Deep Learning

Ministrantes: Prof. Dr. Eduardo Valle – FEEC/UNICAMP; Prof. Dr. Matthieu Cord -UPMC Paris 6 - Sorbonne Universités -- LIP6
Resp.: Prof. Dra. Roseli Ap. Francelin Romero e Prof. Dr. João Luis Garcia Rosa

Objetivos

Deep Learning (DL) tem revolucionado muitos aspectos da área de reconhecimento de padrões nos últimos anos e tem sido extremamente bem sucedido em tarefas como reconhecimento e detecção de objetos, classificação de cenas, reconhecimento de movimentos. Neste curso, na primeira parte, serão apresentados alguns modelos de redes neurais, que servem de base para a compreensão de DL. Na segunda parte, arquiteturas para redes DL serão apresentadas, com respectivos de algoritmos de treinamento e exemplos de aplicações reais.

Justificativa

As pesquisas em Redes Neurais está em pleno desenvolvimento e os resultados obtidos na solução de problemas complexos (visão, voz, etc.), muitos deles ainda não resolvidos satisfatoriamente em computadores digitais, têm despertado o interesse de pesquisadores de diversas áreas, tais como, processamento de imagens, reconhecimento de padrões, robótica, controle, otimização, processamento paralelo, etc..

Conteudo

1. Introdução: · Cognição e Modelos Biológico. · Aprendizado e Inteligência. · Processamento Simbólico versus Não-Simbólico. · Reconhecimento de padrões. 2. Primeiros Modelos: Perceptron, Adaline. 3. Rede MLP: Arquitetura, Algoritmo backpropagation,· Aplicações. 3. Redes RBF :Arquitetura,· Treinamento,· Aplicações. 4. Deep Learning: Introdução. Redes Convolucionárias, Pre-treinamento Não-supervisionado, Auto-encoders: SDA e RBM, Redes de Crença Profundas. Aplicações. Deep-learning for Vision, From LeNet to Imagenet, Tricks for Training, Transfer Learning, Fine Tuning, Extensions and Applications (Supervised Segmentation, Automatic Captioning, Metric Learning, Generative Models).

Bibliografia