UnB/ENE0154 - Inteligência Computacional IC2025.2

ENE0154 - Inteligência Computacional - 2025.2

Sala BT-16/15, 35T45 Ter-Qui 16:00- 17:50

Recomendações, para refletir:

YouTube Flow PodCast 4:40:54 Mentiram pra você sobre a inteligência artificial [com Fabio Akita]
YouTube Atila Iamarino 21:29 Sam Altman e seu marketing apocalíptico

Por quê "Inteligência Computacional"?

Os seres humanos são ditos inteligentes. (E ainda assim, fazem muita coisa "errada" :(. Queremos emular em computadores o processo decisório "inteligente".

Dentre os vários nomes que estão (ou que já foram) populares, para esta fascinante área do conhecimento, com novas aplicações práticas, "diárias", temos:
Inteligência Artificial, Engenharia do Conhecimento, Soft Computing, Sistemas Inteligentes, Machine Learning, Controle Inteligente Numérico etc.
Inteligência Computacional (IEEE Computational Intelligence Society) parece mais próxima às engenharias,
em particular à, Eng. Elétrica, Mecatrônica/Automação e Controle, Computação e Redes/Telecomunicações.

(E, as máquinas que aprendem, são, quase sempre, Computadores! As aplicações são, tipicamente, CPS, Cyber-Physical Systems : )

- A presente página ( http://www.ene.unb.br/adolfo/Lectures/IC.html) será utilizada para comunicações da disciplina.
- Aulas expositivas, demos. Slides de Aula: IntelComp-1:7
- Exercícios computacionais, Artigo → Teams IntelComp2025.2

