – Multi-Layer Perceptrons e alguns dos principais modelos de redes profundas redes, tais como, redes convolucionais (CNN), redes adversárias. Conceitos de técnicas de aprendizado como transfer learning e redes de aprendizado por reforço profundo. Todos os métodos serão acompanhados com exercícios práticos usando o framework TensorFlow. Bibliografia básica BENGIO, Y.; - “Learning Deep Architectures for AI”, Foundations and Trends in Machine Learning, Vol.2, n.1, p.1-127, 2009 HERTZ, J.; JROGH, A.; PALMER, R.G. - "Introduction to the theory of Neural Computation", Addison-Wesley Publishing Company, CA, 1991. HAYKIN, S.; “Redes Neurais – Princípios e prática”, Bookman, 2ªed. BISHOP, C. - "Neural Networks for Pattern Recognition", Oxford University Press, 1995. SMITH, M. - "Neural Networks for Statistical Modeling", Van Nostrand Reinhold, 1993. KOHONENT,T. - "Self-Organization and Associative Memory", Springer-Verlag, 1984. RUMELHART, D.; MCCLELLAND and THE PDP RESEARCH GROUP - Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. I. Cambridge MA:MIT Press, 1986. Ponti, M.A., Ribeiro, L.S.F., Nazare, T.S., Bui, T. and Collomosse, J. Everything you wanted to know about deep learning for computer vision but were afraid to ask. In 2017 30th SIBGRAPI conference on graphics, patterns and images tutorials (SIBGRAPI-T) (pp. 17-41). IEEE. BRAGA, Antônio de Pádua.; Carvalho, André Carlos Ponce de Leon Ferreira. “Redes neurais artificiais : teoria e aplicações”, Rio de Janeiro : LTC Editora, 2000. 262 p. Bibliografia complementar CHEN, STEVEN W. ; VICENTIM NARDARI, GUILHERME ; LEE, ELIJAH S. ; QU, CHAO ; LIU, XU ; Romero, Roseli Ap. Francelin ; KUMAR, VIJAY . SLOAM: Semantic Lidar Odometry and Mapping for Forest Inventory. IEEE ROBOTICS AND AUTOMATION LETTERS, v. 5, p. 612-619, 2020. GARCIA, F. A. ; RANIERI, C. M. ; ROMERO, R. A. F. . Temporal Approaches for Human Activity Recognition using Inertial Sensors. In: LARS/SBR 2019, 2019, RIO GRANDE - RS. Proceedings IEEE LARS/SBR´2019. Palo Alto - CA: IEEE, 2019. RANIERI, C. M. ; ROMERO, R.A.F.. Activity Recognition for Ambient Assisted Living with Videos, Inertial Units and Ambient Sensors. SENSORS, v. 21, p. 768, 2021. OLIVEIRA, J. R. C. P. ; ROMERO, R. A. F. . Transfer Learning Based Model for Classification of Cocoa Pods. In: IJCNN´2018, 2018, Rio de Janeiro - RJ. Proceedings of IJCNN´2018. Palo Alto: IEEE Press, 2018. p. 2076-2081. CALA, L. L. ; ROMERO, R. A. F. . Recognition and Tracking of Vehicles in Highways using Deep Learning. In: CongressoBrasileiro de Automática - CBA´2018, 2018, Joao Pessoa - PB. Anais do CBA2018, 2018. TOZADORE, D. C. ; RANIERI, C. M. ; GUIZILINI, V. C. ; NARDARI, G. V. ; ROMERO, R. A. F. . Effects of Emotion Grouping for Recognition in Human-Robot Interactions. In: 7th Brazilian Conference on Intelligent System - BRACIS2018, 2018, São Paulo. Anais do BRACIS, 2018. |
||||
| Carga Horária: |
30 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 245 | ||||
| Ministrantes: |
João Luis Garcia Rosa Roseli Aparecida Francelin Romero |
 voltar |
|
Créditos © 1999 - 2024 - Superintendência de Tecnologia da Informação/USP |