Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais

Tamanho: px
Começar a partir da página:

Download "Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais"

Transcrição

1 . O Mapa Auto-Organizável (SOM) Redes Neurais Mapas Auto-Organizáveis Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos respondem a freqüências sonoras similares. Existe correlação entre a ordenação da freqüência de entrada e a posição do neurônio no mapa. A arquitetura do SOM corresponde a uma rede neural com uma camada competitiva bidimensional ou unidimensional, onde existe interação lateral entre os neurônios dentro de uma vizinhança. Os neurônios competem entre si, através de conexões especiais que implementam reforço central e inibição lateral. Através do ajuste de pesos considerando as vizinhanças, se preserva a distribuição de probabilidades (topologia) dos vetores de entrada. Com isso, unidades fisicamente próximas no mapa respondem a classes de vetores de entrada que são próximas entre si. Regiões no espaço de entrada com maior densidade de vetores de entrada produzem regiões no mapa envolvendo maior número de neurônios. 2 Formação auto-organizada de mapas sensoriais Estrutura básica de circuitos neurais usada em modelos cerebrais. Kernel de interações laterais: chapéu mexicano. Formação de bolhas de ativação Bolhas bidimensionais de atividades. Atividade de uma célula corresponde ao tamanho do ponto. Matriz de entrada M sinais de entrada X Matriz de realimentação N Respostas de saída Y (a) 7 unidades na parte positiva, 5 unidades na parte negativa (b) unidade na parte positiva, 5 unidades na parte negativa 3 4

2 Somatotopia: mapeamento das sensações da superfície do corpo na estrutura do cérebro Existem outros mapas sensoriais: retinotopia, tonotopia Córtex Somatossensorial primário Arquitetura da rede SOM Camada Competitiva Áreas Somatossensoriais Camada de Entrada 5 6 Processamento do SOM A rede SOM pode ser modelada de forma contínua, através de um sistema dinâmico, envolvendo conexões realimentadoras para produzir excitação central e inibição lateral, ou de forma discreta, envolvendo um juiz externo, para escolher um neurônio vencedor num processo de competição do tipo o vencedor leva tudo. O processamento da SOM pode ser resumido através do seguinte procedimento de aprendizado não-supervisionado: Apresentar um vetor na entrada da rede Calcular as ativações dos neurônios da camada competitiva Determinar o neurônio vencedor (neurônio mais próximo da entrada) Fase de treinamento: Modificar o vetor de pesos do vencedor e de todos os neurônios dentro de uma vizinhança do vencedor. Fase de recuperação (recordação) ou atuação: O neurônio vencedor indica o agrupamento ao qual o vetor de entrada pertence. Treinamento do SOM O treinamento do SOM se baseia no ajuste de uma vizinhança centrada no neurônio vencedor, de modo a orientar o vetor de pesos de todos os neurônios da vizinhança em direção ao vetor de entrada. O tamanho da vizinhança deve variar no tempo, iniciando com uma abrangência larga e finalizando com uma vizinhança muito estreita. A vizinhança pode ser implementada através de uma função contínua, como uma gaussiana, ou discreta, incluindo os vizinhos mais próximos dentro de um quadrado ou hexágono de largura variável. 7 8

3 Mapeamento do Espaço de Entrada num Espaço de Saída Mapeamento do Espaço de Entrada num Espaço de Saída Considere que H representa o espaço (contínuo) de entrada, cuja topologia é representada pela relação métrica dos vetores x H, e que A represente um espaço de saída discreto. Espaço de entrada contínuo w Espaço de saída discreto Então, Φ representa a transformação não-linear chamada de mapa de características, que mapeia o espaço de entrada H para o espaço de saída A: w 6 w Φ(x;w) i(x) Φ: H A w 2 5 A organização do mapa é visualizada pela imagem dos pesos no espaço de característica, assinalando os vizinhos mais próximos. 6 9 Ajuste dos pesos do SOM Na fase de treinamento, os pesos dos neurônios dentro de uma certa vizinhança centrada no neurônio vencedor são ajustados de modo a aproximá-los do vetor de entrada w : x: w6 w w 2 w w8 8 x x 2 w 2 w w 9 x w 7 w 6 n n + w 2 w x w 7 w 9 Atualização dos pesos Dentro da vizinhança os pesos são calculados por: w i (n + ) = w i (n) + η(n). (x w i (n)) A taxa de aprendizado, η (n), deve decrescer com o tempo discreto n: η (n) = η exp τ = 5 _ n ( τ ) τ = 2 (x - w i (n)) x w i (n+) w i (n) 2

