Inteligência Artificial e aplicações em física

Aula Pré Processamento

1
Aula Pré Processamento
2
Load data fits
3
Visualiza dados panda profiling
4
Sklearn preprocessing
5
Clip method image contrast
6
Várias técnicas

Aula CNN

1
Aula CNN
2
Link colab Mnist CNN abaixo:
3
https://colab.research.google.com/drive/1cr2xB6zWLECLZSKpY659wozpYYo4oM95?usp=sharing
4
Link colab Galaxy10Decals AstroNN abaixo:
5
https://colab.research.google.com/drive/1vtnzAy13pbiYaccJCLZdxUhH7JGDwDNE?usp=sharing
6
Exercício: Carregar os dados Galaxy10Decals e rodar no escopo da rede do código do mnist e comparar.

RNN e Transformers

1
Notebooks
2
RNN e Transformer

Normalizing Flows e Likelihood-free Inference

1
Notebooks

Ementa:  

  • 1) Introdução ao aprendizado de máquina 
  • 2) Algoritmo de retropropagação. Redes Perceptron de várias camadas. 
  • 3) Análise de dados não estruturados, pré-processamento 
  • 4) Redes Neurais Convolucionais 
  • 5) Arquiteturas VGG, Resnet, Inception 
  • 6) Autoencoders e aprendizagem não supervisionada. 
  • 7) Redes Recorrentes redes Transformers. 
  • 8) Quantificação de Incerteza e Simulation based-inference (SBI) com Normalizing Flows 
  • 9) Exemplos de aplicações nas áreas de atuação do grupo: Astrofísica, Óleo e Gás 

 

Resumo: Esta disciplina tem por objetivo oferecer uma introdução ao aprendizado profundo (Deep Learning) e uma abordagem prática em aplicações de redes neurais com foco em aplicações científicas e tecnológicas na área de Física, Astrofísica e Geofísica. Exemplos interativos de códigos serão discutidos durante as aulas. 

Pré-requisitos

  • Recomenda-se o domínio da linguagem de programação Python

Professor

  • Luciana O. Dias;
  • Clécio De Bom;
  • Bernardo M. Fraga;
Horário: 13:30 às 15:30
Aulas: 5
Duração: 10 horas
Vagas Esgotadas:
Local: Sala RNP
Este site usa cookies e solicita seus dados pessoais para melhorar sua experiência de navegação.