Stricto Sensu

Redes Neurais 2 (ELE2709)

Descrição

Não Disponível.

Objetivos
  • Aprofundar os conceitos de Redes Neurais;
  • Discutir as dificuldades inerentes à modelagem mais adequada para diferentes problemas;
  • Apresentar modelos de aprendizado de máquina mais avançados, como redes temporais, máquinas de vetor suporte e algoritmos de aprendizado por reforço.
Ementa

Questões de Generalização; Limites das Arquiteturas e Relação com os dados disponíveis; Redes Neurais Temporais: Redes de Elman, Redes de Jordan, TDNN; Máquinas de Vetor Suporte (SVM - Support Vector Machines) para problemas de classificação e regressão; Máquinas de Vetor Suporte em problemas de múltiplas classes; Aprendizado por Reforço; Algoritmos para o Aprendizado por Reforço; Aplicações.

Cursos
  • Mestrado / Doutorado em Engenharia Elétrica
Pré-Requisitos

ELE2394 - 3 créditos.

Professores

Marley Maria B. R. Velasco
Sala: 21 do Anexo - 4º andar (Leme)
E-mail: marley@ele.puc-rio.br

Karla Figueiredo
E-mail: karla@ele.puc-rio.br

Adriana Chaves
E-mail: nacha@ele.puc-rio.br

Bibliografia
  • Notas de Aula.
  • Simon Haykin, Neural Networks - A Comprehensive Foundation, Mcmillan College Publishing Co, 1999.
  • R.S. Sutton, A.G. Barto, Reinforcement Learning: An Introduction, 1998.
  • B. Schölkopf, and A.J. Smola, Learning with Kernels. The MIT Press, 2002.
  • N. Cristianini and J. Shawe-Taylor, An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press, 2000.
  • L.P. Kaelbling, M.L. Littman; W.A. Moore, Reinforcement Learning: A Survey, Journal of Artificial Intelligence Research 4, May 1996, p. 237-285.
  • C.H.C. Ribeiro A Tutorial on Reinforcement Learning Techniques In: International Joint Conference on Neural Networks ed. : INNS Press, 1999.
  • S.P. Singh and R.S. Sutton, Reinforcement learning with replacing eligibility traces, Machine Learning, vol. 22, no. 1, 1996, p. 123-158.
  • R.S. Sutton, Temporal Credit Assignment in Reinforcement Learning, Ph.D. thesis, University Massachusetts, Amherst, MA., 1984.
  • D.P. Bertsekas, Dynamic Programming: Deterministic and Stochastic Models.
  • Prentice Hall, Englewood Cliffs, NJ, 1987
  • R.E. Bellman, Dynamic Programming, Princeton, NJ, Princeton University Press, 1957.
  • Ian H. Witten & Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques, Elsevier – Morgan Kaufmann Publishers, 2005.
  • A.Zapranis e A.P. Refenes, Principal of Neural Model Identification, Selection and Adequacy, Springer 1999.
Avaliação

Nota = (T1 + T2 + T3)/3
T1 – Trabalho de Reinforcement Learning
T2 – Trabalho de Support Vector Machines
T3 – Trabalho de Redes Temporais
Ti - desenvolvimento + apresentação + artigo

Carga Horária

Não Disponível.

Outras Informações

http://www.ica.ele.puc-rio.br – Este site possui informações complementares sobre o curso e inclui uma biblioteca com consultas on-line a livros e periódicos. Também se encontra disponível neste site o documento denominado ICABook (em cursos), contendo: definições de termos na área, ementas dos cursos, listas de exercícios, dicas para uma apresentação oral e dicas para a produção do artigo técnico. Por fim, o site disponibiliza uma base de aplicações (base de cases do ICA) com a descrição sobre aplicações de técnicas inteligentes nos mais diversos problemas.

Ementa Detalhada

Não Disponível