Limiar · Class 1

O neurônio e o perceptron

  • WhenSexta, 25/09/2026, das 12h às 14h
  • WhereSegundo andar do PPEE
  • Taught byChrysthofer A. A. Afonso

In the slides: → moves on, F is full screen, N shows the notes, H lists every key. The PDF has no notes: it is the one handed to the class.

The class

Topic

O que é aprender com dados: em vez de escrever a regra, mostrar exemplos com a resposta certa e deixar a máquina ajustar os próprios números. O neurônio artificial de McCulloch e Pitts, de 1943, soma as entradas, cada uma multiplicada por um peso, e dispara se a soma passar de um limiar. O perceptron de Rosenblatt, de 1958, é esse neurônio com uma regra que corrige os pesos a cada erro: o primeiro neurônio que aprende. A matemática do neurônio: vetor, produto escalar e somatório, porque o neurônio calcula z = w·x + b. Rede neural como reconhecimento de padrões, com exemplos na agricultura, na engenharia e na astronomia. O CERN e o jeito de trabalhar em colaboração. Como o curso funciona.

Practice in class

Perceptron à mão, no quadro, para as funções lógicas E e OU. Depois o XOR, o "ou exclusivo", que dá 1 quando só uma das entradas é 1. Nenhum perceptron sozinho resolve o XOR, e essa pergunta fica aberta até a aula 3.

AssignmentDue

  • Python, Git, VS Code e Claude Code instalados, pelo guia em infra/.
  • Conta no GitHub e um repositório para o curso.
  • Um perceptron que aprende E e OU, em NumPy, no repositório. O programa imprime, a cada época, os pesos e o viés, como a tabela do slide, para a comparação ser direta.
  • Uma pergunta sobre o estudo da semana.

Sem pressa: quem não terminar entrega o que fez. O que conta é explicar cada linha do que entregou.

Papers and books

Every work cited in the class material, with the official link. The first page appears where the PDF is open access.

  1. A logical calculus of the ideas immanent in nervous activity

    Warren S. McCulloch e Walter Pitts · 1943

    Bulletin of Mathematical Biophysics 5(4):115-133

  2. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms

    Frank Rosenblatt · 1961

    Cornell Aeronautical Laboratory, relatório VG-1196-G-8, 15/03/1961; em livro pela Spartan Books em 1962

  3. Perceptrons

    Marvin Minsky e Seymour Papert · 1969

    MIT Press

  4. Learning representations by back-propagating errors

    David E. Rumelhart, Geoffrey E. Hinton e Ronald J. Williams · 1986

    Nature 323(6088):533-536

    O PDF é a cópia das páginas da Nature que Hinton mantém no site da Universidade de Toronto.

  5. Pattern Recognition and Machine Learning

    Christopher M. Bishop · 2006

    Springer; a página citada no roteiro é a 196

    O PDF é o que a Microsoft Research oferece de graça; o direito autoral continua da Springer.

  6. Using deep learning for image-based plant disease detection

    Sharada P. Mohanty, David P. Hughes e Marcel Salathé · 2016

    Frontiers in Plant Science 7:1419; CC BY 4.0

  7. Identifying exoplanets with deep learning: a five-planet resonant chain around Kepler-80 and an eighth planet around Kepler-90

    Christopher J. Shallue e Andrew Vanderburg · 2018

    The Astronomical Journal 155(2):94; CC BY 3.0

    A primeira página é a da versão do arXiv, 1712.05044; o PDF do link é o da revista.

  8. Convolutional neural networks for signal reconstruction in high-energy calorimetry

    Diogo Alves Cardinot, Bernardo Sotto-Maior Peralva, Gustavo Barbosa Libotte e Luciano Manhães de Andrade Filho · 2026

    Applied Sciences 16(13):6414; CC BY 4.0

  9. Neural Networks and Deep Learning

    Michael A. Nielsen · 2015

    Determination Press, livro online; CC BY-NC 3.0

    O endereço só abre em http: o certificado do servidor é de outro domínio.

  10. The boundary of neural network trainability is fractal

    Jascha Sohl-Dickstein · 2024

    arXiv:2402.06184; CC BY 4.0

Other sources 23

Image credits

Todas do Wikimedia Commons, menos a foto do laboratório e as figuras geradas pelo código desta pasta.

Arquivo O que mostra Autor Licença
buddhabrot.jpg o Buddhabrot, na capa; arquivo "Large Buddhabrot.jpg" Johann Korndoerfer CC BY 3.0 DE
cms.jpg o detector CMS; "Compact Muon Solenoid detector, LHC (2014).jpg" Vineet Menon CC BY-SA 2.0
muon-camara-de-nuvens.jpg duas fotos de câmara de nuvens com uma placa de metal no meio, um múon em cada; "Hard-component-muon-868x1024.png", convertido para JPEG não identificado declarada CC BY-SA 4.0, sem confirmação; ver a nota abaixo
mnist.png dígitos do conjunto de teste do MNIST; "MnistExamples.png" Josef Steppan CC BY-SA 4.0
folha.jpg folha de hibisco com mancha bacteriana; "Hibiscus Bacterial leaf spot (19101655946).jpg" Scot Nelson CC0
curva-de-luz.jpg planeta passando na frente da estrela e a queda no brilho; "Mapping Stellar 'Polka Dots' (SVS14883 - ExoplanetTransitLightCurve).jpg" NASA, Goddard Space Flight Center domínio público
tilecal.png o barril estendido A do TileCal, montado na caverna do ATLAS; "ATLAS Tile Calorimeter.png" Argonne National Laboratory CC BY-SA 2.0
cajal-purkinje.jpg células de Purkinje e granulares do cerebelo de pombo, 1899; "PurkinjeCell.jpg" Santiago Ramón y Cajal domínio público
mark1-foto.jpg o Mark I Perceptron diante de uma letra C, foto divulgada em 24/6/1960; "330-PSA-80-60 (USN 710739) (20897323365).jpg" National Museum of the U.S. Navy domínio público
nipscern-no-cern.jpg o NIPS-CERN no CERN NIPS-CERN foto do laboratório

A foto dos múons está no Commons como obra própria de Jino john1996, enviada em 25/07/2022 com licença CC BY-SA 4.0. Pelo aspecto, com a retícula da impressão e as duas fotos lado a lado, é o escaneamento de uma foto antiga impressa, e não uma foto tirada em 2022: a autoria e a licença declaradas não se sustentam. A origem não foi encontrada no Commons, no histórico das edições da Wikipedia que usam a imagem nem nas páginas de ensino do CERN. Por isso o slide diz "foto antiga, autor não identificado". Se a origem aparecer, o crédito se corrige aqui e no slide.