1. Introdução As origens da RNA O nosso cérebro Plasticidade e modulação sináptica... 5

Tamanho: px
Começar a partir da página:

Download "1. Introdução... 2. 2. As origens da RNA... 3. 3. O nosso cérebro... 5. 3.1. Plasticidade e modulação sináptica... 5"

Transcrição

1 Sumário 1. Introdução As origens da RNA O nosso cérebro Plasticidade e modulação sináptica As redes neurais artificiais Estrutura da RNA Modelos de RNAs Aprendizado em RNAs Reconhecimento e classificação de padrões Classificadores elementares Conclusão

2 1. Introdução As redes neurais artificiais (RNAs) são sistemas que procuram simular o comportamento do sistema nervoso biológico. É uma linha de desenvolvimento da inteligência artificial que vem ganhando cada vez mais força, sendo empregada com sucesso em inúmeros casos. Neste trabalho procuramos explorar, por meio de diversas pesquisas, as redes neurais artificiais operando com reconhecimento de padrões e demonstrar seu funcionamento. 2

3 2. As origens da RNA A inteligência artificial foi um assunto recorrente a partir dos anos 50, principalmente com os trabalhos publicados pelo matemático e cientista britânico Alan Turing. Em seu artigo, Turing mencionava que uma máquina poderia ser considerada inteligente caso pudesse simular o comportamento humano tão bem que um possível interlocutor não saberia diferenciar a máquina de um homem. O tema do trabalho era Máquinas podem pensar?. Alguns estudiosos tentaram responder a esse questionamento. A partir daí foram muitos os esforços no sentido de atingir o nível de inteligência proposto por Turing. O termo inteligência artificial foi empregado pela primeira vez em 1956 numa conferência em Darthmouth College, que reuniu grandes nomes das maiores universidades e laboratórios da época. Nesse panorama, basicamente duas correntes surgiram: a simbolista e a conexionista. A corrente simbolista procura obter resultados inteligentes baseados principalmente nas interações da máquina com o meio. O ramo simbolista desenvolveu-se abordando as bases de conhecimento e alcançou sucesso com os sistemas especialistas. A corrente conexionista leva em conta principalmente a arquitetura do sistema. Segundo ela, para que a máquina apresente um comportamento similar ao humano é necessário que seja similar à nossa construção biológica, em especial no que diz respeito ao processamento de dados, ou seja, a parte neurológica. Nesse contexto surgiu o conceito de redes neurais artificiais. O primeiro neurônio artificial é um pouco anterior a isso. Em 1943 o psiquiatra e neuroanatomista americano Warren McCulloch e o matemático Walter Pitts apresentaram o que foi considerado o primeiro modelo matemático para um neurônio. McCulloch e Pitts também publicaram em seu estudo um modelo de redes neurais, ou seja, fizeram a descrição lógica e matemática de como o neurônio criado deveria ser interligado a outros. 3

4 No final dos anos 50 e início dos anos 60 surgiram os primeiros neurocomputadores: Perceptron I de Rosemblatt (1957) e Adaline de Windrow (1962). Rosemblatt também desenvolveu um algoritmo para o ajuste dos pesos das redes neurais. Inicialmente a corrente conexionista encontrou mais dificuldades no seu desenvolvimento em virtude das limitações tecnológicas do momento. Mas com o advento de novas tecnologias as redes neurais artificiais tornaram-se mais possíveis e, hoje em dia estão envolvidas na grande maioria das pesquisas que tratam de inteligência artificial. 4

5 3. O nosso cérebro O cérebro humano é composto de bilhões de pequenas células polarizadas, denominadas neurônios que comunicam-se por meio de sinapses elétricas e químicas. Os neurônios possuem um axônio e vários dendritos, por meio dessas estruturas é efetuada a comunicação. O axônio emite um impulso elétrico que pode ser recebido pelo dendrito de outro neurônio. O potencial elétrico é formado pela diferença de concentração de potássio dentro das células e sódio em seu exterior. Quando está em repouso o potencial da célula é de -70mV. Ao receber um impulso nervoso esse potencial se altera e, se atingir a tensão de limiar de -50mV os canais que ligam o interior ao exterior da célula abrem-se, permitindo a entrada do sódio. O potencial da célula torna-se positivo e produz um impulso elétrico. O impulso nervoso é propagado pelo axônio até as conexões sinápticas e pode originar um impulso nervoso. O impulso enviado pode ser inibitório ou excitatório. O neurônio que receber o impulso passa pelo mesmo processo e, de acordo com os potenciais inibitórios e excitatórios pode ou não ter seu potencial de ação atingido. O processo se repete assim por diante Plasticidade e modulação sináptica Os neurônios possuem como característica a plasticidade, ou seja, têm a capacidade de se modificar estruturalmente, de acordo com os estímulos. Ao receber determinado estímulo, a célula pode criar novos dendritos ou extinguir os já existentes, os dendritos podem ser alongados ou encolhidos, por fim, uma célula pode ser totalmente suprimida ou regenerada. Essas modificações podem ser rápidas, lentas ou permanentes. Esse conjunto de alterações físicas é denominado modulação sináptica, pois a forma do neurônio influi diretamente na ocorrência das sinapses. É por meio da modulação 5

6 sináptica, portanto, que dá-se a formação de memórias e é estabelecido o aprendizado. Esse conceito foi proposto pela primeira vez pelo biólogo canadense Donald Hebb em Hebb acreditava que quando uma interação entre o axônio de uma célula e o dendrito de outra ocorre repetidas vezes, há uma alteração física ou metabólica nas mesmas de forma a aumentar a eficiência deste processo. O enunciado ficou conhecido como Lei de Hebb e serviu de base para muitos cientistas envolvidos com RNA que tentavam reproduzir o aprendizado humano nas redes artificiais. 6