Data	#	Conteúdo Programático	Material Complementar
19/8	1	Introdução, Plano de ensino - Conexionismo - Heurísicas - IA Simbólica - IA Subsimbólica	IntelCompUnB-1-Connectionism.pdf p1- - Murphy Cap 1 - Introduction - Haykin - Introdução - Ivan Silva Cap 1 - Introdução
21/8	2	IA ~ Emular o cérebro humano - Fisiologia → Conexionismo - Psicologia → Sistemas especialistas - O modelo "mais simples" → Paradoxos • Reconhecimento de Padrões • Aproximação de Funções - Rede de neurônios x Rede Neural • Sinapses • Plasticidade	IntelCompUnB-1-Connectionism.pdf p1 - Haykin Livro Cap1 - Learning Processes - Ivan Silva Cap 2 - Arquiteturas de redes neurais artificiais e processos de treinamento
26/9	3	Engenharia do Conhecimento - RNA, Fuzzy, AG, IA - Conjectura de Gödel - AG ex. Mastermind - Aproximadores Universais	IntelCompUnB-1-Connectionism.pdf p26-
28/8	4	Fundamentos Biológicos - Fluxo unidirecional da informação - Neurotransmissores - Integração espaço/temporal - Modulação por frequência de pulsos Aprendizado Supervisionado - aproximação de funções (interpolação) - classificação de padrões - Neurônio de McCulloch - Regra delta de Hebb	IntelCompUnB-2-ANN.pdf p1- - Ivan Nunes da Silva - Cap. 3 - Haykin Cap. 1 - Ambientes Python/ML
2/9	5	Aprendizado Supervisionado - O Neurônio de McCulloch - Regra delta de Hebb - O Perceptron de Rosenblatt - Reforço Positivo - Reforço Negativo - Conjuntos linearmente separáveis - ADALINE - Regra delta de Widrow-Hoff (LMS)	IntelCompUnB-2-ANN.pdf p30- - Ivan Silva Cap 3 - Haykin Cap 1
4/9	6	Demos GUI matlab - Funções de ativação - Bias - #Neurônios x "Complexidade" fnl(P) - O que um nerônio pode representar? - Neurônio com várias entradas - Vários neurônios em uma camada	- nndemos
9/9	AE1 7	Perceptron Multicamadas O projeto de uma RNA: - Dados: # amostras, representatividade no domínio - Topologia: # camadas, # neurônios por camada, funções de ativação - Exploração x Explotação ( x Condições Iniciais) - Regra delta genearlizada - Erro derivativo Quadrático - Backpropagation - Werbos, 1974 - Backpropagation - Hinton, Williams, Rummelhart, PDP MIT, 1986 A busca pelo mínimo global (o pragmático "bom" mínimo local) - Gradiente Descente - G.D. com Momento - G. Conjugado - Levenberg-Marquard → Jacobiano - SGD - G.D. - ADAM Adaptive Moment Estimation Ex1 OCR: domínio com 2^63 padrões Aprendizado -> generalizar com alguns padrões ruidosos em torno dos caracteres sem ruído.	IntelCompUnB-2-ANN.pdf p36- I.Silva Cap 5 Multilayer Perceptron Networks 5.3 Training Process of the Multilayer Perceptron 5.3.3 Optimized Versions of the Backpropagation Algorithm 5.4.1 Problems of Pattern Classification 5.4.2 Functional Approximation Problems (Curve Fitting) 5.5.1 Aspects of Cross-Validation Methods 5.5.2 Aspects of the Training and Test Subsets 5.5.3 Aspects of Overfitting and Underfitting Scenarios 5.5.4 Aspects of Early Stopping 5.5.5 Aspects of Convergence to Local Minima S. Haykin Cap4 Multilayer Perceptrons 4.3 Batch Learning and On-Line Learning 4.4 The Back-Propagation Algorithm 4.5 XOR Problem 4.6 Heuristics for Making the BPAlgorithm Perform Better 4.11 Generalization 4.12 Approximations of Functions 4.13 Cross-Validation 4.15 Virtues and Limitations of Back-Propagation Learning - Apresentação Ex1 - Reconhecimento OCR com robustez à ruído
11/9	8	Hopfield Network	IntelCompUnB.pdf p84- I. Silva 7. Recurrent Hopfield Networks 7.1 Introduction 7.2 Operating Principle 7.4 Associative Memory 7.5 Design Aspects 5.4.3 Problems Involving Time-Variant Systems S. Haykin Cap15 Dynamically Driven Recurrent Networks 15.1 Introduction 15.2 Recurrent Network Architectures
16/9	EE1 AE2 9	Adaptive FIR identification RBF	Ex2 - ADALINE IntelCompUnB.pdf p65- Entrega no Aprender3 Ex. Comp. 1.Apresentação Ex Comp. 2 IntelCompUnB.pdf p91- I. Silva Cap 6 Radial Basis Function Networks S. Haykin Cap5 Kernel Methods and RBF
18/9	10	Aproximadores de funções Camada Competitiva	Demo3_ICIN_MLPxRBF.m Demo4_ICIN_ CComp.m
