DC-UFRPE/Licenciatura Plena em Computação/Disciplinas Optativas/Redes Neurais

Fonte: Wikiversidade

Programa da Disciplina[editar | editar código-fonte]

Nome: Redes Neurais Código: 06223
Departamento: Departamento de Computação Área: Ciência da Computação
Carga-horária total: 60 H Créditos: 4
Carga-horária semanal: 4 horas (teóricas: 2; práticas: 2; EAD*: 0)

Pré-requisitos:[editar | editar código-fonte]

Estatística Exploratória, Inteligência Artificial

Co-requisitos:[editar | editar código-fonte]

Nenhum

Ementa:[editar | editar código-fonte]

Aprendizado supervisionado. Aprendizado não-supervisionado. Classificação e Regressão em Redes Neurais Artificiais. Redes Neurais Recorrentes. Predição de Séries Temporais em Redes Neurais. Aspectos teóricos. Projeto.

Prática como componente curricular (60 H):[editar | editar código-fonte]

Não possui.

Objetivos:[editar | editar código-fonte]

Introduzir a teoria das Redes Neurais Artificiais, conceitos básicos e principais algoritmos de aprendizado supervisionado e não-supervisionado, fornecendo subsídios para que o aluno saiba discernir quando se deve utilizar as Redes Neurais como ferramenta; apresentar ferramentas de software de Redes Neurais; e exemplificar sua aplicação em sistemas de previsão, apoio à decisão, classificação e reconhecimento de padrões.

Conteúdo Programático:[editar | editar código-fonte]

Bibliografia básica:[editar | editar código-fonte]

1. Ivan Nunes da Silva, Danilo Hernane Spatti, Rogério Andrade Flauzino. Redes Neurais Artificiais Para Engenharia e Ciências Aplicadas: Curso Prático. ARTLIBER, 2010.

2. Simon Haykin. Redes Neurais: Princípios e Práticas 2ª Edição. Bookman, 2001.

3. Antônio de Pádua Braga, André Ponce de Leon F. De Carvalho e Teresa Bernarda Ludermir. Redes Neurais Artificiais – Teoria e Aplicações - 2ª EDIÇÃO, 2007.

Bibliografia complementar:[editar | editar código-fonte]

1. RUSSEL, S.; NORVIG, P. Inteligência Artificial - Tradução da Segunda Edição. Rio de Janeiro: Elsevier, 2004.

2.COPPIN, B. Inteligência Artificial. Rio de Janeiro:LTC, 2010.

3. MITCHELL, T. M. Machine Learning. Singapore: McGraw-Hill, 1997.

4. BISHOP, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

5. Michael R. Berthold e Jay Diamond. Boosting the Performance of RBF Networks with Dynamic Decay Adjustment. Advances in Neural Information Processing Systems, Vol. 7, pp. 521-528, MIT Press, 1995.

OBS: *Essa disciplina poderá ter até 4 encontros a distância, se aprovado em plano de ensino pelo colegiado.