7 4. As redes neurais artificiais Como já foi dito anteriormente, as redes neurais artificiais, conhecidas como RNAs têm por objetivo simular o comportamento do sistema nervoso biológico. Para atingir resultados coerentes com realidade, procura imitar o funcionamento de sua estrutura. As redes neurais artificiais são, portanto, um conjunto de métodos matemáticos e computacionais e técnicas de circuitos interagindo para alcançar esses objetivos Estrutura da RNA Uma RNA basicamente é formada pelos neurônios de entrada, neurônios de saída, pesos, bias e função de ativação. Os neurônios de entrada são aqueles que recebem os sinais, analogamente aos neurônios responsáveis pelos órgãos sensoriais do sistema biológico. Figura 1 - Neurônio natural e artificial Cada entrada é associada a um peso. O peso corresponde às sinapses e, assim como na sinapse natural, o peso pode ser excitatório ou inibitório. No somador, os sinais são multiplicados pelos seus pesos, ou seja as parcelas efetivas dos sinais são somados. No somador ainda pode haver um 7

8 bias, agindo como um segundo peso que pode aumentar ou diminuir o sinal que vai para a função de ativação. A função de ativação é o último estágio antes da saída e garante a não linearidade da mesma. A célula não transmite a informação à outra a menos que seu potencial de ativação alcance o valor pré-estabelecido pela função de ativação conhecido como limiar de ativação. Corresponde a tensão de limiar do neurônio natural. Alguns exemplos são a função degrau (Heavyside / hard limiter) que assume apenas valores 0 e1 (em alguns casos -1 e 1); função sigmoid (logística) que assume valores entre 0 e 1; função tangente hiperbólica (análoga a função logística, mas que assume valores entre -1 e 1) Figura 2 - Funções de ativação Por último vem a saída, totalmente dependente da função de ativação, análoga aos motoneurônios, responsáveis pela excitação muscular Modelos de RNAs Ao longo do tempo algumas arquiteturas de RNAs diferentes foram desenvolvidas. Como o modelo Perceptron, o modelo multicamadas e o modelo de Hopfield. As diferentes estruturas basicamente se encaixam em dois grupos: feedforward e feedback. No modelo feedback as saídas são ligadas as entradas e no modelo feedforward não. O modelo Perceptron é o mais simples, exatamente como descrito anteriormente no tópico acerca da estrutura das RNAs. Apresenta, porém, o 8

9 problema da incapacidade de separar funções não-linearmente separáveis. O primeiro neurônio separa o conjunto em dois quadrantes, o segundo separa cada um dos dois em outros dois e assim por diante. Mas no caso de um conjunto estar contido dentro de outro ou se cruzarem o Perceptron não apresenta resposta satisfatória. No caso das redes neurais de múltiplas camadas, (multicamadas ou Perceptron Multi) entre a entrada e a saída estão as camadas intermediárias (ou ocultas), que não recebem ou enviam estímulos, mas desempenham processamento interno dentro da rede. Na arquitetura mais comum uma camada só possui conexão com as camadas imediatamente anterior e seguinte. Neste modelo as funções não-linearmente separáveis podem ser separadas. O modelo de Hopfield é baseado em recorrência (feedback), ou seja, as saídas são interligadas às entradas. O neurônio segue exatamente o mesmo padrão do modelo multicamadas o diferencial é a realimentação. Figura 3 - Multicamadas e Hopfield 4.3. Aprendizado em RNAs Toda RNA passa por uma fase de aprendizado ou treinamento. O aprendizado da rede neural artificial dá-se com o ajuste dos pesos para obter a resposta esperada, de forma análoga à modulação sináptica. De acordo com a resposta do ambiente o aprendizado pode ser classificado em supervisionado, não-supervisionado e por reforço. De acordo com as regras de aprendizagem pode ser classificado em correção de erros, baseado em memória, hebbiano, e competitivo. 9

10 No aprendizado supervisionado, um tutor (agente externo), é utilizado para impor padrões conhecidos às entradas do sistema, dessa forma sabe-se qual é será a saída desejada. A saída obtida é utilizada para o cálculo do erro, que é a diferença entre a esperada e a produzida, tal erro é analisado e utilizado para efetuar pequenas correções aos pesos. Com a apresentação sequencial do mesmo padrão na entrada, é possível minimizar o erro até um nível aceitável, em que o sistema atinge um estado estável. No aprendizado por reforço não existe um padrão preferencial de saída, assim como no aprendizado não-supervisionado, mas existe um crítico (ou juiz) que se assemelha ao tutor. O aprendizado por reforço é baseado na tentativa e erro. Quando uma entrada é apresentada verifica-se a saída e o crítico é responsável por dar um reforço positivo ou negativo para a mesma. Dessa forma, a rede procura obter o máximo de sinais positivos de reforço. No caso do aprendizado não-supervisionado não existe uma saída totalmente conhecida. Observa-se primordialmente a entrada e a própria rede é responsável por reconhecer suas regularidades. No ajuste por correção de erros os pesos são corrigidos de acordo com uma equação durante as interações com o sistema. Quanto ao ajuste dos pesos no processo de aprendizagem, normalmente pode ocorrer de duas formas: padrão e Batch. No modo padrão a cada ciclo de entrada e saída diversos pesos são corrigidos para se adequar à saída desejada. No modo Batch, a cada ciclo somente um peso é alterado e observa-se a nova saída resultante. Existem dois tipos de aprendizado baseado em memória: o auto associativo e o heteroassociativo. No autoassociativo uma série de padrões de entrada é armazenada na rede. Quando um novo padrão é apresentado, a rede busca na memória o padrão armazenado que melhor combina com o novo. No heteroassociativo uma série de pares de padrões é armazenada na rede. Ao apresentar um novo padrão a rede procura o par adequado. O aprendizado hebbiano tem origem na Lei de Hebb. Quando dois neurônios estão sincronizados, um para enviar e outro para receber a 10

