Computação Bioinspirada

5955010-3
Pós-Graduação

Origem:

Física Aplicada à Medicina e Biologia
Física Aplicada à Medicina e Biologia

Vigência

02/02/2023
05/04/2023
05/04/2023
2023-01-19 00:00:00

Carga Horária

3 horas
1 horas
6 horas
150 horas
10
15 semanas

Responsáveis:

André Carlos Ponce de Leon Ferreira de Carvalho
02/02/2023
03/02/2023
02/02/2023
19/01/2023

Renato Tinós
02/02/2023
03/02/2023
02/02/2023
19/01/2023

Zhao Liang
02/02/2023
03/02/2023
02/02/2023
19/01/2023



Fornecer ao aluno, conceitos básicos e características dos sistemas de Computação Bioinspirada, enfatizando conceitos, técnicas e métodos de aquisição e representação de conhecimento não-simbólico. Introduzir ao aluno, aplicações de sistemas de Computação Bioinspirada em problemas práticos.


Esta disciplina é necessária para apresentar a diversidade de algoritmos e estratégias reunidas sob o nome Computação Bioinspirada, buscando a compreensão de suas propriedades e potencialidade na solução de vários problemas.


Introdução às Redes Neurais Artificiais. Perceptron. Perceptron Multi-Camadas. Outros Modelos de Redes Neurais Artificiais. Aprendizado Profundo. Introdução às Meta-Heurísticas. Algoritmos Evolutivos: Algoritmos Genéticos, Programação Genética e Estratégias Evolutivas. Aspectos Teóricos, de Avaliação e Práticos. Aplicações.


● Eiben, A. E. & Smith, J. E.. Introduction to Evolutionary Computation. Springer, 2nd ed., 2017.
● Mitchell, M.. “An Introduction to Genetic Algorithms”, MIT Press, 1996.
● Linden, R.. Algoritmos Genéticos. 3a. ed., Ed. Ciência Moderna, 2012.
● Michalewicz, Z. & Fogel, G.B.. How to solve it: modern heuristics. Springer, 2004.
● Haykin, S.. Neural networks and learning machines. 3rd ed., Prentice Hall, 2008.
● Silva, I. N.; Spatti, D. H.; Flauzino, R. A.. Redes neurais artificiais para engenharia e ciências aplicadas: fundamentos teóricos e aspectos práticos. 2a ed., Artliber Editora, 2016.
● Géron, A.. Mãos à obra: aprendizado de máquina com Scikit-Learn & TensorFlow. Alta Books, 2019.
● Faceli, K.; Lorena, A.C.; Gama, J.; Almeida, T.A. & Carvalho, A.C.P.L.F.. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. 2a ed., LTC, 2021.

BIBLIOGRAFIA (em inglês):
● Eiben, A. E. & Smith, J. E.. Introduction to Evolutionary Computation. Springer, 2nd ed., 2017.
● Mitchell, M.. “An Introduction to Genetic Algorithms”, MIT Press, 1996.
● Linden, R.. Algoritmos Genéticos. 3a. ed., Ed. Ciência Moderna, 2012.
● Michalewicz, Z. & Fogel, G.B.. How to solve it: modern heuristics. Springer, 2004.
● Haykin, S.. Neural networks and learning machines. 3rd ed., Prentice Hall, 2008.
● Silva, I. N.; Spatti, D. H.; Flauzino, R. A.. Redes neurais artificiais para engenharia e ciências aplicadas: fundamentos teóricos e aspectos práticos. 2a ed., Artliber Editora, 2016.
● Géron, A.. Mãos à obra: aprendizado de máquina com Scikit-Learn & TensorFlow. Alta Books, 2019.
● Faceli, K.; Lorena, A.C.; Gama, J.; Almeida, T.A. & Carvalho, A.C.P.L.F.. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. 2a ed., LTC, 2021.


Serão atribuídas notas a trabalhos e provas. A nota final será calculada pela média ponderada das notas dos trabalhos (60% da nota final) e das provas (40% da nota final). Os conceitos serão atribuídos de acordo com a nota final (A: 9-10; B: 7-8,9; C: 5-6,9; R :0-4,9).


Página Anterior