Esta unidade curricular visa dotar o estudante de competências para:
Compreender:
- Princípios básicos de ''''deep learning''''
- Fundamentos computacionais de redes profundas
Algoritmos de optimização, funções de activação, funções objectivo
- Diferentes arquitecturas de redes profundas e sua utilidade:
Densas, convolução, recorrentes, modelos geradores.
- Treino e regularização de redes profundas
- A importância das características dos dados e da criação de conjuntos de treino, validação e teste
Ser capaz de:
- Seleccionar modelos e funções objectivo adequados para cada problema
- Usar bibliotecas modernas de aprendizagem profunda
- Implementar redes profundas, optimizar os seus hiper-parâmetros e treiná-las.
- Avaliar o treino dos modelos e a qualidade dos resultados.
Conhecer:
- Tipos de problemas resolvidos com redes profundas
- Arquitecturas e regularização de redes profundas
- Métodos de selecção de modelos e hiper-parâmetros
1. Introdução: fundamentos de aprendizagem profunda, transformações não-lineares e sobreajustamento.
2. Redes neuronais artificiais, retropropagação e redes feedforward profundas.
3. Implementação e treino de redes neuronais profundas
4. Optimização e regularização de redes feedforward. Treino, teste e validação cruzada.
5. Redes de convolução, teoria e prática
6. Aprendizagem profunda não supervisionada com autoencoders.
7. Aprendizagem de representações e transferência de conhecimento.
8. Modelos geradores.
9. Redes recorrentes e problemas com dados sequenciais.
10. Aprendizagem por reforço.
11. Modelos probabilísticos estruturados.
12. Aspectos práticos da selecção, aplicação e optimização de redes profundas.
13. Visualização de dados e modelos.
14. Problemas abertos em aprendizagem profunda.
Main textbook, mandatory:
Goodfellow, Ian, Bengio, Yoshua, Courville, Aaron: Deep Learning , MIT Press, 2016
Complementary reading:
Skansi, Sandro: Introduction to Deep Learning: From Logical Calculus to Artificial Intelligence , Springer, 2018
Géron, Aurélien: Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems O''''Reilly Media, Inc, 2017
-
| Horas por crédito | 28 | ||
| Horas p/ semana | Semanas | Horas | |
| Aulas práticas e laboratoriais | 24.0 | ||
| Aulas teóricas | 24.0 | ||
| Avaliação | 8.0 | ||
| Estudo | 60.0 | ||
| Projectos e trabalhos | 52.0 | ||
| Total de Horas | 168 | ||
| ECTS | 6.0 | ||