4 Atualização dos pesos para vizinhança contínua Simulação da rede SOM Todos neurônios da rede têm seus pesos atualizados por: Sendo π ic a função de vizinhança gaussiana, centrada no neurônio vencedor de índice c : A largura da vizinhança deve também decrescer com o tempo: π ic σ = σ = 5 w i (n+) = w i (n)+ η(n).π ic (n).(x(n) w i (n)) π ic (n) = exp σ (n) = σ exp d 2 ic ( ) 2σ 2 (n) _ n ( ) τ 2 Tipicamente, escolhe-se σ de modo que toda a rede sofra ajustes significativos na fase inicial do aprendizado. Inicialização aleatória dos pesos normalizados A auto-organização da rede pode ser a qualquer tempo visualizada traçando-se linhas no espaço dos pesos entre os vetores de peso que são os vizinhos mais próximos. Para melhor visualização, apenas as linhas ortogonais entre vizinhos são traçadas. Com a inicialização aleatória normalizada, a rede não está auto-organizada e a figura correspondente é de uma malha de conexões aleatórias de pontos numa circunferência. Conforme o treinamento avança, a rede vai se tornando auto-organizada com as conexões entre pesos de neurônios vizinhos correspondendo à distribuição dos vetores de entrada. 3 4 As fases do processo adaptativo: ordenação e convergência O treinamento do SOM usualmente ocorre em duas fases: uma fase de ordenação, ou auto-organização, e uma fase de convergência. Fase de ordenação: Nesta fase ocorre a ordenação topológica dos vetores de peso, podendo se estender por épocas ou mais. A taxa de aprendizagem deve iniciar com um valor próximo a,, decrescendo gradualmente, mas permanecendo acima de,. Sugestão de parâmetros para épocas: η =,; τ = (com isso, η f =,37). A função de vizinhança deve inicialmente incluir quase todos os neurônios da grade e então diminuir lentamente com o tempo. Assumindo uma grade bidimensional quadrada, σ seria igual ao raio da grade. A redução da vizinhança seria controlada pela constante de tempo (σ f = ): As fases do processo adaptativo: ordenação e convergência Fase de convergência: Esta fase é necessária para realizar um ajuste fino do mapa e produzir uma quantização estatística mais precisa do espaço de entrada. Como regra geral, o número de iterações nesta fase deve ser no mínimo 5 vezes o número de neurônios da grade. A taxa de aprendizagem deve permanecer durante esta fase em um valor pequeno, da ordem de,. Não se deve deixar η chegar a zero para que a grade não fique presa num estado metaestável (defeito topológico). A função de vizinhança deve conter apenas os vizinhos mais próximos do neurônio vencedor. τ 2 = lnσ 5 6

5 Rede SOM treinada Entradas: os quatro vetores de um espaço de Hamming bidimensional Fase de reconhecimento Vetores de entrada de funções Booleanas (espaço de Hamming bidimensional) vencedor vencedor t = t = 5 t = 3 Distribuição triangular na entrada: Distribuição circular na entrada: x x vencedor 7 vencedor 8 SOM no MATLAB Funções: newsom, plotsom SOM unidimensional n = n = 2 n = 5 n = n = 2 n = 5 n = n = n = n = 5 n = 9 2

6 Simulação do SOM A simulação discreta do SOM é composta das seguintes etapas:. Inicializar os pesos da rede aleatoriamente e os parâmetros η, σ e n max. Inicializar a variável de tempo discreto n =. 2. Apresentar, aleatoriamente, um vetor de entrada do arquivo de treinamento e calcular a ativação de todos os neurônios da rede. 3. Determinar o neurônio vencedor, de índice c. 4. Calcular o fator de vizinhança (π ic ) para cada neurônio i da rede, em função da sua distância em relação ao neurônio c, d ic. 5. Atualizar os pesos de todos os neurônios da rede, levando em conta o seu fator de vizinhança. 6. Incrementar n e atualizar os parâmetros η e σ. 7. Voltar para 2 enquanto n n max. Determinação do vencedor Como na rede SOM desejamos preservar a topologia do espaço de entrada, os vetores de treinamento não devem ser normalizados antes de serem apresentados à rede. Com isso, o processo de escolha do vencedor deve ser baseado na distância euclidiana entre os vetores de entrada (x) e de peso de cada neurônio i (w i ). Para cada neurônio i da rede, a rotina de competição deve calcular a magnitude do vetor diferença, x w i e determinar o índice c do neurônio com menor magnitude Determinação do fator de vizinhança Para uma rede bidimensional com L linhas e C colunas, a determinação da distância entre um neurônio i e o vencedor c, d ic, pode ser calculada diretamente pelas suas posições na rede, (L i, C i ) e (L c, C c ), respectivamente. Dependência temporal dos parâmetros Lin = 3 Lin = 2 Lin = quociente L c = floor(c /C) C c = mod(c, C) resto Lin = Col = (d ic ) 2 = (L i L c ) 2 + (C i C c ) 2 σ (n) = σ exp _ n ( ) τ 2 π ic (n) = exp d 2 ic ( ) 2σ 2 (n) 23 24

