Programa do Curso
DIA 1 - REDES NEURAIS ARTIFICIAIS
Introdução e Estrutura da RNA.
- Bioneurônios lógicos e neurônios artificiais. Modelo de uma RNA. Funções de ativação utilizadas em RNAs. Classes típicas de arquiteturas de rede.
Mathematical Fundamentos e mecanismos de aprendizagem.
- Revisitando a álgebra vetorial e matricial. Conceitos de espaço de estados. Conceitos de otimização. Aprendizagem por correção de erros. Aprendizagem baseada na 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 perceptron. Limitações de um perceptrons.
RNA feedforward.
- Estruturas de redes feedforward multicamadas. Algoritmo de retropropagação. Retropropagação - treinamento e convergência. Aproximação funcional com retropropagação. Questões práticas e de design de aprendizagem por retropropagação.
Redes de funções de base radial.
- Separabilidade e interpolação de padrões. Teoria da Regularização. Regularização e redes RBF. Projeto e treinamento da rede RBF. Propriedades de aproximação de RBF.
Aprendizagem competitiva e RNA auto-organizada.
- Procedimentos gerais de agrupamento. Aprendizagem de quantização vetorial (LVQ). Algoritmos e arquiteturas de aprendizagem competitiva. Mapas de recursos auto-organizados. Propriedades de mapas de recursos.
Difuso Neural Networks.
- Sistemas neuro-fuzzy. Antecedentes de conjuntos difusos e lógica. Design de hastes difusas. Projeto de RNAs fuzzy.
Formulários
- Serão discutidos alguns exemplos de aplicações de Redes Neurais, suas vantagens e problemas.
DIA -2 APRENDIZAGEM DE MÁQUINA
- A Estrutura de Aprendizagem do PAC Garantias para conjunto de hipóteses finitas – caso consistente Garantias para conjunto de hipóteses finitas – caso inconsistente Generalidades Determinísticas cv. Cenários estocásticos Ruído de erro de Bayes Erros de estimativa e aproximação Seleção de modelo
Requisitos
Bom conhecimento de matemática.
[Conhecimentos básicos de estatística.
Não são necessários, mas recomendam-se, conhecimentos básicos de programação.
Declaração de Clientes (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
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.