Notícias
Pós-graduação do ON promove curso sobre Deep Learning
![SITE_deeplearning.png](https://www.gov.br/observatorio/pt-br/assuntos/noticias/pos-graduacao-do-on-promove-curso-sobre-deep-learning/site_deeplearning.png/@@images/4dc306e3-8a2e-4e11-a0c1-8ce895cc4096.png)
A Divisão de Programas de Pós-Graduação (DIPPG) do Observatório Nacional – unidade de pesquisa vinculada ao Ministério da Ciência, Tecnologia e Inovações (MCTI) – realiza nos dias 24 e 26 de agosto o curso "Aprendizado de Máquina Profundo para Análise de Dados e Simulações em Física".
O responsável por ministrar o curso, que vai focar em aprendizado profundo (Deep Learning), será o Dr. André Sznajder do Departamento de Física Nuclear e Altas Energias do Instituto de Física da Universidade do Estado do Rio de Janeiro (DFNAE/IF/UERJ).
O curso será ministrado no auditório do prédio Emmanuel Liais, no ON, e é aberto para todos os estudantes do Observatório e também para os servidores e terceirizados interessados.
Haverá listas de presença e um certificado será dado para aqueles que participarem de todas as aulas nos dois dias.
Ao todo, serão quatro aulas nos dois dias (24 e 26), nos seguintes horários:
- Manhã: das 10hs às 12hs
- Tarde: das 14hs às 16hs.
Título: Aprendizado de Máquina Profundo para Análise de Dados e Simulações em Física
Ementa: Este mini-curso fornecerá uma introdução aos conceitos básicos de aprendizado de máquina com um foco em aprendizado profundo (Deep Learning). Após a apresentação dos conceitos básicos de aprendizado de máquina, vamos utilizar a arquitetura simples do perceptron multicamadas (MLP) para discutir os conceitos de retro propagação, problemas de sub-ajuste, sobre-ajuste e técnicas de regularização. Em seguida, passaremos a discutir algumas arquiteturas de redes neurais profundas: rede convolucional (CNN), rede recursiva (RNN), redes de grafos (GNN), autoencoders (AE,VAE) e redes generativas adversariais(GAN). Também discutiremos como algumas dessas arquiteturas podem ser aplicadas à análise de dados e simulação em física. As palestras incluirão sessões práticas nas quais os alunos terão oportunidade de ver e implementar essas arquiteturas usando Jupyter notebooks (Google Colab) e as bibliotecas de aprendizado de máquina Tensorflow/KERAS.