7 Propriedades do Mapa de Características Aproximação do espaço de entrada: o algoritmo SOM é um algoritmo de quantização vetorial que fornece uma boa aproximação para o espaço de entrada H. Ordenação topológica: o mapa de características Φ calculado pelo algoritmo SOM é ordenado de modo topológico: a localização espacial de um neurônio na grade corresponde a uma característica particular dos padrões de entrada. Casamento de densidade: o mapa de características Φ reflete variações nas estatísticas da distribuição de entrada: regiões de H onde amostras x ocorrem com alta probabilidade são mapeadas para domínios maiores no espaço de saída A (maior resolução). Com isso, o mapa treinado apresenta um fator de magnificação m(x) correspondente à fdp f(x) do vetor aleatório de entrada X. Na forma padrão do algoritmo SOM, a codificação produz m(x) f 2/3 (x). Seleção de características: a partir dos dados do espaço de entrada o mapa seleciona um conjunto das melhores características para aproximar a distribuição subjacente. O mapa de características fornece uma aproximação discreta das chamadas curvas (superfícies) principais, representando uma generalização não-linear da análise de componentes principais. Mapas Semânticos (Contextuais) Pode-se formar mapas topográficos para dados abstratos, como palavras, nos quais as relações semânticas são refletidas por suas distâncias relativas no mapa. Para tanto, é necessária a inclusão dos contextos nos quais cada símbolo aparece. Com isso, a rede é capaz de detectar a similaridade lógica entre palavras, a partir das estatísticas de seus contextos. O problema dos mapas semânticos está relacionado com a formação auto-organizada de uma organização de categorias (representação interna) por meio de dados que contêm informação implícita relacionada com estas categorias. O problema de aplicar a lei de adaptação competitiva (baseada em distância) a símbolos é que o significado de um símbolo é desassociado da sua codificação, não havendo assim uma noção de similaridade lógica entre as representações simbólicas. Entretanto, a similaridade lógica entre os símbolos pode ser detectada indiretamente se eles forem apresentados juntamente com um conjunto de atributos do item que eles codificam, ou seja, o seu contexto. O vetor de entrada para o mapa x seria a concatenação do código simbólico x s com o conjunto de atributos x a : x = [x s x a ] T Mapas Semânticos (Contextuais) Nomes de animais e seus atributos A entrada do mapeamento semântico é um vetor de duas componentes ortogonais, x s e x a, onde a norma da componente dos atributos predomina sobre a norma da parte simbólica durante o processo de auto-organização. Assim, o mapeamento topográfico reflete principalmente as relações métricas do conjunto de atributos. Entretanto, como as entradas dos sinais simbólicos estão concomitantemente ativas com a componente simbólica durante o treinamento, são formados traços de memória entre estas entradas e as células do mapa que foram selecionadas pela componente de atributos. Por outro lado, durante a fase de reconhecimento de informações de entrada, os sinais de atributo são mais fracos, ou ausentes, mas, mesmo assim, a componente simbólica é capaz de ativar as mesmas unidades do mapa. Normalmente, os atributos são variáveis discretas (ausência:, ou presença: ), cuja identidade é claramente dada pela sua posição no campo de atributos (x a ). Exemplo: geração de um mapa semântico cujas entradas representam a codificação do nome de um (entre 6) animal (x s ) e um conjunto de 3 atributos discretos (x a ), representando características como tamanho, número de patas, cobertura e hábitos. x s é um vetor 6-D com apenas um bit igual a a (=,2) e os demais são zero. 27 é pequeno é médio é grande tem 2 patas tem 4 patas tem pelos tem cascos tem crina tem penas caça corre voa nada couja fal cavalo 28

8 Treinamento Os 6 vetores de treinamento (29 elementos) foram normalizados e submetidos a uma rede, por 2 épocas. Após o treinamento, cada célula se tornou mais responsiva a um vetor de entrada. Na fase de teste, foi apresentada como entrada x = [x s, ] T, e a unidade vencedora foi anotada: pacíficos Visualização por rotulação Podemos visualizar um mapa de características rotulando cada neurônio pelo padrão de teste que excita este neurônio de maneira máxima (melhor estímulo). A rotulação produz uma partição da grade de neurônios evidenciando uma hierarquia de domínios aninhados. cavalo cavalo cavalo fal fal fal fal fal fal fal fal aves caçadores Quantização Vetorial por Aprendizagem (LVQ) Um procedimento de quantização vetorial divide o espaço de entrada em um certo número de regiões distintas e, para cada região, define um vetor de reconstrução. Cada vetor de entrada x é representado pelo rótulo do subespaço ao qual ele pertence, o índice k, ou código, do neurônio vencedor. O conjunto dos vetores de reconstrução forma o livro de códigos do quantizador. Assim, no lugar do vetor original, pode-se usar o seu código para armazenamento ou transmissão, obtendo-se uma considerável economia em armazenagem ou largura de banda de transmissão, às custas de alguma distorção. A quantização realizada segue a função densidade de probabilidade da entrada: a densidade de neurônios e portanto de subespaços é máxima nas áreas em que entradas aparecem com maior probabilidade. Uma quantização mais esparsa (grossa) é obtida nas regiões onde as entradas são escassas. A mínima distorção de codificação é obtida com um quantizador de Voronoi, que realiza a partição do espaço (em células de Voronoi) pela regra do vizinho mais próximo. Cada célula é associada a um vetor (de reconstrução) de Voronoi. 3 Quantização Vetorial por Aprendizagem (LVQ) O algoritmo SOM fornece um método aproximativo para calcular os vetores de Voronoi, especificados aqui pelos vetores de pesos dos neurônios do mapa. Num segundo estágio, realizado por LVQ, é realizado o ajuste fino do mapa a fim de melhorar a qualidade das regiões de decisão do classificador de padrões. Para isso, é usado um conjunto de padrões previamente classificados: se a classe do vetor de entrada x e do vetor de Voronoi w correspondente concordarem, w é movido em direção a x; caso contrário w é afastado de x. vetor de Voronoi célula de Voronoi 32