11 informação a força da sinapse é aumentada. O ajuste dos pesos dá-se com base nesse conceito. No aprendizado competitivo os neurônios são agrupados em unidades e as unidades competem entre si para responder a entrada. As unidades são diferenciadas pelos pesos associados a elas. As unidades especializam-se para atender a um determinado tipo de entrada, assim é possível reconhecer características e regularidades do sistema. 11

12 5. Reconhecimento e classificação de padrões O reconhecimento de padrões está presente no cotidiano de todo ser humano. Somo capazes de reconhecer e identificar imagens, sons, cheiros, texturas e gostos, padrões lógicos ou temporais, etc. Na verdade o reconhecimento de padrões é uma ferramenta de sobrevivência e está inserido na maioria dos animais. Três formas são mais utilizadas no reconhecimento de padrões: estatístico, estrutural e neural. No reconhecimento estatístico de padrões, os padrões são transformados em vetores e cálculos próprios da estatística são aplicados a eles, para que seja feita a separação em classes. No método estrutural os padrões são transformados em símbolos e são classificados por casamento ou equivalência desses símbolos. O método neural utiliza redes neurais para separar determinados padrões de entrada em classes específicas. O reconhecimento de padrões no aprendizado supervisionado é feito por meio da classificação das entradas em uma saída determinada de acordo com a indicação do tutor externo. No aprendizado não-supervisionado é realizado um agrupamento das entradas de acordo com a percepção do próprio sistema. A aprendizagem baseada em memória é muito utilizada para o reconhecimento de padrões em redes neurais. Normalmente algumas etapas são cumpridas para que se reconheça um padrão. A primeira delas é perceber a variedade de classes existentes. A segunda é perceber os elementos que fazem parte de cada uma dessas classes. Esses elementos possuem uma série de atributos, de forma que um padrão normalmente não é constituído de uma característica única, mas sim de uma associação de múltiplas características. A separação dos elementos de acordo com seus atributos em determinadas classes é armazenada na memória. A separação dos padrões dá-se por meios de regras. Essas regras podem ser extraídas dos elementos das classes já existentes ou podem ser criadas com o intuito de classificar de acordo com o desejado. 12

13 Figura 4 - Atributos e classes Cada elemento pode ser representado por uma matriz de atributos, onde cada atributo figura como um número adotado de acordo com uma escala comum. Alguns métodos são aplicados para se determinar a proximidade entre dois elementos. Dentre eles, dois dos mais conhecidos são: cálculo da distância quarteirão e cálculo da distância euclidiana. O cálculo da distância quarteirão é o somatório dos módulos das diferenças entre os atributos dos elementos correspondentes das matrizes. Assim: Dq = X1 Y1 + X2 Y2 + X3 Y Xn Yn O cálculo da distância euclidiana é a raiz quadrada do somatório dos quadrados das diferenças entre os atributos dos elementos correspondentes das matrizes. Logo De = [(X1 Y1)² + ( X2 Y2)² + (X3 Y3)² (Xn Yn)² 5.1. Classificadores elementares Dois tipos de classificadores elementares são mais comuns, são eles regra do vizinho mais próximo (nearest neighbour) e regras dos k vizinhos mais próximos. De acordo com a regra do vizinho mais próximo, quando deseja-se classificar um novo elemento é feito o cálculo da distância desse objeto em relação ao demais. A menor distância encontrada é chamada Xnear e designa-se ao novo elemento a mesma classe de Xnear. 13

14 A regra dos k vizinhos mais próximos é uma variante da primeira. Nela a rede identifica um número k de possíveis vizinhos. E a classe para a qual o novo elemento é direcionado é aquela em que for identificado o maior número de vizinhos. Essa técnica é também chamada, voto da maioria. Será descrito como exemplo o reconhecimento de caracteres. O caractere que se deseja reconhecer é apresentado às entradas distribuídas da rede; existem vários grupos de neurônios, cada um responsável pelo reconhecimento de um tipo de caractere. O grupo de neurônios correspondentes ao caractere da entrada deve fornecer saída igual a 1. Todos os demais devem fornecer saída igual a 0. Ou seja, no exemplo de reconhecimento de caracteres a rede possui vários elementos ativos na entrada, mas a saída é localizada. 14

15 6. Exemplos e aplicações O reconhecimento de padrões tem sido muito demandado nas novas tecnologias que surgem. Está inserido em diversas linhas de pesquisa. Na área da medicina o reconhecimento de padrões de imagens é empregado em radiografias e ressonâncias magnéticas, e outros exames que envolvem análise de imagens para identificar, por exemplo, células cancerígenas ou padrões de atividade cerebral. Na área de segurança o reconhecimento de imagens pode ser utilizado para o monitoramento remoto de objetos e pessoas por meio de câmeras; reconhecimento de íris, digitais e assinatura; identificação de alvos. Na geologia o reconhecimento de imagens é utilizado na identificação e caracterização da composição de solos, inclusive é ferramenta de auxílio a busca de petróleo. Na área de controle de tráfego aéreo, terrestre ou marítimo o reconhecimento de padrões pode ser utilizado na análise de informações obtidas a partir de radares. Em algumas rodovias há o sistema de reconhecimento de placas LPR (license plate recognition), que é capaz de identificar a área da imagem em que a placa está contida e reconhecer os caracteres na placa. Na robótica o reconhecimento de imagens e de sons pode ser utilizado para simular visão e audição humanas. Além disso, o reconhecimento de padrões de linguísticos é utilizado na simulação de linguagem natural. Existem linhas de pesquisa no sentido de implementar redes neurais artificiais para classificação de documentos. A rede seria responsável por identificar os padrões de referências utilizadas nos arquivos para categorizá-los em classes comuns. 15

