Contato:
carloszanini@dme.ufrj.br
Horário e local:
Quintas Feiras 13hs às 15hs
LIG, Ligação ABC (entre os blocos A e C), Centro de Tecnologia
Página do curso no Classroom:
O curso possui uma página no google classroom onde serão mantidas as informações mais atualizadas com respeito às apresentações e ao andamento do curso. Entrar em contato por email para ter acesso à pagina. O acesso ao classroom é garantido a professores do Departamento de Métodos Estatśticos e aos alunos inscritos na disciplina. Demais casos serão analizados individualmente.
Cronograma das apresentações:
Abril
14 de Abril
Introdução
21 de Abril (FERIADO)
28 de Abril
Bishop (1994). Neural networks and their applications.
https://sci-hub.se/https://doi.org/10.1063/1.1144830
Maio
5 de Maio
Sathyanarayana (2014) A gentle introduction to backpropagation.
https://www.researchgate.net/publication/266396438_A_Gentle_Introduction_to_Backpropagation
Ver notas de aula para uma dedução mais direta:
https://www.youtube.com/watch?v=mQtfOSeZlig&list=PLxTBkNo3x6ZphaTscdDmbGwsTkW1v07qr&index=6
12 de Maio
Convolutional Neural Networks (capítulo 9 do Deep Learning Book)
https://www.deeplearningbook.org/
19 de Maio
Paper 1
LeCun et al (1989). Handwritten zip code recognition with multilayer networks.
http://yann.lecun.com/exdb/publis/pdf/lecun-90e.pdf
Paper 2
LeCun et al (1989). Backpropagation applied to handwritten zip code recognition.
http://yann.lecun.com/exdb/publis/pdf/lecun-89e.pdf
26 de Maio
Tutorial 1
Junho
2 de Junho
Tutorial 2
9 de Junho
Paper 1
Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich (2014). Going Deeper with Convolutions
https://arxiv.org/abs/1409.4842
Paper 2
Karen Simonyan, Andrew Zisserman (2015). Very Deep Convolutional Networks for Large-Scale Image Recognition
https://arxiv.org/abs/1409.1556
16 de Junho (FERIADO)
Paper 1
Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbigniew Wojna (2015). Rethinking the Inception Architecture for Computer Vision
https://arxiv.org/abs/1512.00567
Paper 2
Chollet (2017). Xception: Deep Learning with Depthwise Separable Convolutions
https://arxiv.org/pdf/1610.02357.pdf
23 de Junho
Detalhes: Vincent Larochelle et al (2010). Stacked Denoising Autoencoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion
https://www.jmlr.org/papers/volume11/vincent10a/vincent10a.pdf
Básico/Resumo: G. E. Hinton and R. R. Salakhutdinov (2006). Reducing the Dimensionality of Data with Neural Networks.
https://sci-hub.se/10.1126/science.1127647
30 de Junho
Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik (2014). Rich feature hierarchies for accurate object detection and semantic segmentation.
https://arxiv.org/abs/1311.2524
Julho
7 de Julho
Girshick (2015). Fast R-CNN
https://arxiv.org/pdf/1504.08083.pdf
14 de Julho
Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun (2016). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
https://arxiv.org/abs/1506.01497
28 de Julho
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi (2015). You Only Look Once: Unified, Real-Time Object Detection.
https://arxiv.org/abs/1506.02640
Agosto
4 de Agosto
Yang et al (2021) B-PINNs: Bayesian physics-informed neural networks for forward and inverse PDE problems with noisy data.
https://arxiv.org/pdf/2003.06097.pdf