Professional Documents
Culture Documents
DCA0119 - Sistemas Digitais Apresentação, Motivação, Introdução e Metodologia de Trabalho
DCA0119 - Sistemas Digitais Apresentação, Motivação, Introdução e Metodologia de Trabalho
LMLII
DCA0119 – SISTEMAS DIGITAIS
Apresentação, Motivação, Introdução e
Metodologia de Trabalho.
Prof. Marcelo A. C. Fernandes
mfernandes@dca.ufrn.br
Department of Computer Engineering and Automation
Federal University of Rio Grande do Norte, Natal, RN, Brazil.
Agenda
● Background, Research Group and Laboratory
● Massive Data
● Massive Data Algorithms – Artificial Intelligence Algorithms
● Reconfigurable Computing
● Projects
● Digital system classes
Background
● Bachelor in Electric Engineering, DEE,
UFRN, Natal, Brazil. (1993-1997)
● Master in Electric Engineering, PPgEEC,
UFRN, Natal, Brazil. (1998-1999)
● Doctorate in Electric Engineering,
Unicamp, Campinas, SP, Brazil. (2006-
2010)
● Visiting researcher, King’s College
London, London, UK. (2015-2016).
● Visiting Scholar, Harvard University,
Cambridge, MA, USA (2019-2020)
LMLII and RESRC
● 10 alunos de doutorado
● 5 alunos de mestrado
● 12 alunos de graduação PPgEEC
○ 2 CNPq
○ 2 MEJC-
UFRN/Ebserh
○ 3 CNPq-EM
○ 4 Voluntários
LMLII and RESRC
● Information Theory (IT)
● Artificial Intelligence (AI)
● Reconfigurable Computing (RC)
IT
Telecommunications,
Tactile Internet,
RC Bioinformatics, AI
Robotics Navigation,
Automation,
Security,
Drug Delivery,
eHealth,
....
MOTIVATION
• Nowadays there is a growing demand for the data processing:
• Mining Massive Datasets, Big data, …
• Internet of Things
• And there are several targets:
• Accelerate data processing (high speedup or high
throughput)
• Power efficiency (low power consumption)
• Low size hardware
• ...
Massive Data
• Massive Datasets,
Massive Data Stream,
Massive Data Analysis,
Massive Data Processing,
…
• Twitter analytics stream
• Genome analysis
• Autonomous vehicles
• IoT
• …
Massive Data - IoT
Massive Data Algorithms – Artificial Intelligence
Algorithms
● Machine Learning
● Artificial Neural Networks, Deep
Learning, Support Vector Machines,
Clustering. …
● Knowledge Representation
● Expert systems. Fuzzy System, …
● Natural Language Processing
● LSTM, …
● Research Methods
● Genetic algorithms, Particle swarm
optimization, Ant colony
optimization, …
RESEARCH GROUP ON EMBEDDED SYSTEM
AND RECONFIGURABLE COMPUTING (RESRC)
• Targets:
• Reconfigurable Computing to accelerate algorithms and in several
areas, such as, Artificial Intelligence, Mining of Massive Datasets,
Tactile Internet, Deep Learning, Bioinformatics, Security, Industry
4.0, Real-timeStream Data Analysis, …
• Optimized embedded Artificial Intelligence algorithms for low-
power, low-cost, low-size-memory
Projects
● Latency Reduction on Tactile Internet – LaRTI
● 2 Ungraduated students
● 1 Master’s students
● 3 PhD’s students
● Prof. Marcelo A. C. Fernandes (UFRN), Prof.
Mischa Dohler (KCL) e Prof. Toktam Mahmoodi
(KCL)
● CNPQ, CAPES and Newton Fund*
● Awards
● Impact Technologies Award - New wireless solutions
and IoT. Qualcomm, CNI, CNPq and INPI. 2017.
● Intel® Embedded Systems Competition. Intel. 2016.
Demos
Projects
● Reconfigurable Computing Applied to Accelerate the
Tracking and Classification Algorithms for Quantifying
Behavioral Phenotype Space of the Worms.
■ 1 Master’s students
■ 2 PhD’s students
4024 x 3036
25 frames/second
Products
● Morais, D. S., Lopes, F. F., Barros, W. K. P., and Fernandes, Marcelo A. C.
2019. Automated Melanoma Detection Process (Processo de Detecção De
Melanoma Automatizado). INPI - Instituto Nacional da Propriedade Industrial.
PAT: BR1020190034246. Brazil.
Motivação
● Grande parte da indústria utiliza soluções em hardwares programáveis
e/ou reconfiguráveis
○ Industria automotiva, de consumo, telecomunicações, ...
○ Uma produto genérico que pode ser aplicável em vários problemas
○ Atualmente é um mercado de alguns bilhões de dólares
● Empresas de Designer
○ Pode-se desenvolver chips sem possuir fábrica
● Desenvolvimento com uma prototipação rápida
○ Ferramentas de Desenvolvimento e Simulação
Habilidades
● Sistemas embarcados
18
Habilidades
● Computação reconfigurável
19
Metodologia
● Metodologia fundamentada em aprendizagem baseada em projetos, no qual
são passados experimentos associados a competências específicas que o aluno
deve possuir na disciplina.
● A disciplina será dividida em duas partes, no qual a primeira parte tem como
alvo o desenvolvimento de sistemas software embarcados para dispositivos
hardware específicos como microcontroladores e outros. Já a segunda parte é
fundamentada no desenvolvimento de hardware dedicado na solução de
problemas específicos.
Metodologia
• As aulas serão realizadas de forma hibrida, ou seja, terão aulas assíncronas e
síncronas.
• Aulas síncronas serão via teleconferência com o Google Meeting.;
• As datas de aulas síncronas e assíncronas estarão no SIGAA
• As aulas síncronas serão dividas em tópicos sobre os projetos e assuntos da
disciplina.
• Em algumas alunas síncronas existiram atividades com nota sobre assuntos das
aulas assíncronas.
Ferramentas
● Módulo 1
○ PICSimLab: https://lcgamboa.github.io/
○ Tinkercad: https://www.tinkercad.com/
● Módulo 2
○ Scilab (https://www.scilab.org)
○ Scilab-Xcos (https://xcos.scilab.in)
Controle de frequência
• Controle da presença nas aulas síncronas;
• Controle de acesso ao conteúdo disponibilizado pelo SIGAA;
• Entrega das atividades solicitadas;
Avaliação
● Avaliações por unidade
■ A apresentação dos projetos será feita de forma assíncrona, no qual o aluno faz um vídeo
da tela do computador explicando o projeto.
Obrigado
PROF. MARCELO A. C. FERNANDES
FEDERAL UNIVERSITY OF RIO GRANDE DO NORTE (UFRN)
MFERNANDES@DCA.UFRN.BR