Redes Neuronais e Aprendizagem Profunda

Código:
16685
Ano:
3
Semestre:
S1
Créditos ECTS:
6
Carga Horária:
PL(30H)/T(30H)
Área Científica:
Informática
Objectivos de Aprendizagem:
Os objetivos centrais consistem em dotar os alunos de uma compreensão teórica sólida e competências práticas na área da Aprendizagem Profunda (Deep Learning).
Os estudantes deverão:
1) Compreender os fundamentos matemáticos e algorítmicos das redes neuronais (Perceptrons, Backpropagation, Otimização);
2) Projetar e implementar arquiteturas complexas, incluindo Redes Convolucionais (CNNs) para visão, Redes Recorrentes (RNNs) e Transformers para sequências, e algoritmos de Aprendizagem por Reforço (RL);
3) Diagnosticar problemas de treino (overfitting/underfitting) e aplicar estratégias de regularização;
4) Utilizar frameworks modernas (PyTorch) para resolver problemas reais.
A compatibilidade com o método de ensino é assegurada pela alternância entre a exposição de conceitos teóricos (aulas expositivas) e a sua implementação imediata em código (aulas práticas e projetos), permitindo a consolidação do conhecimento "saber-fazer".
Conteúdos programáticos:
1. História da IA, ML e DL
2. Fundamentos e Redes Neuronais
2.1 Neurónio biológico vs. artificial
2.2 Perceptron
2.3 Funções de ativação
2.3.1 Sigmoid
2.3.2 Tanh
2.3.3 ReLU
3. Redes Feedforward
3.1 MLP
3.2 Loss Function
3.2.1 MSE
3.2.2 Cross-Entropy
3.3 Backpropagation
3.4 Descida do Gradiente
4. Otimização e Regularização
4.1 Variantes do Gradiente
4.1.1 SGD
4.1.2 Adam
4.1.3 RMSProp
4.2 Taxa de Aprendizagem
4.3 Dropout
4.4 Early Stopping
4.5 Batch/Mini-batch
5. Redes Convolucionais (CNN)
5.1 Convoluções
5.2 Pooling
5.3 Feature Maps
5.4 Arquiteturas Modernas
5.4.1 VGG
5.4.2 ResNet
5.4.3 Inception
5.4.4 DenseNet
6. Redes Neuronais para Sequências e Atenção
6.1 Limitações das MLP
6.2 RNN
6.3 LSTM
6.4 GRU
6.5 Mecanismos de Atenção
6.6 Transformers
6.6.1 ViT
7. Aprendizagem por Reforço
7.1 Agentes
7.2 Ambientes
7.3 Recompensas
7.4 Q-Learning
7.5 Deep Q-Networks (DQN)
7.6 Policy Gradients
8. Tópicos Avançados
8.1 Neural Architecture Search (NAS)
8.2 Fusão multimodais
Metodologias de Ensino e Critérios de Avaliação:
Avaliação Ensino-Aprendizagem
- F: Frequência: 50% (prova escrita teórica realizada em papel sem consulta dos conteúdos)
- PROJ: Projeto Prático (grupos de 4 elementos): 50% (30% trabalho realizado (PROJ_T) + 20% apresentação e discussão oral do trabalho (PROJ_O))

Avaliação por Exame
- Exame: 100% (prova realizada em computador sem consulta)
Bibliografia principal:
Principal: Goodfellow, Ian, Bengio, Yoshua, and Courville, Aaron. Deep Learning. MIT Press, 2016. (A "bíblia" da área, cobrindo a maioria dos fundamentos teóricos).

Complementar:
Documentação oficial do PyTorch (pytorch.org) e Tutoriais oficiais (essencial para a componente prática).
Sutton, Richard S., and Barto, Andrew G. Reinforcement Learning: An Introduction. MIT Press. (Para o módulo de RL).
Artigos seminais referidos nas aulas (e.g., "Attention Is All You Need", "Deep Residual Learning for Image Recognition") para tópicos avançados como Transformers e ResNets.
Língua:
Português
Esta informação promove os seguintes Objetivos de Desenvolvimento Sustentável da ONU:
Garantir o acesso à educação inclusiva, de qualidade e equitativa, e promover oportunidades de aprendizagem ao longo da vida para todos