Código |
14499
|
Ano |
1
|
Semestre |
S1
|
Créditos ECTS |
6
|
Carga Horária |
OT(15H)
|
Área Científica |
Informática
|
Tipo de ensino |
Presencial.
|
Estágios |
Não aplicável.
|
Objectivos de Aprendizagem |
Introduzir os conceitos, modelos e linguagem adequados à resolução de problemas usando redes neuronais. No final da UC o estudante de ser capaz de resolver problemas usando redes neuronais e eventualmente propôr alterações aos métodos existentes.
|
Conteúdos programáticos |
1-Redes feed-forward e recurrentes. 2-Redes para clustering, classificação e regressão. 3-Redes reservoir. 4-Algoritmos de aprendizagem para redes feed-forward e para redes recurrentes. 5-Topologias. 6-Critérios de custo. 7-Avaliação de desempenho. 8-Redes shalow versus redes deep. 9-Aplicações ao processamento de sinal e imagem.
|
Metodologias de Ensino e Critérios de Avaliação |
A UC funciona de forma tutorial, logo serão feitas apresentações breves dos tópicos a estudas aos estudantes, serão escolhidos artigos científicos nas áreas de estudo que serão alvo de resumos e apresentação por parte dos alunos e será ainda efetuada uma implementação de um método escolhido e sua apresentação.
A avaliação é feita com recurso a um relatório de revisão de estado da arte, um projeto prático e a duas apresentações nas aulas relativas ao estado da arte e ao trabalho prático. O peso de cada componente na nota final é o seguinte: Relatório estado da arte: 40% Apresentação e discussão do relatório com estado da arte: 10% Projeto (relatório + código): 40% Apresentação e discussão do projeto: 10%
|
Bibliografia principal |
Principal -Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press book, 2016 -Neural Networks and Learning Machines (3rd Edition), S. Haykin, Prentice Hall; 3 edition, 2008
Complementar -Pattern Recognition and Machine Learning, C. Bishop, Springer, 2006 -Várias revistas científicas da área
|
Língua |
Português
|