16 O OCR (optical character recognition) é um exemplo bastante conhecido de reconhecimento de padrões, por meio desta ferramenta é possível manipular informações de caracteres obtidos através de imagens. Adam Project é uma linha de pesquisa da Microsoft que trabalha o reconhecimento de imagens. Atualmente vem sendo treinado para o reconhecimento de cães. É capaz de identificar se um determinado objeto é um cão ou não e indicar sua espécie e subespécie. O objetivo da empresa é que futuramente Adam possa ser treinado para reconhecer doenças de pele e alimentos de uma refeição bem como calcular seu valor nutricional. PhotoMath é um aplicativo desenvolvido para Windows Phone. Ao direcionar a câmera do smartphone para uma equação o aplicativo reconhecea e apresenta em poucos segundos uma solução. Myscript calculator é outro aplicativo do gênero matemático. Ao escrever na tela do smartphone o aplicativo reconhece os números e as operações, ainda que com uma grafia fora dos padrões, e apresenta a solução rapidamente. O FireFly é um aplicativo para Fire Phone. Com esta ferramenta, ao apontar a câmera do aparelho para qualquer objeto, o FireFly o reconhece e realiza a busca automática do mesmo no site da Amazon, mostrando rapidamente os resultados encontrados na página da loja. Assistentes virtuais como a Cortana da Microsoft, a Siri da Apple e o Google Now da Google utilizam reconhecimento de voz para realizar as funções solicitadas pelo usuário. 16

17 7. Conclusão As redes neurais artificiais buscam simular a inteligência natural não apenas em relação ao resultado obtido, mas também na forma pela qual se atinge esse objetivo. Assim, os sistemas de RNA buscam compreender e reproduzir o comportamento dos neurônios e suas sinapses, células responsáveis pelo gerenciamento de todo o organismo biológico. Contudo esta não é uma tarefa fácil, devido à alta complexidade com a qual o sistema nervoso natural trabalha. São bilhões de neurônios e incontáveis conexões acontecendo continuamente. Além disso, as células biológicas podem organizar-se em camadas funcionais, otimizando os processos. Muitos avanços já foram possíveis em virtude das descobertas na área de RNA, mas muito ainda há que se melhorar. Alguns sistemas de informação já empregam essas técnicas, mas por esse motivo tornam-se muito pesados em relação aos demais e em algumas situações até inviáveis. Tudo indica que as redes neurais artificiais são o futuro de toda a tecnologia voltada à área de inteligência artificial por essa razão são consideradas em inúmeras linhas de pesquisa. Isso se deve principalmente ao fato de que a RNA é dotada da capacidade de aprendizado, o que a difere de todos os sistemas considerados inteligentes já propostos. 17

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

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

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

Radar de Penetração no Solo e Meio- Ambiente

Radar de Penetração no Solo e Meio- Ambiente UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE GEOFÍSICA Curso 3ª Idade Radar de Penetração no Solo e Meio- Ambiente Vinicius Rafael Neris dos Santos

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

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

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

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

Aplicações Práticas com Redes Neurais Artificiais em Java

Aplicações Práticas com Redes Neurais Artificiais em Java com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org

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

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

Redes Neuronais. Redes neuronais artificiais. Redes neuronais artificiais. Redes neuronais artificiais

Redes Neuronais. Redes neuronais artificiais. Redes neuronais artificiais. Redes neuronais artificiais Redes neuronais artificiais Surgiram nos anos 40 com o objectivo de conhecer melhor o cérebro humano e emular o seu comportamento. Departamento de Matemática Universidade dos Açores Redes Neuronais Introdução

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais Inteligência Artificial Prof. Cedric Luiz de Carvalho Instituto de Informática UFG 2006 2/164 Tópicos Introdução Redes Neurais Humanas O que são Redes Neurais Artificiais Características

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

Inteligência Artificial

Inteligência Artificial Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas

Leia mais

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia

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

Relatório da Aula Prática sobre Redes Neurais Artificiais

Relatório da Aula Prática sobre Redes Neurais Artificiais Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

IC Inteligência Computacional Redes Neurais. Redes Neurais Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais

Leia mais

Redes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005

Redes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005 Redes Neurais Artificiais na Engenharia Nuclear 1 - Apresentação do Professor: dados, lista de E-mail s, etc. - Apresentação da Turma: Estatística sobre origem dos alunos para adaptação do curso - Apresentação

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

Reconhecimento de Caracteres Através de Redes Neurais Artificiais com Aplicação a Placas de Automóveis

Reconhecimento de Caracteres Através de Redes Neurais Artificiais com Aplicação a Placas de Automóveis Anais do XVI Encontro de Iniciação Científica e Pós-Graduação do ITA XVI ENCITA / 2010 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil 20 de outubro de 2010 Reconhecimento de Caracteres

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

POTENCIAL ELÉTRICO. alvaro.unespbauru@hotmail.com

POTENCIAL ELÉTRICO. alvaro.unespbauru@hotmail.com POTENCIAL ELÉTRICO alvaro.unespbauru@hotmail.com Potenciais elétricos Potencial de membrana: é a diferença de potencial elétrico, em Volts (V), gerada a partir de um gradiente eletroquímico através de

Leia mais

[1] Na terceira sessão, analisamos o Perceptron de Múltiplas Camadas inclusive um problema típico como o XOR.

[1] Na terceira sessão, analisamos o Perceptron de Múltiplas Camadas inclusive um problema típico como o XOR. Deolinda M. P. Aguieiras de Lima Nilton Alves Jr. naj@cat.cbpf.br [1] Resumo Este trabalho tem como finalidade servir de primeira leitura para aqueles alunos que desejam iniciar se no estudo de Redes Neurais.

