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 : )

- Aprender3 IntelComp, Exercícios Computacionais e Teste de Avaliação.
- A presente página ( http://www.ene.unb.br/adolfo/Lectures/IC.html) será utilizada para comunicações da disciplina.
- Aulas expositivas, demos, exercícios computacionais, artigo.

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 - Ex2 - ADALINE IntelCompUnB.pdf p91- I. Silval 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	Redes Neurais Convolucionais (Deep Learning)	Lecture 5: Convolutional Neural Networks, Prof. Ming Li, UWaterloo/CA NCC_DL_Tutorial.pdf - Prof. Khapra, Madras/In
2/10	14	Redes Convolucionais - Conjuntos de Trainamento – MNIST, CIFAR, ImageNetCNN aplicadas à reconhecimento de padrões em imagens - Weight sharing, normalização, feature maps, transfer learning - maxPool - Flattening	IntelCompUnb pg:141-217 - Artificial Intelligence - 65th Jubilee 2021 Ramo Estudantil IEEE UFCG - Deep Learning CS6910 - Prof. Khapra, Madras/In - Deep_Learning Tutorial, Prof. Daroczy - Ex3 Deep Learn - CIFAR10
7/10	EE2 AE3 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	Arquiteturas Deep Learning : - AlexNet, ResNet, Inception Controle não-linear com RNAs: - NARMA-L2	Machine Learning-AB ENE2019 AI 65th Juliblee Ramo Estudantil IEEE UFCG NARMA-L2.pdf
14/10	17	Aprendizado por reforço - Exploration x Exploitation - Programação Dinâmica – Bellman, - Recompensa Futura	RL_ENE2019 - Reinforcement Learning Tutorial - Peter Bod'ik, UC Berkeley, 2007 Silver, DeepMind: deep_rl_tutorial Exemplos: swing-up pêndulo, -duplo, triplo, self-driving car.
16/10	18	Deep Reinforcement Learnig	- 'Tutorial: Deep Reinforcement Learning, PDF by David Silver, 2016 Apresentação Guilhem RL para processo Nível Líquidos 4a ordem filme alfaGo - Netflix
21/10	19	Introdução: Image Segmentation RNN - Recurrent Neural Networks LSTM - Long Short Term Memory	lecture_9_jiajun cs321n stanford 2022 RNN yfwang UCSB lecture_10_ruohan cs321n stanford 2022 funny video!!: Long Short-Term Memory (LSTM), Clearly Explained
23/10	AE4 20	Preparação Artigo
28/10	EE3 21	Apresentação artigo grupos I, II e III
30/10	22	Apresentação artigo grupos IV, V e VI
4/11			(Semana Universitária)
6/11			(Semana Universitária)
11/11	23	Lógica Fuzzy	IntelCompUnb pg:104-140
13/11	24	- Controladores Fuzzy -	Fuzzy -ANFIS -- ANFIS
18/11	25	- Aplicações Fuzzy	IntelCompUnb pg:156-191
20/11			(Dia de Zumbi e Consciência Negra)
25/11	26	Algumas Aplicações & Conclusões: - RNA & Fuzzy	IntelCompUnb pg:200-214
27/11	27	Attention Transformer Deep Learning	Ruohan Gao - cs321n stanford 2022: lecture_11 Atention and Transformers
2/12	28	Tópicos avançados (SoTA) em IC Conclusões IC	Hiroto Honda - Google Colab: Vision Transformer Tutorial.ipynb Atul Ranjan - Python in Plain English: image-captioning-with-an-end-to-end-transformer-network
4/12	29	Aula de Exercícios	- Tira-dúvidas - Resolução de provas anteriores
9/12	P 30	Prova Escrita 16:00-18:00 (Provas com "Formulário Visual")
11/12	EE4 31	Data final para entrega de todos os trabalhos, inclusive event. atrasados → Consolidação das Notas e Menções

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 PDF by Mitesh M. Khapra, IITM, Madras, 2017
-> Lecture11_CS7015_DeepL_Khapra_Madras_in, 2023

-> Lecture11_CS7015_DeepL_Khapra_Madras_in, 2023

RL_ENE2019

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

Silver, DeepMind: deep_rl_tutorial

- 'Tutorial: Deep Reinforcement Learning, PDF by David Silver, 2016
Apresentação Guilhem RL para processo Nível Líquidos 4a ordem