9 Procedimento para Quantização Vetorial Treinar (de modo não-supervisionado) um SOM com vetores de treinamento de entrada. Propagar todos os vetores de treinamento (supervisionado) e distribuir rótulos para os neurônios da rede correspondendo à classe mais freqüente dos vencedores e, para os neurônios restantes da rede, por vizinhança dos vencedores. Assim, dispomos de uma rede treinada, correspondente a um livro de códigos inicial. A seguir, procede-se com um algoritmo de treinamento para minimizar os erros de classificação na região mais próxima do vencedor. No final, temos uma rede treinada de modo supervisionado, correspondendo a um livro de códigos que minimiza o erro de classificação para o arquivo de treinamento. Entrada Mapa de características auto-organizável Quantizador vetorial por aprendizagem Rótulos de classe Algoritmo LVQ Assuma que um certo número de vetores de código w i esteja colocado no espaço de entrada para aproximar vários domínios do vetor de entrada x por seus vetores quantizados. Usualmente vários vetores de código são atribuídos a cada classe dos valores de x e decide-se então que x pertence à mesma classe do vetor de código mais próximo, w c. A seguir, procede-se com um algoritmo de treinamento para minimizar os erros de classificação na região mais próxima do vencedor. w 6? x(n) w 2 w Professor Algoritmo LVQ Seja x(n) um vetor de entrada, w i (n) uma seqüência de vetores de código w i no tempo e w c (n) o vetor de código mais próximo a x(n). Partindo de valores iniciais apropriados, as seguintes expressões definem o processo básico LVQ: w c (n + ) = w c (n) + α(n) [ x(n) w c (n) ] se x e w c pertencerem a mesma classe Exemplo de aplicação do algoritmo LVQ x, de rótulo azul, é apresentado à rede no tempo n. Num tempo k futuro, ele é reapresentado à rede. w (n+) w c (n + ) = w c (n) α(n) [ x(n) w c (n) ] se x e w c pertencerem a classes diferentes w i (n + ) = w i (n) para i c onde α(n) é o parâmetro taxa de aprendizado com valores no intervalo < α(n) < α(n) deve decrescer monotonamente com o tempo: α(n) = α ( n τ ) w 6 w (n) x(n) x(k) w 2 (k+) w 2 (n) (k) 35 36

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida 27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma

Leia mais

Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis

Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)

Leia mais

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2014 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação

Leia mais

Nathalie Portugal Vargas

Nathalie Portugal Vargas Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001 47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações

Leia mais

3. REDES DE CAMADA ÚNICA

3. REDES DE CAMADA ÚNICA 3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções

Leia mais

Universidade Federal do Rio de Janeiro - IM/DCC & NCE

Universidade Federal do Rio de Janeiro - IM/DCC & NCE Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros

Leia mais

Aula 2 RNA Arquiteturas e Treinamento

Aula 2 RNA Arquiteturas e Treinamento 2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:

Leia mais

MODELAGEM DIGITAL DE SUPERFÍCIES

MODELAGEM DIGITAL DE SUPERFÍCIES MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais

Leia mais

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento

Leia mais

Gráficos tridimensionais. Introdução ao MATLAB p.1/31

Gráficos tridimensionais. Introdução ao MATLAB p.1/31 Gráficos tridimensionais Introdução ao MATLAB p1/31 Introdução Existe uma grande variedade de funções para exibir dados em três dimensões Podemos utilizar curvas em três dimensões, superfícies em retalhos

Leia mais

Filtragem Espacial. (Processamento Digital de Imagens) 1 / 41

Filtragem Espacial. (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial Filtragem espacial é uma das principais ferramentas usadas em uma grande variedade de aplicações; A palavra filtro foi emprestada

Leia mais

Vetor Quantização e Aglomeramento (Clustering)

Vetor Quantização e Aglomeramento (Clustering) (Clustering) Introdução Aglomeramento de K-partes Desafios do Aglomeramento Aglomeramento Hierárquico Aglomeramento divisivo (top-down) Aglomeramento inclusivo (bottom-up) Aplicações para o reconhecimento

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local

Leia mais

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011 Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

6. Geometria, Primitivas e Transformações 3D

6. Geometria, Primitivas e Transformações 3D 6. Geometria, Primitivas e Transformações 3D Até agora estudamos e implementamos um conjunto de ferramentas básicas que nos permitem modelar, ou representar objetos bi-dimensionais em um sistema também

Leia mais

Agrupamento de dados

Agrupamento de dados Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação

Leia mais

Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy.

Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Marcelo Musci Baseado no artigo: Change detection assessment using fuzzy sets and remotely sensed data: an application

Leia mais

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca

Leia mais

A Camada de Rede. A Camada de Rede

A Camada de Rede. A Camada de Rede Revisão Parte 5 2011 Modelo de Referência TCP/IP Camada de Aplicação Camada de Transporte Camada de Rede Camada de Enlace de Dados Camada de Física Funções Principais 1. Prestar serviços à Camada de Transporte.

Leia mais

Redes Neurais. A IA clássica segue o paradigma da computação simbólica

Redes Neurais. A IA clássica segue o paradigma da computação simbólica Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência

Leia mais

Análise de Arredondamento em Ponto Flutuante

Análise de Arredondamento em Ponto Flutuante Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto

Leia mais

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que

Leia mais

Modelos Pioneiros de Aprendizado

Modelos Pioneiros de Aprendizado Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron

Leia mais

Pré processamento de dados II. Mineração de Dados 2012

Pré processamento de dados II. Mineração de Dados 2012 Pré processamento de dados II Mineração de Dados 2012 Luís Rato Universidade de Évora, 2012 Mineração de dados / Data Mining 1 Redução de dimensionalidade Objetivo: Evitar excesso de dimensionalidade Reduzir

Leia mais

2 Método sísmico na exploração de petróleo

2 Método sísmico na exploração de petróleo 16 2 Método sísmico na exploração de petróleo O método sísmico, ou sísmica de exploração de hidrocarbonetos visa modelar as condições de formação e acumulação de hidrocarbonetos na região de estudo. O

Leia mais

Classificação de Imagens

Classificação de Imagens Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,

Leia mais

2.1.2 Definição Matemática de Imagem

2.1.2 Definição Matemática de Imagem Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades

Leia mais

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br

Leia mais

Introdução aos Sistemas de Informação Geográfica

Introdução aos Sistemas de Informação Geográfica Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração

Leia mais

3ª Lista de Exercícios Representação de dados com agregados: Arrays e Matrizes

3ª Lista de Exercícios Representação de dados com agregados: Arrays e Matrizes 1 Universidade Federal Fluminense Instituto de Computação Departamento de Ciência da Computação Programação de Computadores II Professores: Leandro A. F. Fernandes, Marcos Lage, Pedro Velloso 3ª Lista

Leia mais

Do neurônio biológico ao neurônio das redes neurais artificiais

Do neurônio biológico ao neurônio das redes neurais artificiais Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais

Leia mais

A Preparação dos Dados

A Preparação dos Dados A Preparação dos Dados Escolhas Básicas Objetos, casos, instâncias Objetos do mundo real: carros, arvores, etc Ponto de vista da mineração: um objeto é descrito por uma coleção de características sobre

Leia mais

Prof. Júlio Cesar Nievola Data Mining PPGIa PUCPR

Prof. Júlio Cesar Nievola Data Mining PPGIa PUCPR Encontrar grupos de objetos tal que objetos em um grupo são similares (ou relacionados) uns aos outros e diferentes de (ou não relacionados) a objetos em outros grupos Compreensão Agrupa documentos relacionados

Leia mais

Técnicas de Teste de Software

Técnicas de Teste de Software Técnicas de Teste de Software Fabrício Sousa fabricio@uesb.br Projeto de Caso de Teste Conjunto de técnicas para criação de casos de testes Série de casos de testes que tem grande probabilidade de encontrar

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

MATERIAL DE DIVULGAÇÃO DA EDITORA MODERNA

MATERIAL DE DIVULGAÇÃO DA EDITORA MODERNA MATERIAL DE DIVULGAÇÃO DA EDITORA MODERNA Professor, nós, da Editora Moderna, temos como propósito uma educação de qualidade, que respeita as particularidades de todo o país. Desta maneira, o apoio ao

Leia mais

SUMÁRIO. Introdução... 3

SUMÁRIO. Introdução... 3 SUMÁRIO Introdução..................................... 3 1 Consultas por Similaridade e Espaços métricos............. 5 1.1 Consultas por abrangência e consultas aos k-vizinhos mais próximos... 5 1.2

Leia mais

Setores Trilhas. Espaço entre setores Espaço entre trilhas

Setores Trilhas. Espaço entre setores Espaço entre trilhas Memória Externa Disco Magnético O disco magnético é constituído de um prato circular de metal ou plástico, coberto com um material que poder magnetizado. Os dados são gravados e posteriormente lidos do