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

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

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

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

Leia mais

SISTEMA NERVOSO PARTE 1

SISTEMA NERVOSO PARTE 1 SISTEMA NERVOSO PARTE 1 1 TECIDO NERVOSO 1. O sistema nervoso é dividido em: SISTEMA NERVOSO CENTRAL e SISTEMA NERVOSO PERIFÉRICO 2. A unidade básica = célula nervosa NEURÔNIO 3. Operam pela geração de

Leia mais

A implementação e o estudo. de redes neurais artificiais em ferramentas de software comerciais,

A implementação e o estudo. de redes neurais artificiais em ferramentas de software comerciais, Artigos A implementação e o estudo de redes neurais artificiais em ferramentas de software comerciais Cleber Gustavo Dias Professor do Departamento de Ciências Exatas Uninove. São Paulo SP [Brasil] diascg@uninove.br

Leia mais

RENATO DE FREITAS LARA. Departamento de Ciência da Computação - Universidade Presidente Antônio Carlos (UNIPAC) - Barbacena - MG Brasil

RENATO DE FREITAS LARA. Departamento de Ciência da Computação - Universidade Presidente Antônio Carlos (UNIPAC) - Barbacena - MG Brasil RECONHECIMENTO DE CADEIAS DE NÚMEROS NAS ETIQUETAS IDENTIFICADORAS DOS BLOCOS DE AÇO, UTILIZANDO PROCESSAMENTO DIGITAL DE IMAGENS E REDES NEURAIS ARTIFICIAIS RENATO DE FREITAS LARA Departamento de Ciência

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

1 Introdução. EA072 Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp. Tópico 1.1: Introdução às Redes Neurais Artificiais (Parte II) 1

1 Introdução. EA072 Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp. Tópico 1.1: Introdução às Redes Neurais Artificiais (Parte II) 1 Introdução às Redes Neurais Artificiais (Parte II) Aspectos Funcionais e Organizacionais Baseado em Notas de Aula da disciplina de pós-graduação IA353 Redes Neurais (FEEC/Unicamp) 1 Introdução... 2 2 O

Leia mais

Curso de Redes Neurais utilizando o MATLAB

Curso de Redes Neurais utilizando o MATLAB Curso de Redes Neurais utilizando o MATLAB Victoria Yukie Matsunaga Belém-Pará-Brasil 2012 Esta apostila tem como principal objetivo fornecer um material de auxílio ao Curso de Redes Neurais utilizando

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

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

SISTEMAS INTELIGENTES DE APOIO À DECISÃO

SISTEMAS INTELIGENTES DE APOIO À DECISÃO SISTEMAS INTELIGENTES DE APOIO À DECISÃO As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas

Leia mais

Sistema de Autenticação/Identificação Pessoal Biométrica Através da Palma da Mão com o Auxílio de Redes Neurais Artificiais

Sistema de Autenticação/Identificação Pessoal Biométrica Através da Palma da Mão com o Auxílio de Redes Neurais Artificiais Anais do 14 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 22 2009. Sistema de Autenticação/Identificação

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

MÉTODOS BASEADOS NA REGRA DO VIZINHO MAIS PRÓXIMO PARA RECONHECIMENTO DE IMAGENS

MÉTODOS BASEADOS NA REGRA DO VIZINHO MAIS PRÓXIMO PARA RECONHECIMENTO DE IMAGENS MÉTODOS BASEADOS NA REGRA DO VIZINHO MAIS PRÓXIMO PARA RECONHECIMENTO DE IMAGENS Trabalho de Conclusão de Curso Engenharia da Computação Miguel Eugênio Ramalho Bezerra Orientador: Prof. Dr. Adriano Lorena

Leia mais

Classificação Automática dos Usuários da Rede Social Acadêmica Scientia.Net

Classificação Automática dos Usuários da Rede Social Acadêmica Scientia.Net Classificação Automática dos Usuários da Rede Social Acadêmica Scientia.Net Vinícius Ponte Machado 1, Bruno Vicente Alves de Lima 2, Heloína Alves Arnaldo 3, Sanches Wendyl Ibiapina Araújo 4 Departamento

Leia mais

Universidade Federal do Rio de Janeiro. Escola Politécnica. Departamento de Eletrônica e de Computação

Universidade Federal do Rio de Janeiro. Escola Politécnica. Departamento de Eletrônica e de Computação Universidade Federal do Rio de Janeiro Escola Politécnica Departamento de Eletrônica e de Computação Reconhecimento de Caracteres de Placa Veicular Usando Redes Neurais Autor: Orientador: Allan Almeida

Leia mais

Projeto Pedagógico do Bacharelado em Ciência da Computação. Comissão de Curso e NDE do BCC

Projeto Pedagógico do Bacharelado em Ciência da Computação. Comissão de Curso e NDE do BCC Projeto Pedagógico do Bacharelado em Ciência da Computação Comissão de Curso e NDE do BCC Fevereiro de 2015 Situação Legal do Curso Criação: Resolução CONSU no. 43, de 04/07/2007. Autorização: Portaria

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

Reconhecimento de Faces Utilizando Redes Neurais Autoassociativas

Reconhecimento de Faces Utilizando Redes Neurais Autoassociativas POLITÉCNICA DE Reconhecimento de Faces Utilizando Redes Neurais Autoassociativas Trabalho de Conclusão de Curso Engenharia da Computação Sérgio Guerra Prazeres Orientador: Bruno José Torres Fernandes SÉRGIO

Leia mais

COPPE/UFRJ. CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba

COPPE/UFRJ. CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba COPPE/UFRJ CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba PROGRAMA PARA DEMONSTRAÇÃO DO PROCESSO DE APRENDIZADO DOS NEURÔNIOS DA CAMADA INTERMEDIÁRIA DE UMA REDE NEURAL FEEDFORWARD DE 2 CAMADAS,

