| 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
|