Leia mais

Pesquisa em Memória Primária. Prof. Jonas Potros

Pesquisa em Memória Primária. Prof. Jonas Potros Pesquisa em Memória Primária Prof. Jonas Potros Pesquisa em Memoria Primária Estudo de como recuperar informação a partir de uma grande massa de informação previamente armazenada. A informação é dividida

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

Compressão de Imagens

Compressão de Imagens Compressão de Imagens Compressão de Imagens Geradas por Computador (Gráficos) Armazenamento (e transmissão) como um conjunto de instruções (formato de programa) que geram a imagem Utilização de algum esquema

Leia mais

Aprendizagem de Máquina. Ivan Medeiros Monteiro

Aprendizagem de Máquina. Ivan Medeiros Monteiro Aprendizagem de Máquina Ivan Medeiros Monteiro Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

Leia mais

Teoria : Estruturas de Dados. Estrutura Vetorial. Quais tipos de dados são representados por estruturas vetoriais? Mapa temático:

Teoria : Estruturas de Dados. Estrutura Vetorial. Quais tipos de dados são representados por estruturas vetoriais? Mapa temático: Universidade do Estado de Santa Catarina UDESC Centro de ciências Humanas e da Educação FAED Mestrado em Planejamento Territorial e Desenvolvimento Socio- Ambiental - MPPT Disciplina: Geoprocessamento

Leia mais

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)

Leia mais

GOVERNO DO ESTADO DE MATO GROSSO SECRETARIA DE ESTADO DE CIÊNCIA E TECNOLOGIA UNIVERSIDADE DO ESTADO DE MATO GROSSO

GOVERNO DO ESTADO DE MATO GROSSO SECRETARIA DE ESTADO DE CIÊNCIA E TECNOLOGIA UNIVERSIDADE DO ESTADO DE MATO GROSSO EDITAL COMPLENTAR N 001 AO EDITAL N 003/2012 UNAT A, no uso de suas atribuições legais e em cumprimento das normas previstas no artigo 37, inciso IX, da Constituição Federal, de 5 de outubro de 1988, Decreto

Leia mais

Na resolução de um problema por meio de um programa, a primeira providência é conceber um algoritmo adequado.

Na resolução de um problema por meio de um programa, a primeira providência é conceber um algoritmo adequado. Estrutura de Dados Introdução Extraído de : Estruturas de Dados Homero L. Pícollo Na resolução de um problema por meio de um programa, a primeira providência é conceber um algoritmo adequado. A eficiência

Leia mais

EE210 Sistemas de Comunicação II 2ª Avaliação (PV2) 22/04/2015 15h30min Profs. Dayan A. Guimarães e Rausley A. A. de Souza. Aluno(a): Matrícula.

EE210 Sistemas de Comunicação II 2ª Avaliação (PV2) 22/04/2015 15h30min Profs. Dayan A. Guimarães e Rausley A. A. de Souza. Aluno(a): Matrícula. EE1 Sistemas de Comunicação II ª Avaliação (PV) /4/15 15h3min Profs. Dayan A. Guimarães e Rausley A. A. de Souza Nota : Nota P: Aluno(a): Matrícula. Prova sem consulta, com duração de 1h5min. A interpretação

Leia mais

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS

Leia mais

FILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço

FILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço FILTRAGEM ESPACIAL Filtros Digitais no domínio do espaço Definição Também conhecidos como operadores locais ou filtros locais Combinam a intensidade de um certo número de piels, para gerar a intensidade

Leia mais

Tabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008

Tabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008 Tabela de Símbolos Análise Semântica A Tabela de Símbolos Fabiano Baldo Após a árvore de derivação, a tabela de símbolos é o principal atributo herdado em um compilador. É possível, mas não necessário,

Leia mais

Universidade Federal Rural de Pernambuco Departamento de Estatística e Informática

Universidade Federal Rural de Pernambuco Departamento de Estatística e Informática Universidade Federal Rural de Pernambuco Departamento de Estatística e Informática Redes Complexas e Aplicações na Informática Prof. Dr. Catão Temístocles de Freitas Barbosa Redes Complexas Rede = conjunto

Leia mais

3 Estado da arte em classificação de imagens de alta resolução

3 Estado da arte em classificação de imagens de alta resolução 37 3 Estado da arte em classificação de imagens de alta resolução Com a recente disponibilidade de imagens de alta resolução produzidas por sensores orbitais como IKONOS e QUICKBIRD se tornou-se possível

Leia mais

Rede de Elementos Caóticos Acoplados Globalmente

Rede de Elementos Caóticos Acoplados Globalmente Rede de Elementos Caóticos Acoplados Globalmente Rosagela Follmann 1, Elbert E. N. Macau 2 1 Programa de Pós-graduação em Computação Aplicada - CAP Instituto Nacional de Pesquisas Espaciais - INPE 2 Laboratório

Leia mais

SIG - Sistemas de Informação Geográfica

SIG - Sistemas de Informação Geográfica SIG - Sistemas de Informação Geográfica Gestão da Informação Para gestão das informações relativas ao desenvolvimento e implantação dos Planos Municipais de Conservação e Recuperação da Mata Atlântica

