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).
Deep Learning to Solve Partial Differential Equations
Carga horária
60 horas
Pré-requisito
Recomendável conhecimento em Deep Learning e EDP