Conhecer os conceitos fundamentais de aprendizado profundo, permitindo que os discentes possuam conhecimentos necessários para o aprofundamento em qualquer campo da área e que possam desenvolver métodos, ferramentas e aplicações inteligentes.
Clique aqui e baixe o Programa de Unidade Didática da disciplina.
Prof. Dr. Saulo Oliveira Lattes | Google Scholar | ORCID
e-mail: saulo.oliveira@ifce.edu.br
Horário: Às segundas, das 07:30 às 11:30.
Local: Sala 204, Bloco de Pós-graduação. Instituto Federal de Educação, Ciência e Tecnologia do Ceará | campus Fortaleza.
Endereço: Avenida Treze de Maio, nº 2081 - Benfica - CEP: 60040-215 - Fortaleza/CE.
Apesar das disciplinas do PPGCC não exigirem pré-requisitos, o conhecimento das seguintes ferramentas será de grande valia para acelarar a curva de aprendizado durante a disciplina.
| 🐍 Python (Numpy & PyTorch) | 🔢 Álgebra Linear | 🧮 Cálculo (Derivadas) |
|---|---|---|
| Todas as atividades serão em Python e usaremos o formato de Notebooks do Jupyter para entrega. | Usaremos transposição de matriz, inversa e operações algébricas com expressões de matrizes. | Você precisará obter uma derivada e maximizar uma função descobrindo onde a derivada = 0. |
A avaliação da disciplina é qualitativa e visa o caminho da aprendizagem. Assim, ao invés de um valor número na escala 0-10, uma letra é atribuída. Esta letra indica um conjunto de fatores que são observados ao se realiazar as atividades avaialiativas durante a disciplina. A seguir, nos cards abaixo, são listados os fatores observados e a letra associada a cada um deles.
| A | B | C | D |
|---|---|---|---|
|
|
|
|
|
Além do resultado da avaliação qualitativa, cada atividade avaliativa possui um peso associado. Em posse de cada avaliação e seu respectivo peso, a nota final que é a que vai para o histórico é calculada conforme a seguinte fórmula:
em que
Observe um caso ilustrativo -- o número entre parênteses representa o peso da atividade:
| Prova (2) | Simulação (1) | Relatório (1) | Seminário (1) | Nota final | |
|---|---|---|---|---|---|
| Huguinho | A | A | B | A | 9,5 |
| Zezinho | B | B | B | C | 7,0 |
| Luizinho | C | A | B | B | 8,0 |
| Donald | B | D | C | C | 4,5 |
Por questões éticas, com a finalidade de preservar a verdadeira identidade dos discentes, ocultaremos os nomes dos alunos. Assim, a identificação será por meio do número de matrícula, só que de forma truncada.
| Média parcial | Resumo | Perceptron | MLP | Prova | |
|---|---|---|---|---|---|
| 1 | 1 | 2 | 2 | ||
| *******060 | 9,6 | A | B | A | A |
| *******300 | #VALUE! | B | C | ||
| *******164 | 8,3 | B | B | A | B |
| *******229 | 7,5 | B | B | A | C |
| *******067 | 8,7 | A | B | A | B |
| *******210 | #VALUE! | A | B | A | |
| *******172 | 8,3 | B | B | A | B |
Este é o plano de estudos da turma de 2024 do curso.
| Tipo | Data | Descrição | Material |
|---|---|---|---|
| Aula | 19/02/2024 | Introdução à Aprendizagem de máquina | Slides • Atividade • Artigo do Pedro Domingos |
| Aula | 26/02/2024 | Perceptron & Adaline | Slide Perceptron • Slide Adaline • Atividade classificação Salmão vs. Robalo |
| Aula | 04/03/2024 | Perceptron multicamadas (MLP) & Redes de treino rápido | Slide MLP • Slide RBF & ELM • Atividade Datasets 2D |
| Aula | 11/03/2024 | Normalização & Otimizadores | Slide Normalização • Slide Otimizadores (seção só) • Notebook PyTorch • Atividade |
| Aula | 18/03/2024 | Seleção de Modelos e Projeto de Experimentos | Slides • Atividade |
| Prova | 25/03/2024 | Perceptron, Adaline e MLPs | Prova (RNA) 2022 • Prova (DL) 2023 |
| Aula | 01/04/2024 | Redes convolucionais | Slides • Desafio CNN PokéBalança |
| Aula | 08/04/2024 | Redes convolucionais famosinhas | Slides |
| Aula | 09/04/2024 | Problemas comuns | Slides |
| Seminário | 15/04/2024 | Desafio CNN | Modelo Slide |
| Aula | 22/04/2024 | Resumo de Teoria da Probabilidade | Slides • Atividade |
| Aula | 29/04/2024 | Redes autocodificadoras e Redes adversárias generativas | Slides • Atividade |
| Aula | 06/05/2024 | Redes recorrentes | Slides • Atividade |
| Prova | 13/05/2024 | Solução de problemas da indústria | Nenhum. |
| Seminário | 20/05/2024 | Desafio RNN/GAN/VAE - Parte 01 | Nenhum. |
| Seminário | 27/05/2024 | Desafio RNN/GAN/VAE - Parte 02 | Nenhum. |
| Seminário | 03/06/2024 | Artigo final | Nenhum. |
| Seminário | 10/06/2024 | Socialização do artigo final | Nenhum. |
Cronograma básico. Ele pode ser alterado a qualquer momento por eventos diversos.
O objetivo de um pôster é dar ao espectador um resumo rápido do trabalho, que não apenas atrai seu interesse, mas também o motiva a aprender mais sobre o projeto. Para uma introdução à criação de pôsteres acadêmicos, consulte Guia de postêres da Universidade de Nova Iorque. Aqui está um exemplo de estrutura que pode ser útil:
| Problema | Antecedentes | Métodos |
|---|---|---|
| O que você está tentando resolver? Consulte os desafios atuais e por que seu trabalho é significativo. | Configuração do problema + notação; talvez trabalhos anteriores. | Explique suas contribuições técnicas; números podem realmente ajudar a entender especialmente para um modelo neural! |
| Experimentos | Análise | Conclusão e referências |
|---|---|---|
| Qual é a tarefa? Quais são as entradas e saídas do modelo? O que são as resultados? Compare com as linhas de base; para resultados, um gráfico pode dizer muito mais do que uma tabela do mesmo tamanho! | Forneça uma análise aprofundada de certos casos de interesse ou contextualize seus resultados na literatura existente! Adicione alguns gráficos/exemplos/visualizações. | Tire brevemente algumas conclusões do trabalho. Se o espaço permitir, considere adicionar 1-3 referências muito importantes (não faça mais do que isso!) |