Programa do Curso
DIA 1 - REDES NEURAIS ARTIFICIAIS
Introdução e Estrutura das RNN.
- Neurónios biológicos e neurónios artificiais.
- Modelo de uma RNN.
- Funções de ativação usadas em RNNs.
- Classes típicas de arquiteturas de rede.
Fundamentos Matemáticos e Mecanismos de Aprendizagem.
- Revisão da álgebra vetorial e matricial.
- Conceitos de espaço de estado.
- Conceitos de otimização.
- Aprendizagem por correção de erro.
- Aprendizagem baseada em memória.
- Aprendizagem Hebbiana.
- Aprendizagem competitiva.
Perceptrons de camada única.
- Estrutura e aprendizagem de perceptrons.
- Classificador de padrões - introdução e classificadores de Bayes.
- Perceptron como classificador de padrões.
- Convergência do perceptron.
- Limitações dos perceptrons.
RNN Feedforward.
- Estruturas de redes feedforward multicamadas.
- Algoritmo de propagação de regresso (backpropagation).
- Propagação de regresso - treino e convergência.
- Aproximação funcional com propagação de regresso.
- Questões práticas e de design da aprendizagem por propagação de regresso.
Redes de Funções Base Radiais (RBF).
- Separabilidade de padrões e interpolação.
- Teoria da Regularização.
- Regularização e redes RBF.
- Design e treino de redes RBF.
- Propriedades de aproximação do RBF.
Aprendizagem Competitiva e RNN Auto-organizáveis.
- Procedimentos gerais de clustering.
- Quantização Vetorial (LVQ).
- Algoritmos e arquiteturas de aprendizagem competitiva.
- Mapas de características auto-organizáveis.
- Propriedades dos mapas de características.
Redes Neurais Fuzzy.
- Sistemas neuro-fuzzy.
- Fundamentos de conjuntos fuzzy e lógica.
- Design de sistemas fuzzy.
- Design de RNNs fuzzy.
Aplicações
- Serão discutidos alguns exemplos de aplicações de Redes Neurais, bem como as suas vantagens e problemas.
DIA 2 - APRENDIZAGEM AUTOMÁTICA
- Quadro de Aprendizagem PAC
- Garantias para conjunto de hipóteses finito – caso consistente
- Garantias para conjunto de hipóteses finito – caso inconsistente
- Generalidades
- Cenários determinísticos vs. estocásticos
- Erro de ruído de Bayes
- Erros de estimativa e aproximação
- Seleção de modelos
- Complexidade de Rademacher e Dimensão de VC
- Compromisso entre viés e variância
- Regularização
- Overfitting (Sobreajuste)
- Validação
- Máquinas de Vetores de Suporte
- Kriging (Regressão de Processos Gaussianos)
- PCA e Kernel PCA
- Mapas de Auto-organização (SOM)
- Espaço vetorial induzido por kernels
- Kernels de Mercer e métricas de semelhança induzidas por kernels
- Aprendizagem por Reforço
DIA 3 - APRENDIZAGEM PROFUNDA
Isto será abordado em relação aos tópicos cobertos no Dia 1 e Dia 2
- Regressão Logística e Softmax
- Autoencoders Esparse
- Vectorização, PCA e Whitening
- Aprendizagem Auto-orientada
- Redes Profundas
- Decodificadores Lineares
- Convolução e Pooling
- Coding Esparso
- Análise de Componentes Independentes
- Análise de Correlação Canónica
- Demons e Aplicações
Requisitos
Boa compreensão da matemática.
Boa compreensão da estatística básica.
Habilidades básicas de programação não são obrigatórias, mas são recomendadas.
Formação Empresarial Personalizada
Soluções de formação concebidas 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, formação online em direto, 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
