2023

Redes neuronais e aprendizagem profunda

Nome: Redes neuronais e aprendizagem profunda
Cód.: INF13267M
6 ECTS
Duração: 15 semanas/156 horas
Área Científica: Informática

Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Regime de Frequência: Presencial

Objetivos de Desenvolvimento Sustentável

Objetivos de Aprendizagem

No final da unidade curricular o aluno deverá demonstrar:
Conhecimento amplo de abordagens e técnicas de redes neuronais e aprendizagem profunda, quer no que respeita a arquiteturas básicas, quer naquelas desenhadas para tipos de problemas específicos
Compreensão mais profunda sobre os problemas e possíveis abordagens associados ao desenvolvimento de soluções baseadas em redes neuronais
Conhecimento sobre técnicas de desenho e programação destas arquiteturas e sua avaliação
Conhecimento sobre técnicas básicas necessárias para realizar investigação em aprendizagem profunda e big data

Conteúdos Programáticos

Conceitos básicos
Arquitetura básica
Perceptrão
Redes multi-camada
Funções de ativação e perda
Treino da rede: algoritmo de backpropagation
Questões práticas
overfitting, vanishing, dificuldades de convergência
Redes feed-forward, redes recorrentes
Arquiteturas de aprendizagem profunda:
cnn, lstm, transformers
Explicabilidade de modelos: intrínsecos vs post-hoc, específico ou agnóstico a modelos, global vs. local

Métodos de Ensino

Aulas teóricas com introdução de conceitos, resolução acompanhada de exercícios e esclarecimento de dúvidas.
Aulas práticas laboratoriais com proposta de problemas que acompanham a matéria teórica e esclarecimento de dúvidas durante a sua resolução. Exercícios de dificuldade gradual cobrindo os tópicos ensinados para os alunos praticarem o domínio da matéria.

Avaliação

Avaliação contínua - constituída por 2 componentes:
* trabalho individual sobre um tema específico em formato de artigo (30%)
* trabalho prático de grupo (70%)

Avaliação final - constituída por 2 componentes:
* artigo (30%)
* relatório relativo a prático de grupo (70%)

A nota final é obtida através da média ponderada das 2 componentes. O aluno tem aprovação se a nota final for igual ou superior a 10.

Bibliografia

Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016 (https://www.deeplearningbook.org/)
Neural Networks and Deep Learning. Michael A. Nielsen. Determination Press, 2015 (Creative Commons, http://neuralnetworksanddeeplearning.com/)
Hands-On Machine Learning with Scikit-Learn & TensorFlow. Aurélien Géron. O'Reilly, 2019
Deep Learning with Python. François Chollet, Manning publications.

Equipa Docente