ICA
  contato   links   
 

Redes Neurais 2 (ELE2709)

stricto sensu Unidade: DEE


Descrição | Objetivos | Ementa | Cursos | Pré-requisitos | Professores | Bibliografia
Avaliação | Carga Horária | Outras Informações | Ementa Detalhada | Downloads

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

    Publicação Arquivos
    Aprendizado por Reforço (ELE2709)
    Máquinas de Vetor Suporte (ELE2709)
    Outros (ELE2709) Sem nenhum arquivo.