INFO 
Curso: Introdução às Redes Neurais Artificiais e Aprendizado Profundo com Implementações em R e Python
Carga Horária: 30h
Modalidade: Online
Turno/Horário: Segunda, Quarta, Quinta e Sexta | 18h às 21:00h
Período: 20/Nov a 01/Dez
Professor (a): Ricardo Cerri (UFSCAR)
Informações em:
https://bit.ly/ufba-tomorrow-novembro2
Inscrição em:
https://bit.ly/ufba-tomorrow-novembro-form2
NÍVEL DO CURSO
Básico/Introdutório
OBJETIVOS DO CURSO
Apresentar fundamentação sobre os principais modelos de Redes Neurais Artificiais existentes na literatura, suas formalizações matemáticas, bem como seus respectivos modelos de aprendizado.
QUEM PODE FAZER ESTE CURSO?
O curso é destinado para alunos de graduação e pós-graduação em qualquer área do conhecimento. É desejável mas não obrigatório conhecimentos básicos de Geometria e operações da Álgebra Linear, e conhecimentos básicos de programação R e Python.
POR QUE DEVO FAZER ESTE CURSO?
Redes Neurais Artificiais são sistemas computacionais inspirados no cérebro humano. Elas são formadas por neurônios artificiais conectados que compartilham informações e possuem aplicação em diversos problemas, como o reconhecimento de padrões, sistemas de segurança, auxílio ao diagnóstico, previsão e classificação de dados e processamento de textos. Suas variantes vão desde arquiteturas simples até modelos complexos com várias camadas de neurônios artificiais interconectados. Por meio desse curso você terá uma visão geral de várias arquiteturas existentes de redes neurais artificiais, como elas funcionam e como podem ser utilizadas.
EMENTA
O Perceptron e o Multi-Layer Perceptron; Mapas Auto-Organizáveis; Autoencoders; Restricted Boltzmann Machines; Redes Neurais Convolucionais e Aprendizado Profundo; Redes Neurais Recorrentes; Mecanismos de Atenção e Transformers
SOBRE O PROFESSOR
Ricardo Cerri obteve seu doutorado em Ciência da Computação e Matemática Computacional pela Universidade de São Paulo (ICMC/USP), trabalhando com Redes Neurais e Algoritmos Genéticos para Problemas Hierárquicos e Multirrótulo. Tem experiência trabalhando principalmente com os temas Bioinformática e Aprendizado de Máquina, com foco especial em métodos avançados para classificação e regressão de dados com múltiplas saídas e saídas estruturadas (multi-output learning / hierarchical / multi-label / multi-target). Atualmente, ocupa o cargo de Professor Adjunto no Departamento de Computação da Universidade Federal de São Carlos (UFSCar/Brasil), liderando o grupo de pesquisa em Bioinformática e Aprendizado de Máquina (BioMal - www.biomal.ufscar.br). Também é Bolsista de Produtividade em Pesquisa do CNPq - Nível 2. Atua como revisor de periódicos e conferências nacionais e internacionais, além de atuar no comitê de programa de diferentes conferências e workshops no Brasil e exterior. De 2019 a 2020, realizou pesquisa de pós-doutorado no Laboratório de Inteligência Artificial e Suporte à Decisão (LIAAD) da Universidade do Porto (Portugal), trabalhando com classificação multirrótulo em fluxos contínuos de dados.