Curso: Introdução às Redes Neurais e Deep Learning
Curso: Introdução às Redes Neurais e Deep Learning
Ementa
Introdução às Redes Neurais Artificiais. Conceito de Deep Learning. Modelo Perceptron. Função de Ativação. Descida do Gradiente. Backpropagation (retropropagação). Desenvolvimento de aplicações básicas usando a linguagem Python.
Objetivo
Apresentar os conceitos fundamentais das redes neurais artificiais, por meio de uma abordagem teórica e prática.
Pré-requisito
Conhecimentos de programação na linguagem Python. É necessário conhecer as estruturas básicas de programação da linguagem e os conceitos de orientação a objetos, de forma a usar com facilidade as classes prontas disponíveis nas bibliotecas.
Metodologia
O curso é composto por videoaulas gravadas e atividades teóricas e práticas, com notebooks com código na linguagem Python.
O curso pode ser feito em uma das duas modalidades:
1. Faça você mesmo: o aluno faz o curso por conta própria e no seu tempo. Ele assiste às videoaulas e realiza as atividades teóricas e práticas sem a ajuda de um instrutor. Não há certificado de conclusão do curso.
2. Orientada por um instrutor: o aluno segue um cronograma com datas predefinidas para assistir as videoaulas, realizar as atividades teóricas e práticas e participar de encontros com o instrutor. Esses encontros podem ser em laboratórios específicos ou por meio de videoconferências. Nessa modalidade, o aluno recebe um certificado de conclusão do curso se atender aos requisitos mínimos exigidos.
Na modalidade de aulas orientada por um instrutor, a abordagem pedagógica seguirá a metodologia de Sala de Aula Invertida. Nela, os alunos devem se preparar para cada encontro presencial/online antes do encontro, por meio da leitura de livros de referência, slides, videoaulas e outros materiais relacionados à aula a ser ministrada/discutida. Durante o encontro, os alunos podem esclarecer dúvidas, fazer listas de exercícios, trabalhar em projetos e outras atividades, e também podem ser solicitados a explicar o assunto da aula. A maior parte das atividades será feita fora do horário da aula presencial/online, usando-se os laboratórios da universidade ou o seu próprio equipamento, e apresentado durante a aula. Além disso, relatórios técnicos podem ser solicitados para cada projeto.
Carga Horária
As seguintes atividades compõem a carga horária do curso. O tempo de execução é estimado/aproximado:
• Assistir às videoaulas: 5h
• Revisar os slides, notebooks e outros materiais: 1h
• Responder o questionário de fixação: 1h
• Executar as atividades práticas: 5h
• Participar das aulas presenciais/online: a carga horária pode ser configurada sob demanda. O padrão é 5h (aula de boas-vindas, de 30 minutos, mais 3 aulas de uma hora e meia cada, sendo uma aula por semana, totalizando 3 semanas de curso)
Carga horária total na modalidade “Faça você mesmo”: 12h
Carga horária total na modalidade “Orientada por um instrutor”: 17h
Avaliação
1 questionário de fixação – valor: 15 pontos
2 atividades práticas – valor: 30 pontos (15 pontos cada)
1 projeto final – valor: 40 pontos
3 participações em sala de aula (presencial/online): valor: 15 pontos (5 pontos cada)
==> Nota mínima para aprovação: 75 pontos
Políticas do Curso e outras Informações
Frequência: mínimo de 75% de participação nas aulas presencias/online.
Entrega de trabalho com atraso: não será aceita.
Avaliações perdidas: uma nova avaliação será marcada somente com justificativa aceita pela UFLA.
Dispositivos móveis e acesso à Internet em sala de aula: permitido somente para acesso a material relacionado à aula.
Plágio: sempre cite suas fontes quando apresentar ideias e/ou linguagem que você não desenvolveu por conta própria, incluindo material de aula e discussões.
Ética / violações da integridade acadêmica: consulte políticas e regras da UFLA.
Sala Virtual
Slides, notebooks e outros materiais estarão disponíveis no Campus Virtual da UFLA e/ou nesta página.
Referências Bibliográficas
Consulte as referências disponíveis nos slides e nos notebooks.
Cronograma de Aulas
Semana 1:
• Participar da aula presencial/online 0 - Boas-Vindas / Apresentação do Curso
• Videoaula 01a - Introdução: Redes Neurais e Deep Learning
• Videoaula 01b - Introdução: Redes Neurais e Deep Learning
• Videoaula 02a - Modelo Perceptron
• Videoaula 02b - Multilayer Perceptron
• Videoaula 03 - Função de Ativação
• Videoaula 04 - Descida do Gradiente
• Videoaula 05a - Backpropagation – Derivada
• Videoaula 05b - Backpropagation - Grafo Computacional
• Videoaula 05c - Backpropagation - Função de Custo
• Revisar os slides e outros materiais de referência
• Participar da aula presencial/online 1
---------
Semana 2:
• Responder o Questionário de Fixação
• Videoaula 06a - Notebook - Implementação de uma Rede Neural
• Videoaula 06b - Notebook - Implementação de uma Rede Neural
• Videoaula 06c - Notebook - Implementação de uma Rede Neural
• Videoaula 06d - Notebook - Implementação de uma Rede Neural
• Videoaula 07 - Notebook - Classificador Logistic Regression
• Videoaula 08a - Notebook - Introdução ao Framework Keras
• Videoaula 08b - Notebook - Introdução ao Framework Keras
• Videoaula 08c - Notebook - Introdução ao Framework Keras
• Revisar os notebooks com os códigos das aulas
• Fazer Atividade Prática 1
• Participar da aula presencial/online 2
---------
Semana 3:
• Videoaula 09a - Notebook - Classificação de Imagens
• Videoaula 09b - Notebook - Classificação de Imagens
• Revisar os notebooks com os códigos das aulas
• Fazer Atividade Prática 2
• Fazer Atividade Prática 3 (Projeto Final)
• Participar da aula presencial/online 3