Programa do Curso
DIA 1 - REDES NEURAIS ARTIFICIAIS
Introdução e Estrutura das RNNs.
- Neurônios biológicos e neurônios artificiais.
- Modelo de uma RNN.
- Funções de ativação usadas em RNNs.
- Classes típicas de arquiteturas de redes.
Fundamentos Matemáticos e Mecanismos de Aprendizado.
- Revisão de álgebra de vetores e matrizes.
- Conceitos de espaço de estados.
- Conceitos de otimização.
- Aprendizado por correção de erro.
- Aprendizado baseado em memória.
- Aprendizado Hebbiano.
- Aprendizado competitivo.
Perceptrons de camada única.
- Estrutura e aprendizado de perceptrons.
- Classificador de padrões - introdução e classificadores de Bayes.
- Perceptron como classificador de padrões.
- Convergência do perceptron.
- Limitações dos perceptrons.
RNNs Feedforward.
- Estruturas de redes feedforward multicamada.
- Algoritmo de retropropagação.
- Retropropagação - treinamento e convergência.
- Aproximação funcional com retropropagação.
- Questões práticas e de projeto do aprendizado por retropropagação.
Redes de Função Base Radial.
- Separabilidade de padrões e interpolação.
- Teoria da Regularização.
- Regularização e redes RBF.
- Projeto e treinamento de redes RBF.
- Propriedades de aproximação das RBF.
Aprendizado Competitivo e RNNs Auto-organizadas.
- Procedimentos gerais de agrupamento.
- Quantização Vetorial por Aprendizado (LVQ).
- Algoritmos e arquiteturas de aprendizado competitivo.
- Mapas de características auto-organizados.
- Propriedades dos mapas de características.
Redes Neurais Fuzzy.
- Sistemas neuro-fuzzy.
- Fundamentos de conjuntos fuzzy e lógica.
- Projeto de sistemas fuzzy.
- Projeto de RNNs fuzzy.
Aplicações
- Alguns exemplos de aplicações de Redes Neurais, suas vantagens e problemas, serão discutidos.
DIA 2 - APRENDIZADO DE MÁQUINA
- Framework de Aprendizado PAC
- Garantias para conjunto de hipóteses finito – caso consistente
- Garantias para conjunto de hipóteses finito – caso inconsistente
- Generalidades
- Cenários determinísticos vs. estocásticos
- Ruído do erro de Bayes
- Erros de estimação e aproximação
- Seleção de modelo
- Complexidade de Rademacher e Dimensão VC
- Compromisso entre viés e variância
- Regularização
- Sobreajuste
- Validação
- Máquinas de Vetores de Suporte
- Kriging (Regressão de Processo Gaussiano)
- PCA e Kernel PCA
- Mapas de Auto-Organização (SOM)
- Espaço vetorial induzido por Kernel
- Kernels de Mercer e métricas de similaridade induzidas por Kernel
- Aprendizado por Reforço
DIA 3 - APRENDIZADO PROFUNDO
Isto será ensinado em relação aos tópicos cobertos nos Dias 1 e 2
- Regressão Logística e Softmax
- Auto-encoders Esparcos
- Vectorização, PCA e Whitening
- Aprendizado Auto-ensinado
- Redes Profundas
- Decodificadores Lineares
- Convolution e Pooling
- Codificação Esparca
- Análise de Componentes Independentes
- Análise de Correlação Canônica
- Demonstrações e Aplicações
Requisitos
Boa compreensão de matemática.
Boa compreensão de estatística básica.
Habilidades básicas de programação não são obrigatórias, mas são recomendadas.
Treinamento Corporativo Personalizado
Soluções de treinamento projetadas exclusivamente para empresas.
- Conteúdo Personalizado: Adaptamos o programa e os exercícios práticos aos objetivos e necessidades reais do seu projeto.
- Horário Flexível: Datas e horários adaptados à agenda da sua equipe.
- Formato: Online (ao vivo), In-Company (em suas instalações) ou Híbrido.
Preço por grupo privado, treinamento online ao vivo, a partir de 3900 € + VAT*
Entre em contato conosco para obter um orçamento preciso e conhecer nossas promoções mais recentes
Testemunhos de Clientes (2)
Trabalhando a partir de princípios fundamentais de forma focada e avançando para a aplicação de estudos de caso no mesmo dia
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Máquina Traduzida
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Máquina Traduzida
