Data de Início:
quinta-feira, 26 Fevereiro, 2026 - 16:00
Palestrante:
Prof. Andre Sznajder - UERJ
Local:
Auditório Adma Jafet
Sobre o evento:
Este seminário apresenta os fundamentos do aprendizado de máquina, com foco em aprendizado profundo (Deep Learning). Inicialmente, são introduzidos os princípios fundamentais das redes neurais artificiais, incluindo aspectos de representação, treinamento e generalização. Em seguida, discute-se o Perceptron Multicamadas (MLP) como um aproximador universal de funções. Na sequência, são apresentadas arquiteturas modernas utilizadas em problemas de classificação, regressão e geração de dados, destacando suas propriedades estruturais e aplicações em diferentes domínios. Por fim, abordaremos as limitações computacionais dessas arquiteturas, bem como estratégias para tornar os modelos mais compactos e eficientes, incluindo técnicas de pruning e quantização.
Este seminário apresenta os fundamentos do aprendizado de máquina, com foco em aprendizado profundo (Deep Learning). Inicialmente, são introduzidos os princípios fundamentais das redes neurais artificiais, incluindo aspectos de representação, treinamento e generalização. Em seguida, discute-se o Perceptron Multicamadas (MLP) como um aproximador universal de funções. Na sequência, são apresentadas arquiteturas modernas utilizadas em problemas de classificação, regressão e geração de dados, destacando suas propriedades estruturais e aplicações em diferentes domínios. Por fim, abordaremos as limitações computacionais dessas arquiteturas, bem como estratégias para tornar os modelos mais compactos e eficientes, incluindo técnicas de pruning e quantização.
Mini autobiografia do palestrante:
Andre Sznajder é professor associado do Instituto de Física da Universidade do Estado do Rio de Janeiro (UERJ), com atuação em física experimental de partículas. Ele obteve seu doutorado em física de partículas pelo CBPF em 1998 com trabalhando no Experimento D0 do Fermilab. Desde 2006 é membro da colaboração CMS no CERN, onde pesquisa física do bóson de Higgs, estudo de quebra de simetria eletrofraca via espalhamento de bósons vetoriais e outros fenômenos fundamentais. Seu trabalho também inclui desenvolvimento e aplicação de técnicas avançadas de análise de dados, simulações de Monte Carlo e métodos computacionais, incluindo redes neurais profundas implementadas em FPGAs para sistemas de trigger em tempo real.