Leia mais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA

UNIVERSIDADE FEDERAL DE SANTA CATARINA UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL

Leia mais

Prof. Sérgio Luiz Tonsig 1

Prof. Sérgio Luiz Tonsig 1 Simulando o Cérebro: Redes Neurais Prof. Sérgio Luiz Tonsig 1 2º semestre de 2000 1 Analista de Sistemas. Especialista em Sistemas de Informação pela UFSCar. Mestrando em Gerência de Sistemas de Informação

Leia mais

Visão computacional no reconhecimento de formas e objetos

Visão computacional no reconhecimento de formas e objetos Visão computacional no reconhecimento de formas e objetos Paula Rayane Mota Costa Pereira*, Josemar Rodrigues de Souza**, Resumo * Bolsista de Iniciação Científica da Faculdade de Tecnologia SENAI CIMATEC,

Leia mais

Universidade Federal de São Paulo Campus São José dos Campos LISTA DE DISCIPLINAS DA GRADUAÇÃO

Universidade Federal de São Paulo Campus São José dos Campos LISTA DE DISCIPLINAS DA GRADUAÇÃO A B C Álgebra Linear Álgebra Linear Computacional Álgebra Linear II Algoritmos e Estrutura de Dados I Algoritmos e Estrutura de Dados II Algoritmos em Bioinformática Alteridade e Diversidade no Brasil

Leia mais

Módulo 6: Inteligência Artificial

Módulo 6: Inteligência Artificial Módulo 6: Inteligência Artificial Assuntos: 6.1. Aplicações da IA 6.2. Sistemas Especialistas 6.1. Aplicações da Inteligência Artificial As organizações estão ampliando significativamente suas tentativas

Leia mais

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

Revista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP

Revista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP Reconhecimento de face utilizando banco de imagens monocromáticas e coloridas através dos métodos da análise do componente principal (PCA) e da Rede Neural Artificial (RNA) [Recognition to face using the

Leia mais

ESTUDO DE PROTEÇÃO, MEDIÇÃO E CONTROLE EM SISTEMAS DE POTÊNCIA

ESTUDO DE PROTEÇÃO, MEDIÇÃO E CONTROLE EM SISTEMAS DE POTÊNCIA GPC/001 21 a 26 de Outubro de 2001 Campinas - São Paulo - Brasil GRUPO V ESTUDO DE PROTEÇÃO, MEDIÇÃO E CONTROLE EM SISTEMAS DE POTÊNCIA UMA ABORDAGEM BASEADA EM REDES NEURAIS ARTIFICIAIS PARA IDENTIFICAÇÃO

Leia mais

SISTEMA NERVOSO A FUNÇÃO GERAL

SISTEMA NERVOSO A FUNÇÃO GERAL SISTEMA NERVOSO O Sistema Nervoso se divide em a) Sistema Nervoso Central e b) Sistema Nervoso Periférico. No sistema nervoso central existem dois tipos de células: a) os neurônios e b) as células da glia

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

Evolução da cooperação em populações modeladas por autômatos celulares com o uso de teoria de jogos

Evolução da cooperação em populações modeladas por autômatos celulares com o uso de teoria de jogos Geração de modelos de redes com verificação dos parâmetros topológicos Prof. Pedro Schimit - schimit@uninove.br Muitas coisas podem ser modeladas a partir de modelos de redes (ou grafos). A maneira como

Leia mais

FACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA

FACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA FACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS PRAIA GRANDE 2010 JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS

Leia mais

Estilos Arquiteturais. Estilos Arquiteturais. Exemplos de Estilos Arquiteturais. Estilo: Pipe e Filtros

Estilos Arquiteturais. Estilos Arquiteturais. Exemplos de Estilos Arquiteturais. Estilo: Pipe e Filtros Em geral sistemas seguem um estilo, ou padrão, de organização estrutural Os estilos diferem: nos tipos de componentes que usa na maneira como os componentes interagem com os outros (regras de interação)

Leia mais

Mestrado em Informática, tendo Inteligência Artificial como área de pesquisa.

Mestrado em Informática, tendo Inteligência Artificial como área de pesquisa. André Montevecchi Graduado em Sistemas de Informação. Mestrado em Informática, tendo Inteligência Artificial como área de pesquisa. andre@montevecchi.com.br 1 Agenda Introdução Teste de Turing Robótica

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

Comparação entre as Redes Neurais Artificiais MLP, RBF e LVQ na Classificação de Dados. Fernando Nunes Bonifácio

Comparação entre as Redes Neurais Artificiais MLP, RBF e LVQ na Classificação de Dados. Fernando Nunes Bonifácio UNIOESTE Universidade Estadual do Oeste do Paraná CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS Colegiado de Ciência da Computação Curso de Bacharelado em Ciência da Computação Comparação entre as Redes Neurais

Leia mais

OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS

OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS Trabalho de Conclusão de Curso Engenharia da Computação Adélia Carolina de Andrade Barros Orientador: Prof. Dr. Adriano Lorena Inácio de Oliveira

Leia mais

O que é GED GERENCIAMENTO ELETRÔNICO DE DOCUMENTOS (GED)

O que é GED GERENCIAMENTO ELETRÔNICO DE DOCUMENTOS (GED) Automação em Arquivos GERENCIAMENTO ELETRÔNICO DE DOCUMENTOS (GED) O que é GED GED é a tecnologia que provê um meio de facilmente armazenar, localizar e recuperar informações existentes em documentos e

Leia mais

Controle e Corte Emergencial de Cargas com Recomposição Automática Através do Sistema SCADA BRASIL

