Deep Learning: redes neurais, arquitetura feedforward, backpropagation, Teorema da Aproximação Universal. Arquiteturas mais avançadas: Highway, DGM, LSTM. Equações Diferenciais: EDPs famosas, existência e unicidade, suavidade. Métodos clássicos de solução numérica. Aplicação de Deep Learning para EDPs: Physically Informed Neural Networks (PINN) e Deep Galerkin Method (DGM).

Informações Básicas:

• Carga horária: 60 horas;
• Pré-requisito: Recomendável conhecimento em Deep Learning e EDP.