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:	2
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.

SIGAA | UFABC - Núcleo de Tecnologia da Informação - ||||| | Copyright © 2006-2024 - UFRN - sigaa-2.ufabc.int.br.sigaa-2-prod v4.9.3