SIGAA - Sistema Integrado de Gestão de Atividades Acadêmicas

Resumo do Componente Curricular

Dados Gerais do Componente Curricular

Tipo do Componente Curricular:

DISCIPLINA

Tipo de Disciplina:

REGULAR

Forma de Participação:

DISCIPLINA REGULAR

Unidade Responsável:

PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO (11.01.06.33)

Código:

INF-317E

Nome:

TÓPICOS EM INTELIGÊNCIA ARTIFICIAL: APRENDIZAGEM PROFUNDA

Carga Horária Teórica:

48 h.

Carga Horária Prática:

0 h.

Carga Horária Estudo Individual:

96 h.

Carga Horária Dedicada do Docente:

0 h.

Carga Horária Total:

144 h.

Pré-Requisitos:

Co-Requisitos:

Equivalências:

Excluir da Avaliação Institucional:

Não

Matriculável On-Line:

Sim

Horário Flexível da Turma:

Não

Horário Flexível do Docente:

Sim

Obrigatoriedade de Nota Final:

Sim

Pode Criar Turma Sem Solicitação:

Não

Necessita de Orientador:

Não

Exige Horário:

Sim

Permite CH Compartilhada:

Não

Permite Múltiplas Aprovações:

Não

Quantidade de Avaliações:

Ementa/Descrição:

Introdução às redes neurais artificiais; Algoritmo Perceptron; Perceptron de Múltiplas Camadas (MLP) e backpropagation; Redes neurais profundas (Deep Neural Nets); Redes neurais convolucionais; Redes neurais recorrentes; Autoencoders; Aprendizado por reforço; Aplicações em processamento de sinais, imagens e linguagem natural.

Referências:

Braga., Carvalho, A. & Ludermir, T. (2007). Redes neurais artificiais : teoria e aplicacões. Rio de Janeiro: LTC Editora. | Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. Sebastopol, CA: O'Reilly Media, Inc. | Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep learning. Cambridge, Massachusetts: The MIT Press. | Haykin, S. (2009). Neural networks and learning machines. New York: Prentice Hall/Pearson. | Kovács, Z. L. (2002). Redes neurais artificiais: fundamentos e aplicacões. São Paulo: Ed. Livraria da Física. | Raschka, S. & Mirjalili, V. (2019). Python machine learning: machine learning and deep learning with python, scikit-learn, and tensorflow 2. Birmingham: Packt Publishing, Limited. | Sutton, R. & Barto, A. (2018). Reinforcement learning: an introduction. Cambridge, Massachusetts London, England: The MIT Press. | Wiering, M. & Otterlo, M. (2012). Reinforcement learning state-of-the-art. BerlinHeidelberg: Springer.

Currículos
Código	Ano.Período de Implementação	Matriz Curricular	Obrigatória	Período	Ativo
CURSOPOS	2006.1	CURSO PÓS - SANTO ANDRÉ - Presencial - M	Sim	0	Sim

<< Voltar