Cursos disponíveis

Website da disciplina: https://www.cos.ufrj.br/~daniel/rc/

Website da disciplina: https://www.cos.ufrj.br/~daniel/mcmc/

CPS733 – Prospecção Tecnológica

Prospecção Tecnológica: histórico, objetivos, conceitos e sua relação com Processos Decisórios.

Assessment x Forecast x Foresight. Metodologias de Prospecção: Analytical hierarchy process (AHP), Backcasting, Bibliometrics, Brainstorming, Cross-impact Analysis, Delphi, Field Anomaly Relaxation method (FAR), Focus Groups, Interviews, Mitigation analysis, Monitoring, Multicriteria Decision Analysis, Morphological analysis, Multiple Perspectives Assessment, Relevance Trees, Scenarios, Science Fiction Analysis, Stakeholder Analysis, Technological Substitution, Trend Extrapolation, Trend Impact Analysis, TRIZ, Vision Generation.
Ementa do curso: Introdução às Redes e à Comunicação Sem Fio; Pilha de Protocolos Sem Fio; Rádios
Cognitivos; Redes de Onda Milimétricas; Redes 5G/6G e Mobilidade.
Introdução a Busca e Recuperação de Informações. Modelos de Recuperação da Informação: Espaço Vetorial, Probabilístico, de Sinais. Feedback. Mecanismos de Busca. Avaliação de Mecanismos de Busca. Mineração de Texto: associação, agrupamento e classificação. Introdução a Análise de Sentimentos. Introdução à sumarização.
O Site da disciplina é https://www.cos.ufrj.br/~fbotler/cep/2020/

Ementa preliminar: Teoria de Ramsey; Teoria Extremal de Grafos; Grafos Aleatórios; Lema de Regularidade.

Início: 08/07/2019
4a. e 6a., 15-17h
Esta disciplina aprofunda os aspectos de gerência de dados em larga escala gerados como fluxos de dados e proveniência de dados apresentados em COS834. Análise de fluxos de dados gerados em experimentos de “ciência de dados”. Abordagens de captura, representação e armazenamento de dados de proveniência de aprendizado profundo no contexto de redes neurais. Padrões de representação de dados de proveniência em aprendizado de máquina e suas transformações ao longo do ciclo de vida de aprendizado profundo. Análise de dados em redes neurais científicas, com ênfase em PINN (“Physics Informed Neural Networks).

Referência base:
Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations
Maziar Raissi, Paris Perdikaris, George Em Karniadakis

We introduce physics informed neural networks -- neural networks that are trained to solve supervised learning tasks while respecting any given law of physics described by general nonlinear partial differential equations. In this two part treatise, we present our developments in the context of solving two main classes of problems: data-driven solution and data-driven discovery of partial differential equations. Depending on the nature and arrangement of the available data, we devise two distinct classes of algorithms, namely continuous time and discrete time models. The resulting neural networks form a new class of data-efficient universal function approximators that naturally encode any underlying physical laws as prior information. In this first part, we demonstrate how these networks can be used to infer solutions to partial differential equations, and obtain physics-informed surrogate models that are fully differentiable with respect to all input coordinates and free parameters.

Subjects: Artificial Intelligence (cs.AI); Machine Learning (cs.LG); Dynamical Systems (math.DS); Numerical Analysis (math.NA); Machine Learning (stat.ML)
Cite as: arXiv:1711.10561 [cs.AI]
(or arXiv:1711.10561v1 [cs.AI] for this version)
Curso introdutório de programação usando a linguagem Python
Website da disciplina: https://www.cos.ufrj.br/~daniel/ieci/
Website da disciplina: https://www.cos.ufrj.br/~daniel/sd

Website da disciplina: https://www.cos.ufrj.br/~daniel/grafos/


Introdução a Otimização continua Linear e Não linear

(COS480) Construção de Banco de Dados. Turma SIGA 11438.

Prof. Milton R Ramirez

Terças e quintas, de 15h às 17h.

Algoritmos em grafos, introdução a otimização, classe de problemas (complexidade), algoritmos para problemas NP-Difícil. 

Website da disciplina: https://www.cos.ufrj.br/~fbotler/teeci/2020/
Website da disciplina: https://www.cos.ufrj.br/~daniel/sd
Website da disciplina: https://www.cos.ufrj.br/~daniel/ieci/
Curso introdutório de programação usando a linguagem Python

Curso de Compiladores I

Período 2021/01

Prof. Geraldo Zimbrão

Esse curso aborda a construção de compiladores usando a linguagem C (ou C++) e as ferramentas Lex/Flex e YACC/Bison.
É indispensável que o aluno saiba a linguagem C (Computação I).
É desejável que os trabalhos sejam desenvolvidos em Linux, pois a correção será feita em uma máquina linux usando g++ v7 ou maior com a configuração std=c++17

Curso de C++

Período 2021-01

Prof. Geraldo Zimbrão

Esse curso aborda a linguagem de programação C++, e tem como pré-requisitos Computação I (Linguagem C) e Computação II (Linguagem Java).
É esperado que o aluno saiba os conceitos de Orientação para Objetos presentes na linguagem Java.

  • Ementa do SIGA
    • Ambiente de aplicações corporativas e a tomada de decisão. 
    • Processamento transacional e processamento analítico. 
    • Conceito de DataWarehousing e DataMarts. 
    • Arquiteturas de DataWarehoung. 
    • Conceito de Operational DataStore. 
    • Processo de extração, transformação e carga. 
    • Modelagem multidimensional: esquemas estrela e floco-de-neve.
    • Hierarquias e agregados. 
    • Aspectos de projeto físico de DataWarehouses e DataMarts. Ferramentas e aplicações OLAP. 
    • Gerência de metadados. 
    • Gerência de DataMarts de navegação. 
    • Projetos de DataWarehousing. 
    • Tratamento de dados não-estruturados em abientes analíticos.

Neste módulo 1, que inicia o nosso curso sobre Neurociência e Aprendizagem, vamos discutir sobre como as funções cognitivas podem ser afetadas pelo sono, alimentação e atividade física inadequados, bem como o papel das nossas emoções na capacidade de aprender. 

Curso de introdução a jogos para auto-estudo.