Leia mais

Codificação/Compressão de Vídeo. Tópico: Vídeo (Codificação + Compressão)

Codificação/Compressão de Vídeo. Tópico: Vídeo (Codificação + Compressão) Tópico: Vídeo (Codificação + Compressão) Um vídeo pode ser considerado como uma seqüência de imagens estáticas (quadros). Cada um desses quadros pode ser codificado usando as mesmas técnicas empregadas

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos

Leia mais

EMENTAS DO CURSO SUPERIOR DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS

EMENTAS DO CURSO SUPERIOR DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS EMENTAS DO CURSO SUPERIOR DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS INTRODUÇÃO À COMPUTAÇÃO 60 h 1º Evolução histórica dos computadores. Aspectos de hardware: conceitos básicos de CPU, memórias,

Leia mais

Análise de Tendências de Mercado por Redes Neurais Artificiais

Análise de Tendências de Mercado por Redes Neurais Artificiais Análise de Tendências de Mercado por Redes Neurais Artificiais Carlos E. Thomaz 1 e Marley M.B.R. Vellasco 2 1 Departamento de Engenharia Elétrica (IAAA), FEI, São Paulo, Brasil 2 Departamento de Engenharia

Leia mais

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa

Leia mais

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc...

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc... RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS RUÍDOS EM IMAGENS Em Visão Computacional, ruído se refere a qualquer entidade em imagens, dados ou resultados intermediários, que não são interessantes para os propósitos

Leia mais

Sistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara. Carga Horária: 60h

Sistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara. Carga Horária: 60h Sistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara Carga Horária: 60h Representação de grandeza com sinal O bit mais significativo representa o sinal: 0 (indica um número

Leia mais

CAPÍTULO 3 REDES NEURAIS ARTIFICIAIS

CAPÍTULO 3 REDES NEURAIS ARTIFICIAIS CAPÍTULO 3 REDES NEURAIS ARTIFICIAIS Este Capítulo apresenta uma introdução às Redes Neurais Artificiais clássicas em geral, e também, uma introdução aos modelos mais usados de redes, baseadas em aprendizagem

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário

Leia mais

Relatório de uma Aplicação de Redes Neurais

Relatório de uma Aplicação de Redes Neurais UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS

Leia mais

Prof. Manuel A Rendón M

Prof. Manuel A Rendón M Prof. Manuel A Rendón M Tanenbaum Redes de Computadores Cap. 1 e 2 5ª. Edição Pearson Padronização de sistemas abertos à comunicação Modelo de Referência para Interconexão de Sistemas Abertos RM OSI Uma

Leia mais

2 Pesquisa Bibliográfica

2 Pesquisa Bibliográfica 2 Pesquisa Bibliográfica As estratégias para detecção de conteúdo relevante podem ser divididas em duas abordagens: orientada a site e orientada a página. A primeira técnica utiliza várias páginas de um

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

Aprendizagem automática Mapas auto-organizativos (SOMs)

Aprendizagem automática Mapas auto-organizativos (SOMs) Aprendizagem automática Mapas auto-organizativos (SOMs) 1 Redes neuronais de Kohonen self-organizing maps (SOMS) Visão algébrica dum conjunto de informação (valores, sinais, magnitudes,...) vs. Visão topológica

Leia mais

CAMADA DE REDES. Fabrício de Sousa Pinto

CAMADA DE REDES. Fabrício de Sousa Pinto CAMADA DE REDES Fabrício de Sousa Pinto Introdução 2 Está relacionada a transferência de pacotes da origem para o destino. Pode passar por vários roteadores ao longo do percurso Transmissão fim a fim Para

Leia mais

Roteamento em Redes de Computadores

Roteamento em Redes de Computadores Roteamento em Redes de Computadores José Marcos Câmara Brito INATEL - Instituto Nacional de Telecomunicações INATEL - Instituto Nacional de Telecomunicações 01/08/00 1 Introdução Objetivo Tipos de rede

Leia mais

Codificação neural. Natureza da Informação UFABC. Prof. João Henrique Kleinschmidt Material elaborado pelos professores de NI

Codificação neural. Natureza da Informação UFABC. Prof. João Henrique Kleinschmidt Material elaborado pelos professores de NI Codificação neural Natureza da Informação UFABC Prof. João Henrique Kleinschmidt Material elaborado pelos professores de NI 1 Princípios gerais do Sistema Nervoso Neurônio: unidade funcional do SNC Introdução

Leia mais

ESTEREOSCOPIA. A reconstrução 3-D pode ser realizada em três condições

ESTEREOSCOPIA. A reconstrução 3-D pode ser realizada em três condições ESTEREOSCOPIA RECONSTRUÇÃO 3-D A reconstrução 3-D pode ser realizada em três condições CONHECIMENTO PRÉVIO RECONSTRUÇÃO 3-D A PARTIR DE DUAS VISTAS Parâmetros intrínsecos e Triangulação (coords. absolutas)

