Cristina Nader Vasconcelos

Associate Professor

Universidade Federal Fluminense

Pós-graduação em Ciência da Computação
Tópicos em Computação Visual
Disciplina: Aprendizado em Redes Neurais Profundas (Deep Learning)
Professora: Cristina Nader Vasconcelos

Horário: Segundas-feiras 14-18h, sala

A disciplina possui um grupo no Facebook para avisos e troca de experiências. Cadastrem-se .

DESCRIÇÃO DA EMENTA:

• Introdução.
• Convolutional Neural Networks (CNNs): histórico, arquiteturas, treinamento, aplicações, práticas
• Recurrent Neural Networks (RNN): histórico, arquiteturas, treinamento, aplicações,práticas
• Unsupervised Learning networks (autoencoders, sparse coding): histórico, arquiteturas, treinamento, aplicações, práticas
• Reinforced Learning networks: histórico, arquiteturas, treinamento, aplicações, práticas

BIBLIOGRAFIA (em construção):

• Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. Gradient‐based learning applied to document recognition. Proceedings of the IEEE, november 1998.
• Krizhevsky, A., Sutskever, I. and Hinton, G. E. ImageNet Classification with Deep Convolutional Neural Networks. NIPS 2012: Neural Information Processing Systems, Lake Tahoe, Nevada
• Hinton, G. E. and Salakhutdinov, R. R. Reducing the dimensionality of data with neural networks. Science 2006.
• H. Larochelle, D. Erhan, A. Courville, J. Bergstra, and Y. Bengio. An Empirical Evaluation of Deep Architectures on Problems with Many Factors of Variation. ICML 2007.
• Dumitru Erhan, Yoshua Bengio, Aaron Courville, Pierre‐Antoine Manzagol, Pascal Vincent, and Samy Bengio. Why Does Unsupervised Pre‐training Help Deep Learning? JMLR 2010
• Ian J. Goodfellow, Quoc V. Le, Andrew M. Saxe, Honglak Lee and Andrew Y. Ng. Measuring invariances in deep networks. NIPS 2009.
• Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich: Going deeper with convolutions. CVPR 2015: 1‐9
• B. Olshausen, D. Field. Emergence of Simple‐Cell Receptive Field Properties by Learning a Sparse Code for Natural Images. Nature, 1996.
• H. Lee, A. Battle, R. Raina, and A. Y. Ng. Efficient sparse coding algorithms. NIPS, 2007.
• R. Raina, A. Battle, H. Lee, B. Packer, and A. Y. Ng. Self‐taught learning: Transfer learning from unlabeled data. ICML, 2007.
• H. Lee, R. Raina, A. Teichman, and A. Y. Ng. Exponential Family Sparse Coding with Application to Self‐taught Learning. IJCAI, 2009.
• J. Yang, K. Yu, Y. Gong, and T. Huang. Linear Spatial Pyramid Matching Using Sparse Coding for Image Classification. CVPR, 2009.

Calendário Escolar :

Agenda:

Data	Conteúdo	Material
14-03-2016	Introdução ao aprendizado profundo e ao processamento de sinais	Nvidia-webinar-PI
21-03-2016	- Histórico CV e Histórico NN - -
28-03-2016	- Convolutional Neural Networks (CNNs): histórico, arquiteturas, treinamento, aplicações, práticas -
04-04-2016	GTC 2016
11-04-2016	- Convolutional Neural Networks (CNNs) - -
18-04-2016	- Convolutional Neural Networks (CNNs) - -
25-04-2016	- trabalho prático:Apresentação das APIs - -
02-05-2016	- Recurrent Neural Networks (RNN): histórico, arquiteturas, treinamento, aplicações,práticas - -
09-05-2016	- Recurrent Neural Networks (RNN): - -
16-05-2016	- Recurrent Neural Networks (RNN): - -
23-05-2016	- Apresentação inicial do trabalho desenvolvido pelo aluno -
30-05-2016	- Unsupervised Learning networks (autoencoders, sparse coding): histórico, arquiteturas, treinamento, aplicações, práticas - -
06-06-2016	- -
13-06-2016	- Unsupervised Learning networks - -
20-06-2016	- Reinforced Learning networks: histórico, arquiteturas, treinamento, aplicações, práticas - -
27-06-2016	- Apresentação final de trabalhos - -