Controle e Corte Emergencial de Cargas com Recomposição Automática Através do Sistema SCADA BRASIL Controle e Corte Emergencial de Cargas com Recomposição Automática Através do Sistema SCADA MONTENEGRO, J. C. F. S. (José Carlos de França e Silva Montenegro) BANDEIRANTE BRASIL MARQUES, R. (Rogério Marques)

Leia mais

REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO ÂNGELO ROCHA DE OLIVEIRA

REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO ÂNGELO ROCHA DE OLIVEIRA REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO ÂNGELO ROCHA DE OLIVEIRA DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DO PROGRAMA

Leia mais

Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Pós-Graduação em Engenharia Elétrica Inteligência Artificial Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms

Leia mais

Grade Curricular - Engenharia de Computação

Grade Curricular - Engenharia de Computação Grade Curricular - Engenharia de Computação SEMESTRE 1 - Obrigatórias FCM0101 Física I 6 0 6 FFI0180 Laboratório de Física Geral I 2 0 2 SAP0678 Desenho 2 0 2 SAP0679 Humanidades e Ciências Sociais 2 0

Leia mais

Informática. Prof. Macêdo Firmino. Macêdo Firmino (IFRN) Informática Setembro de 2011 1 / 25

Informática. Prof. Macêdo Firmino. Macêdo Firmino (IFRN) Informática Setembro de 2011 1 / 25 Informática Prof. Macêdo Firmino Introdução a Informática Macêdo Firmino (IFRN) Informática Setembro de 2011 1 / 25 O Que é um Computador? É uma máquina composta de um conjunto de partes eletrônicas e

Leia mais

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron. 1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando

Leia mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Indrodução às Redes Neurais Artificiais Jorge M. Barreto Laboratório de Conexionismo e Ciências Cognitivas UFSC -Departamento de Informática e de Estatística 88040-900 - Florianópolis - SC e-mail: barreto@inf.ufsc.br

Leia mais

IN0997 - Redes Neurais

IN0997 - Redes Neurais IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa

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

DESENVOLVIMENTO DE FERRAMENTA COMPUTACIONAL PARA PROJETOS DE REDES NEURAIS ARTIFICIAIS

DESENVOLVIMENTO DE FERRAMENTA COMPUTACIONAL PARA PROJETOS DE REDES NEURAIS ARTIFICIAIS IFSP - INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE SÃO PAULO DESENVOLVIMENTO DE FERRAMENTA COMPUTACIONAL PARA PROJETOS DE REDES NEURAIS ARTIFICIAIS HUGO DA SILVA BERNARDES GONÇALVES São Paulo

Leia mais

IMPLEMENTAÇÃO DE UM SIMULADOR DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS

IMPLEMENTAÇÃO DE UM SIMULADOR DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS HÉLDER NEVES SANTA ROSA IMPLEMENTAÇÃO DE UM SIMULADOR DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS Trabalho de conclusão de curso apresentado ao Curso de Ciência da Computação. UNIVERSIDADE PRESIDENTE

Leia mais

Hardware e Software. Professor: Felipe Schneider Costa. felipe.costa@ifsc.edu.br

Hardware e Software. Professor: Felipe Schneider Costa. felipe.costa@ifsc.edu.br Hardware e Software Professor: Felipe Schneider Costa felipe.costa@ifsc.edu.br Agenda Hardware Definição Tipos Arquitetura Exercícios Software Definição Tipos Distribuição Exercícios 2 Componentesde um

Leia mais

Entrada e Saída. Prof. Leonardo Barreto Campos 1

Entrada e Saída. Prof. Leonardo Barreto Campos 1 Entrada e Saída Prof. Leonardo Barreto Campos 1 Sumário Introdução; Dispositivos Externos; E/S Programada; E/S Dirigida por Interrupção; Acesso Direto à Memória; Bibliografia. Prof. Leonardo Barreto Campos

Leia mais

UNIVERSIDADE FEDERAL DE PERNAMBUCO - PRÓ-REITORIA PARA ASSUNTOS ACADÊMICOS CURRÍCULO DO CURSO DE GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO PERFIL

UNIVERSIDADE FEDERAL DE PERNAMBUCO - PRÓ-REITORIA PARA ASSUNTOS ACADÊMICOS CURRÍCULO DO CURSO DE GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO PERFIL PERFIL 3001 - Válido para os alunos ingressos a partir de 2002.1 Disciplinas Obrigatórias Ciclo Geral Prát IF668 Introdução à Computação 1 2 2 45 MA530 Cálculo para Computação 5 0 5 75 MA531 Álgebra Vetorial

Leia mais

XDOC. Solução otimizada para armazenamento e recuperação de documentos

XDOC. Solução otimizada para armazenamento e recuperação de documentos XDOC Solução otimizada para armazenamento e recuperação de documentos ObJetivo Principal O Que você ACHA De ter Disponível Online todos OS Documentos emitidos por SUA empresa em UMA intranet OU Mesmo NA

Leia mais

Planificação TIC - 8.º Ano 2012/2013

Planificação TIC - 8.º Ano 2012/2013 Agrupamento de Escolas Dr. Vieira de Carvalho Planificação TIC - 8.º Ano 2012/2013 AULAS PREVISTAS (50 minutos) 1.- Conhecimento e utilização adequada e segura de diferentes tipos de ferramentas de comunicação,

Leia mais

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:

Leia mais

Conteúdo 1. FRAUDES... 2 1.1. A história das fraudes na Indústria de Cartões... 2 1.2. O que o estabelecimento deve fazer para vender de forma segura

Conteúdo 1. FRAUDES... 2 1.1. A história das fraudes na Indústria de Cartões... 2 1.2. O que o estabelecimento deve fazer para vender de forma segura Conteúdo 1. FRAUDES... 2 1.1. A história das fraudes na Indústria de Cartões... 2 1.2. O que o estabelecimento deve fazer para vender de forma segura pela Internet?... 3 1.3. Como a Cielo pode ajudar seu

