Prefácio

Este livro foi desenvolvido como notas de aula para a disciplina “Engenharia de Redes Neurais Artificiais”, do Programa de Pós-Graduação em Engenharia de Produção e Sistemas, da Pontifícia Universidade Católica do Paraná.

O objetivo é ensinar conceitos básicos e avançados de redes neurais artificiais, assim como formas inovadoras de usar esta tecnologia para resolver problemas de machine learning e engenharia. Por meio de exemplos e atividades, os estudantes irão resolver problemas diversos de engenharia e machine learning, como processamento de imagens e sinais e geração de dados sintéticos.

Público Alvo

O livro, assim como a disciplina, foi desenvolvido para estudantes das áreas de Engenharia e Computação que buscam aprimorar seus conhecimentos em machine learning.

Requisitos

É importante que os estudantes devem ter conhecimento intermediário dos seguintes tópicos:

• Aprendizagem de Máquina

• Linguagem de Programação Python

Temas de Estudo

• Fundamentos de Redes Neurais Artificiais: Perceptron, Multilayer Perceptron e Backpropagation.

• Paradigmas de Aprendizagem: Problemas de Classificação e Regressão, Algoritmos de Otimização, Funções de Perda.

• Arquiteturas Especializadas para Visão Computacional: Redes Neurais Convolucionais, Classificação de Imagens, Detecção de Objetos, Segmentação de Imagens.

• Arquiteturas Especializadas para Dados Sequenciais: RNN, LSTM, GRU, Transformers.

• Paradigmas de Aprendizagem Avançadas I: Self-Supervised Learning: Auto-encoders, GANs, Redes Siamesas e Contrastive Learning

• Paradigmas de Aprendizagem Avançadas II: Multi-task Learning, Multi-modal Learning, Joint-embedding Learning

• Aspectos Práticos: Transfer Learning, Model Distillation, Domain Adaptation.

• Novas Fronteiras em RNAs: Diffusion, Mixture of Experts, State-space Models, Deep Equilibrium Networks, Hyper Networks, Graph Neural Networks, PointNet

• Tópicos Especiais: Explainable AI, Ética em IA, Deep Reinforcement Learning, Deep Recommender Systems, Meta-learning

Mapa Mental da Disciplina e do Livro

Ferramentas Utilizadas

• Ambiente de Desenvolvimento Cloud (Gratuito): Google Colaboratory ou Lightning AI

• Python: Pytorch, Numpy, Pyplot, Scikit-learn, OpenCV, etc.

Materiais Externos Recomendados

• Materiais de Curso sobre Deep Learning, de Yann LeCun

• Notas de Aula sobre Algoritmos de Otimização, de Geoffrey Hinton

• Livro Interativo Dive into Deep Learning

Referências

• Livro sobre Deep Learning, de Ian Goodfellow

• Livro sobre Deep Learning, de Christopher Bishop

• Livro de Bolso sobre Deep Learning, de François Fleuret

• Livro sobre Tópicos Avançados de Machine Learning (Deep Learning), de Kevin Murphy

• Livro sobre Introdução de Machine Learning, de Kevin Murphy

• Livro de Aprendizagem Estatística, de Hastie et al.

Autor

Dr. Eng. Victor Henrique Alves Ribeiro