23/9	11	K-Means, LVQ, SOM	IntelCompUnB.pdf p96- S. Haykin Cap9 Self-Organizing Maps, Vector Quantization Demo5_ICIN__lvq.m, Demo5_ICIN_lvq3c.m
25/9	12	Support Vector Machine - Aplicação em localização in-door	Support Vector Machine IntelCompUnB p191 Chap 6 - Support Vector Machines - Hayki
30/9	13
2/10	14
7/10	15	Ambientes DL: - VSCode, Anaconda, Gooflw Colab, TensorFlow, PyTorch, GPU, TPU	Books with Code : - Simon J.D. Prince - Understanding Deep Learning - Zhang, Lipton, Li, Somal - Dive into Deep Learning
9/10	16	Controle não-linear com RNAs: - NARMA-L2	NARMA-L2.pdf
14/10	17	Redes Convolucionais - Conjuntos de Treinamento - Imagens – MNIST, CIFAR, ImageNet - Convolution x Full Connected - Weight sharing,	- Artificial Intelligence - 65th Jubilee 2021 Ramo Estudantil IEEE UFCG - Lecture 5: Convolutional Neural Networks, Prof. Ming Li, UWaterloo/CA - Deep_Learning Tutorial, Prof. Daroczy
16/10	EE2 AE3 18	Redes Neurais Convolucionais - CNN = feature maps + LMS - maxPool, Flattening Reconhecimento de padrões em imagens	NCC_DL_Tutorial.pdf - Prof. Khapra, Madras/In - Ex3 Deep Learn - CIFAR10
21/10	19	Arquiteturas Deep Learning : - AlexNet, ResNet	Machine Learning-AB ENE2019 AI 65th Juliblee Ramo Estudantil IEEE UFCG
23/10	20	Arquiteturas Deep Learning : - Auto-Encoder, Twins Image Segmentation	lecture_9_jiajun cs321n stanford 2022 - Object Detection and Image Segmentation 2020 Simulation and Dynamic Models - Brasília Living Labs - MCTIC/CNPq/UnB 2022 CESUs-Volume-II - Aplicacoes Ed. ECoS - Cap12 Simulação Para Sistemas Ciberfísicos; - Cap14 Inspeção de Ciclovias com VANTs e CNN
28/10		RNN - Recurrent Neural Networks LSTM - Long Short-Term Memory	RNN DaZhang UCSB lecture_10_ruohan cs321n stanford 2022 - Recurrent Neural Networks funny video!!: Long Short-Term Memory (LSTM), Clearly Explained
30/10	22	Aprendizado por Reforço Deep Reinforcement Learning	Exemplos: swing-up pêndulo, -duplo, triplo, self-driving car. Must see film 'alphaGo' - Netflix - Reinforcement Learning Tutorial - Peter Bod'ik, UC Berkeley, 2007 - RL_ENE2019 - Deep Reinforcement Learning, David Silver, Google - Deep MInd, 2016 - RL para processo Nível Líquidos 4a ordem, Lucas Guilhem Matos, 2018
4/11			(Semana Universitária)
6/11			(Semana Universitária)
9/11	EE3
11/11	23	Aula de Exercícios	- Tira-dúvidas - Resolução de provas anteriores
13/11	P 24	Prova Escrita 16:00-18:00 (Provas com "Formulário Visual")
18/11	AE4 25	Attention Transformer Deep Learning	Ruohan Gao - cs321n stanford 2022: lecture_11 Atention and Transformers
20/11			(Dia de Zumbi e Consciência Negra)
25/11	26	Multi-Modal Systems	Hiroto Honda - Google Colab: Vision Transformer Tutorial.ipynb Atul Ranjan - image-captioning-with-an-end-to-end-transformer-network
27/11	27	Conclusões da disciplina IC	Tópicos avançados (SoTA) em IC
2/12	28	Prévias Artigos	Preparação final - tira-dúvidas sobre o Mini-Congresso de IC 2025.2
4/12	A 29	Apresentação artigo, grupos I, II e III
9/12	A 30	Apresentação artigo, grupos IV, V e VI
11/12	EE4 31	Data final para entrega de todos os trabalhos, inclusive, event., atrasados	→ Consolidação das Notas. Menções -> SIGAA

		Lógica Fuzzy	IntelCompUnb pg:140-
		Controladores Fuzzy ANFIS - Adpative Fuzzy Inference System	IntelCompUnb pg:156-191
		Algumas Aplicações & Conclusões de RNA e Fuzzy	IntelCompUnb pg:200-214

Prof. Adolfo Bauchspiess

- Tutorial: Deep Reinforcement Learning, PDF by David Silver, Google DeepMind, 2016
- Reinforcement Learning Tutorial - Peter Bod'ik, UC Berkeley, 2007

- Deep Learning Tutorial - EE@IITM, Mitesh M. Khapra, IITM, Madras, 2017;
-> Lecture11_CS7015_DeepL_Khapra_Madras_in, 2023

-> Lecture11_CS7015_DeepL_Khapra_Madras_in, 2023

- Reinforcement Learning Tutorial - Peter Bod'ik, UC Berkeley, 2007

- RL_ENE2019

- Deep Reinforcement Learning, David Silver, Google - Deep MInd, 2016

- RL para processo Nível Líquidos 4a ordem, Lucas Guilhem Matos, 2018