Leia mais

INTRODUÇÃO À COMPUTAÇÃO

INTRODUÇÃO À COMPUTAÇÃO INTRODUÇÃO À COMPUTAÇÃO Heleno Pontes Bezerra Neto (helenopontes@lccv.ufal.br) 1. Introdução 1.1. Motivação 1.2 Histórico e Desenvolvimento dos Computadores 1.3. Organização dos Computadores 1. INTRODUÇÃO

Leia mais

Doenças cardiovasculares constituem um dos maiores problemas que afligem a

Doenças cardiovasculares constituem um dos maiores problemas que afligem a 18 1 INTRODUÇÃO Doenças cardiovasculares constituem um dos maiores problemas que afligem a população dos países industrializados. Essas doenças são responsáveis por mais de cinco milhões de pessoas hospitalizadas

Leia mais

Redes neurais aplicadas na identificação de variedades de soja

Redes neurais aplicadas na identificação de variedades de soja Redes neurais aplicadas na identificação de variedades de soja Fábio R. R. Padilha Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ Rua São Francisco, 5 - Sede Acadêmica, 987-,

Leia mais

UNIVERSIDADE CÂNDIDO MENDES CHRYSTIANO BARBOSA DE SOUZA ARAÚJO LEANDRO MORAES VALE CRUZ LUCAS CARVALHO THIAGO RIBEIRO NUNES DEFINIR O TÍTULO

UNIVERSIDADE CÂNDIDO MENDES CHRYSTIANO BARBOSA DE SOUZA ARAÚJO LEANDRO MORAES VALE CRUZ LUCAS CARVALHO THIAGO RIBEIRO NUNES DEFINIR O TÍTULO UNIVERSIDADE CÂNDIDO MENDES CHRYSTIANO BARBOSA DE SOUZA ARAÚJO LEANDRO MORAES VALE CRUZ LUCAS CARVALHO THIAGO RIBEIRO NUNES DEFINIR O TÍTULO Campos dos Goytacazes - RJ Junho - 2009 MÓDULO DE VISÃO DO TOOLKIT

Leia mais

Tutorial para Professores com as alterações do Ambiente Moodle 2.7

Tutorial para Professores com as alterações do Ambiente Moodle 2.7 Tutorial para Professores com as alterações do Ambiente Moodle 2.7 Prezados Professores, a atualização do ambiente Moodle da versão 2.5 para a versão 2.7 gerou algumas mudanças na interface visual do Moodle.

Leia mais

TECNOLOGIA DA INFORMAÇÃO

TECNOLOGIA DA INFORMAÇÃO As respostas das atividades deverão ser mais simples e completas possíveis e baseadas nas aulas (vídeo-aula). Acrescentei mais informações para servirem de material de apoio aos estudos para avaliações

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

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Access Control System Based on Face Recognition Tiago A. Neves, Welton S. De Oliveira e Jean-Jacques De Groote Faculdades COC de Ribeirão

Leia mais

TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS

TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS Trabalho de Conclusão de Curso Engenharia da Computação Nome do Aluno: Carolina Baldisserotto Orientador: Prof. Adriano

Leia mais

Classificação de páginas da Internet utilizando redes neurais artificiais.

Classificação de páginas da Internet utilizando redes neurais artificiais. Classificação de páginas da Internet utilizando redes neurais artificiais. Genilto Dallo Departamento de Ciência da Computação (DECOMP) Universidade Estadual do Centro-Oeste (UNICENTRO) Guarapuava, PR

Leia mais

Thearlismar Soares de Araújo APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA O DIAGNÓSTICO DE PATOLOGIAS TRAUMATO-ORTOPÉDICAS DOS MEMBROS INFERIORES

Thearlismar Soares de Araújo APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA O DIAGNÓSTICO DE PATOLOGIAS TRAUMATO-ORTOPÉDICAS DOS MEMBROS INFERIORES Thearlismar Soares de Araújo APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA O DIAGNÓSTICO DE PATOLOGIAS TRAUMATO-ORTOPÉDICAS DOS MEMBROS INFERIORES Palmas 2012 Thearlismar Soares de Araújo APLICAÇÃO DE REDES

Leia mais

Tecnologias para pessoas com deficiência auditiva

Tecnologias para pessoas com deficiência auditiva Tecnologias para pessoas com deficiência auditiva ANTONIO BORGES TDD é a abreviatura de Telecommunications Device for the Deaf (Aparelho de telecomunicações para o surdo). O TDD é um sistema de comunicação

Leia mais

UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO

UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO REDE NEURAL ARTIFICIAL PARA RECONHECIMENTO DE TABELA DE HORÁRIOS DE ARME/DESARME NO SISTEMA

Leia mais

Image Enable: conceito

Image Enable: conceito Image Enable Gestão Eletrônica de Documentos - GED Image Enable: conceito Empresas possuem diversos sistemas para controlar suas operações Sistemas integrados de gestão; Sistemas de Recursos humanos, Contabilidade,

Leia mais

UNOESTE - Universidade do Oeste Paulista F I P P - Faculdade de Informática de Presidente Prudente

UNOESTE - Universidade do Oeste Paulista F I P P - Faculdade de Informática de Presidente Prudente 1º TERMO NOTURNO - 2009 31/03/09 3ª feira 20:50 h A ADMINISTRAÇÃO 01/04/09 4ª feira 19:00 h A1/A2 INTRODUÇÃO A COMPUTAÇÃO 02/04/09 5ª feira 19:00 h A1 LABORATÓRIO DE INFORMÁTICA I 02/04/09 5ª feira 20:50

Leia mais