Aulas terça-feira 9h30 - 11h30 e quinta 7h30 - 11h30, sala S7 do LABOTEC 3 na UEFS
Mestrado em Computação Aplicada (UEFS) http://pgca.uefs.br/
Materiais de aula, slides e links
TRABALHOS (veja descrição em materiais de aula)
Email para entrega dos relatórios (somente em PDF!): aulas+pgca(arroba)artificial.eng.br (você receberá aviso de recebimento do seu email, se não receber, envie novamente)
* Exercício Computacional 1, Redes Neurais
Entrega do relatório por email: dia 03/11 (até 24h), veja modelo SBC para o relário em Material de aula (acima)
Apresentações: dia 07/02 (alunos abaixo relacionados), 15 minutos cada (elaborem apresentação em PDF ou tragam computador próprio)
> Anderson
> Abraão
> Bianca
> Moab
> Renan
* Revisão Bibliográfica 1, Redes Neurais, veja links para buscas de artigos científicos em Material de aula (acima)
Definição tema: 13/10 (envio por email)
Entrega do relatório por email: 28/10
Apresentação: dias 01/11 e 07/02 (todos alunos), 15 minutos cada (elaborem apresentação em PDF ou tragam computador próprio)
* Exercício Computacional 2, Computação Evolutiva,
Entrega do relatório por email: dia 28/02 (até 24h), Apresentação: dia 02/03
Cada aluno deve enviar um CASO DE TESTE seguindo o formato combinado para aulas+pgca009@artificial.eng.br
Apresentações: 10 minutos cada
> Felipe
> Luis
> Elisson
> Douglas
* Revisão Bibliográfica 2, Computação Evolutiva, veja links para buscas de artigos científicos em Material de aula (acima)
Definição tema: 09/02 (envio por email)
Entrega do relatório por email: 19/02
Apresentações: 21/02, 10 minutos cada
* Projeto Final: (uma proposta de aplicação ou estudo experimental das técnicas vistas, não é obrigatório ter resultados, veja especificação)
Entrega do relatório por email: dia 12/03 (até 24h), Apresentações: dias 14/03
Orientação sobre o projeto, no horário da aula, sala MP58 módulo 5.
AGENDE um horário para orientação sobre o projeto.
EMENTA
Introdução a técnicas de solução de problemas inspiradas na natureza. Conexionismo. Redes Neurais e modelos de neurônio. Arquiteturas de
redes neurais. Redes multicamadas. Redes auto-organizadas. Aprendizado supervisionado e não supervisionado. Computação evolutiva,
representação, operadores, parâmetros. Algoritmos e técnicas de computação evolutiva. Aplicações.
OBJETIVOS
Geral:
• Ser capaz de resolver problemas através da interpretação de cenários, modelando soluções através de técnicas e
métodos da Inteligência Computacional;
Específicos:
• Compreender e aplicar as técnicas de redes neurais artificiais;
• Compreender e aplicar as técnicas de computação evolutiva;
METODOLOGIA
Aulas teóricas expositivas, leitura e discussão de artigos científicos, exercícios computacionais, revisão bibliográfica, projeto em inteligência
computacional.
CONTEÚDO PROGRAMÁTICO
1. Introdução a técnicas de solução de problemas inspiradas na natureza.
2. Conexionismo e Redes Neurais
2.1. Redes Neurais e modelos de neurônio.
2.2. Arquiteturas de redes neurais
2.3. Redes de uma camada multicamadas, aproximação universal
2.4. Redes auto-organizadas (redes de Kohonen), LVQ
2.5. Redes RBF
2.6. Redes Recorrentes, Hopfield
2.7. Aprendizado supervisionado e não-supervisionado: Perceptron, Delta, Hebb, Backpropagtion, Competitivo
2.8. SVM e Kernel machines
3. Computação evolutiva
3.1. Métodos de Busca e Heurísticas
3.2. Inspiração biológica da computação evolutiva
3.3. Representação, operadores, parâmetros.
3.4. Algoritmos e técnicas de computação evolutiva.
3.5. Evolução de redes neurais
3.6. Robótica Evolutiva
4. Aplicações.
CRONOGRAMA
- Apresentação e Introdução a Redes Neurais
- Perpectron e MLP
- MLP e Backpropagation
- Redes de Kohonen
- Apresentação Exercício Computacional 1
- Redes RBF e Rede de Hopfield
- Apresentação da Revisão Bibliográfica 1
- Introdução a Computação Evolutiva
- Apresentação do Exercício Computacional 2
- Apresentação da Revisão Bibliográfica 2
- Orientação do Projeto Final
- Apresentação do Projeto Final
BIBLIOGRAFIA PRINCIPAL
Artigos científicos
Leandro de Castro. Fundamentals of natural computing : basic concepts, algorithms, and applications. Boca Raton: Chapman & Hall/CRC, 2006 .
Simon Haykin. Redes neurais : principios e pratica. Porto Alegre : Bookman, 2001.
Braga, Antonio de Pádua, Carvalho, André Ponce de Leon F. de, Ludemir, Teresa Bernarda. Redes Neurais Artificiais : Teoria e Aplicações. LTC, 2ª edição, 2007.
Michalewicz, Zbigniew. (1996). Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag.
BIBLIOGRAFIA COMPLEMENTAR
1.Rezende, Solange Oliveira. Sistemas Inteligentes - Fundamentos e Aplicações. 1ª Edição. Editora Manoele, 2003.
2.Timothy Masters. Practical neural network recipes in C. Boston : Academic Press, 1993.
3.Kovacs, Zsolt Laszl. Redes Neurais Artificiais: Fundamentos e Aplicações, Um Texto Básico. São Paulo Acadêmica, 2ª edição, 1996.
4. Aguiar, Hime, Oliveira Jr. Inteligência Computacional: Aplicada à Administração, Economia e Engenharia em Matlab. Thomson Learning, 1ª edição, 2007.
5.Bishop, Christopher M. Neural networks for pattern recognition. Oxford: Clarendon Press, New York:Oxford University Press, 1995.
6.Goldberg, David E. Genetic algorithms in search, optimization, and machine learning. Boston: Addison-Wesley, 1989.
7.Sivanandam, S. N; Deepa, S. N. Introduction to genetic algorithms. New York, US: New York: Springer, 2007.
8.Mitchell, Melanie. An introduction to genetic algorithms. Cambridge: MIT Press, 1996.
9.Laboratório Virtual em Computação Natural (LVCoN) http://www.lvcon.computacaonatural.com.br/