Leia mais

Otimização por Descida de Gradiente

Otimização por Descida de Gradiente Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Otimização por Descida de Gradiente Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com

Leia mais

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem) Considerações Iniciais É impossível saber, antes de amostrar, de que maneira os valores das variáveis irão se comportar: se dependente ou independente uma da outra. Devido as limitações da estatística

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,

Leia mais

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados

Leia mais

Inteligência Artificial. Redes Neurais Artificiais

Inteligência Artificial. Redes Neurais Artificiais Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:

Leia mais

Técnicas de Cartografia Digital

Técnicas de Cartografia Digital Técnicas de Cartografia Digital Maria Cecília Bonato Brandalize 2011 Aula 8 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens Como são representados

Leia mais

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos.

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Thiago da Mota Souza Coordenação de Pós-Graduação e Pesquisa de Engenharia Centro de Tecnologia Universidade Federal do Rio de

Leia mais

Probabilidade. Renata Souza. Introdução. Tabelas Estatísticas. População, Amostra e Variáveis. Gráficos e Distribuição de Freqüências

Probabilidade. Renata Souza. Introdução. Tabelas Estatísticas. População, Amostra e Variáveis. Gráficos e Distribuição de Freqüências Probabilidade Introdução Tabelas Estatísticas População, Amostra e Variáveis Gráficos e Distribuição de Freqüências Renata Souza Conceitos Antigos de Estatística stica a) Simples contagem aritmética Ex.:

Leia mais

UNIVERSIDADE FEDERAL DE OURO PRETO ESCOLA DE MINAS COLEGIADO DO CURSO DE ENGENHARIA DE CONTROLE E AUTOMAÇÃO - CECAU DIEGO GOMES COELHO

UNIVERSIDADE FEDERAL DE OURO PRETO ESCOLA DE MINAS COLEGIADO DO CURSO DE ENGENHARIA DE CONTROLE E AUTOMAÇÃO - CECAU DIEGO GOMES COELHO UNIVERSIDADE FEDERAL DE OURO PRETO ESCOLA DE MINAS COLEGIADO DO CURSO DE ENGENHARIA DE CONTROLE E AUTOMAÇÃO - CECAU DIEGO GOMES COELHO Um Estudo Comparativo Entre a Aplicação de Mapas Auto-Organizáveis

Leia mais

CLASSIFICAÇÃO DE IMAGENS

CLASSIFICAÇÃO DE IMAGENS CLASSIFICAÇÃO DE IMAGENS SIG Profa.. Dra. Maria Isabel Castreghini de Freitas ifreitas@rc.unesp.br Profa. Dra. Andréia Medinilha Pancher medinilha@linkway.com.br O que é classificação? É o processo de

Leia mais

Avaliação de Desempenho de Sistemas Discretos

Avaliação de Desempenho de Sistemas Discretos Avaliação de Desempenho de Sistemas Discretos Parte IV: Simulação Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Parte 4 Simulação P A R T E Etapas básicas em um estudo de simulação Geração de números

Leia mais

1 - Cite o nome dos principais campos de um quadro Ethernet, explicando qual a funcionalidade de cada campo.

1 - Cite o nome dos principais campos de um quadro Ethernet, explicando qual a funcionalidade de cada campo. 1 - Cite o nome dos principais campos de um quadro Ethernet, explicando qual a funcionalidade de cada campo. Endereço de Destino = Endereço MAC de destino Endereço de Origem = Endereço MAC de origem Campo

Leia mais

A Otimização Nuvem de Partículas (particle swarm)

A Otimização Nuvem de Partículas (particle swarm) A Otimização Nuvem de Partículas (particle swarm) Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 20/06/2007 Índice Introdução Algoritmo Nuvem de Partículas Interpretação

Leia mais

Instituto Superior Técnico. 19 de Janeiro de 2001. Parte I

Instituto Superior Técnico. 19 de Janeiro de 2001. Parte I Exame de Compressão e Codificação de Dados Secção de Telecomunicacções DEEC, Instituto Superior Técnico 19 de Janeiro de 1 Parte I Esta parte do exame é constituida por 20 perguntas de resposta múltipla.

Leia mais

16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros

16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros 16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros Eytan Modiano Códigos Cíclicos Um código cíclico é um código de bloco linear onde c é uma palavra-chave, e também

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem

Leia mais

EXERCÍCIOS EXERCÍCIOS. Definições Básicas. Definições Básicas. Definições Básicas. Introdução à Estatística. Dados: valores de variáveis observadas.

EXERCÍCIOS EXERCÍCIOS. Definições Básicas. Definições Básicas. Definições Básicas. Introdução à Estatística. Dados: valores de variáveis observadas. Definições Básicas Introdução à Estatística ESTATÍSTICA: estudo dos métodos para coletar, organizar, apresentar e analisar dados. População: conjunto constituído por todos os indivíduos que apresentem

Leia mais