Last modified: 02, March 2021.
Redes neurais com valores hipercomplexos (HvNN, do inglês hypercomplex-valued neural networks) constituem uma área de pesquisa crescente que tem atraído interesse contínuo na última década. Diferente das redes tradicionais com valores reais, as redes neurais com valores hipercomplexos tratam dados multidimensionais como uma entidade única. Existem várias novas direções de pesquisa em HvNNs: da generalização formal dos algoritmos comumente usados ao caso hipercomplexo que é matematicamente mais rico ao uso de funções de ativação originais que podem aumentar significativamente a funcionalidade do neurônio e da rede. Existem também muitas aplicações interessantes de HvNNs em reconhecimento e classificação de padrões, filtragem não-linear, processamento inteligente de imagens, interfaces cérebro-computador, previsão de séries temporais, bioinformática, robótica, etc.
Exemplos de redes com valores hipercomplexos incluem as redes neurais com valores complexos (CvNNs, do inglês complex-valued neural networks) e as redes neurais com valores quaterniônicos (QvNNs, do inglês quaternion-valued neural networks). Uma das características mais importantes das CvNNs é o tratamento adequado da fase e das informações contidas na fase, por exemplo, o tratamento de fenômenos relacionados a ondas, como eletromagnetismo, ondas de luz, ondas quânticas e fenômenos oscilatórios. As QvNNs, que têm aplicações potenciais em modelagem de dados tridimensional e quadridimensional, têm sido usadas com eficácia para processamento e análise de imagens multivariadas, como imagens SAR coloridas e polarimétricas.
Conceitos básicos de redes neurais e aplicações. Numéros complexos, hiperbólicos e quatérnios. Redes neurais com valores complexos. Redes neurais com valores quaterniônicos. Sistemas de números hipercomplexos. Redes neurais com valores hipercomplexos. Aplicações de redes neurais com valores hipercomplexos.
A parte teórica da disciplina será abordada no ambiente virtual Google Classroom com aulas que serão gravadas e material didático elaborado pelo professor responsável.
Espera-se que os alunos estudem e pratiquem os exercícios e demais atividades propostos ao longo do semestre via ambiente Google Classroom e com auxílio do Google Colaboratory (Colab). Destacamos que a parte prática da disciplina envolve a implementação de modelos de redes neurais artificiais. A implementação dos modelos será abordada com videoaulas e material elaborado pelo professor e estará disponível no Google Classroom. A linguagem de programação utilizada nessa disciplina será python.
As aulas são ministradas nos seguintes dias usando o Google Meet (link disponível no Google Classroom):
O professor oferecerá atendimentos no horário reservado para as aulas. Havendo necessidade, serão agendadas sessões pontuais para dirimir dúvidas via Google Meet em horários extras.
A avaliação contará com 6 atividades de fixação e um trabalho acadêmico curto, em formato específico e com limite de páginas, que deverão ser entregues pelo Google Classroom. As atividades de fixação, que serão divulgadas no decorrer do semestre valendo nota de 0 a 10, irão compor 30% da avaliação. O trabalho acadêmico curto, também valendo nota de 0 a 10, deverá ser entregue ao final do semestre e corresponderá aos restantes 70% da avaliação. Será aprovado com conceito suficiente o aluno que apresentar desempenho superior a 60%. Especificamente, o aluno será aprovado se:
0.3*(A1+...+A6)/6 + 0.7*T >= 6.0,
em que A1,...,A6 denotam as notas das atividades de fixação e T corresponde à nota do trabalho acadêmico curto.