Certificate Authentication

DIA 1 - REDES NEURAIS ARTIFICIAIS
Introdução e Estrutura do RNA.

• Neurônios biológicos e neurônios artificiais.
• Modelo de um ANN.
• Funções de ativação usadas em RNAs.
• Classes típicas de arquiteturas de rede.

Fundamentos Matemáticos e Mecanismos de Aprendizagem.

• Revendo vetores e álgebra matricial.
• Conceitos de espaço de estados.
• Conceitos de otimização.
• Aprendizagem de correção de erros.
• Aprendizagem baseada em memória.
• Aprendendo Hebbian.
• Aprendizagem Competitiva.

Perceptrons de camada única.

• Estrutura e aprendizagem de perceptrons.
• Classificador de padrões - introdução e classificadores de Bayes.
• Perceptron como um classificador de padrões.
• Convergência de perceptrons.
• Limitações de um perceptrons.

Feedforward ANN.

• Estruturas de redes feedforward de várias camadas.
• Algoritmo de propagação de retorno.
• Propagação reversa - treinamento e convergência.
• Aproximação funcional com propagação reversa.
• Questões práticas e de design de aprendizagem de propagação reversa.

Redes de Função de Base Radial.

• Separabilidade e interpolação de padrões.
• Teoria da Regularização.
• Redes de regularização e RBF.
• Projeto e treinamento de redes RBF.
• Propriedades de aproximação do RBF.

Aprendizagem Competitiva e Auto-organização ANN.

• Procedimentos gerais de agrupamento.
• Quantificação vetorial de aprendizagem (LVQ).
• Algoritmos e arquiteturas de aprendizado competitivo.
• Mapas de recurso auto organizáveis.
• Propriedades de mapas de recursos.

Redes Neurais Fuzzy.

• Sistemas neuro-difusos.
• Fundo de conjuntos difusos e lógica.
• Projeto de hastes difusas.
• Projeto de ANNs fuzzy

Aplicações

• Alguns exemplos de aplicações da Rede Neural, suas vantagens e problemas serão discutidos.

DIA -2 APRENDENDO MÁQUINAS

• O PAC Learning Framework

Garantias para conjunto de hipóteses finitas - caso consistente
Garantias para conjunto de hipóteses finitas - caso inconsistente
Generalidades

• Cv determinístico. Cenários Estocásticos
• Barulho de erro Bayes
• Erros de estimativa e aproximação
• Seleção de modelos
• Complexidade Radmeacher e VC - Dimensão
• Viés - troca de variância
• Regularização
• Encaixe
• Validação
• Máquinas de vetores de suporte
• Krigagem (Regressão do Processo Gaussiano)
• PCA e Kernel PCA
• Mapas de auto-organização (SOM)
• Espaço vetorial induzido por kernel

Mercer Kernels and Kernel - métricas de similaridade induzidas

• Aprendizagem por Reforço

DIA 3 - APRENDIZAGEM PROFUNDA 
Isso será ensinado em relação aos tópicos abordados nos dias 1 e 2

• Regressão Logística e Softmax
• Autoencodificadores esparsos
• Vectorização, PCA e Branqueamento
• Aprendizagem auto-ensinada
• Redes Profundas
• Decodificadores Lineares
• Convolução e Pooling
• Codificação esparsa
• Análise de componentes independentes
• Análise de Correlação Canônica
• Demos e Aplicações