Vai al contenuto principale
Pannello laterale
Disciplinas »
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
AACCs/FFLCH
Pró-Reitoria de Pós-Graduação
Outros
Suporte »
Acesso
Perfis
Ouvintes
Docentes
Criação de Disciplinas da USP
Documentação
HelpDesk e Contato
Guia de uso
Sobre
Italiano (it)
Deutsch (de)
English (en)
Español - Internacional (es)
Français (fr)
Italiano (it)
Português - Brasil (pt_br)
Cerca
Chiudi
Cerca
Attiva/disattiva input di ricerca
Acessar
5955010 - Computação Bioinspirada (2018)
Home
Corsi
2018
FFCLRP
595
5955010--2018
Informações do Curso e Trabalhos
Arquivos para Trabalho III
Arquivos para Trabalho III
Scarica cartella
Artigo 1) Eiben, A. E., Smith, J. (2015). “From evolutionary computation to the evolution of things”, Nature, 521(7553), 476-482..pdf
Artigo 2) Schmidt, M. Lipson, H. (2009). “Distilling Free-Form Natural Laws from Experimental Data”, Science, 324(81), 81-85..pdf
Artigo 3) Sörensen, K. (2015). Metaheuristics—the metaphor exposed. International Transactions in Operational Research, 22(1), 3-18..pdf
Artigo 4) Graves, A., et al. (2016). Hybrid computing using a neural network with dynamic external memory. Nature 538(7626), 471-476..pdf
Artigo 5) LeCun, Y., Bengio, Y., Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444..pdf
◄ Trabalho III
Vai a...
Vai a...
Avisos
Informações Gerais
Trabalho I
Trabalho II
Instruções para entrega da parte escrita do Trabalho II
Trabalho III
Avaliação
1.1. Introdução (1.1.1-1.1.4)
1.1. Introdução (1.1.5-1.1.6)
1.2. Algoritmos Genéticos (1.2.1-1.2.3)
1.2. Algoritmos Genéticos (1.2.4)
1.2. Algoritmos Genéticos (1.2.5)
1.3. Estratégias Evolutivas
1.4. Programação Genética
1.5. Aspectos de Projeto
1.6. Aspectos Teóricos
1.7. Outras Metaheurísticas Populacionais
2.1. Introdução às Redes Neurais Artificiais (RNAs)
2.2. Perceptron (parte 1)
2.2. Perceptron (parte 2)
2.3. Perceptron Multicamadas (parte 1)
2.3. Perceptron Multicamadas (parte 2)
2.4. Outras Redes Neurais Artificiais (2.4.1.-2.4.3)
2.4.4. Projeto de RNAs
2.5. Support Vector Machines
2.6. Deep Learning
Avaliação ►