Redes Neurais e Sistemas Fuzzy
|
|
- Maria do Mar Bentes Santarém
- 5 Há anos
- Visualizações:
Transcrição
1 Redes Nerais e Sistemas Fzz Conceitos básicos de Redes Nerais Modelos de nerônios artificiais Comptação por Redes Nerais solção de m problema se dá por aprendizado. Um modelo de rede neral é capaz de resoler ma classe de tarefas, ajstando ses parâmetros por indção a partir de m conjnto de treinamento. solção é bastante flexíel. Na maioria dos modelos, o conjnto de treinamento dee ser determinado a priori. ariabilidade do domínio dee estar representada no conjnto de treinamento. Não é necessário se extrair conhecimento de especialistas no domínio. Domínio Solção por Rede Neral Dados (temperatra, pressão) Dados históricos Rede Neral Conjnto de treinamento Temperatra Pressão,,,, Flxo 47 5 Resltados (flxo) 3 Conceitos básicos de Redes Nerais s Redes Nerais rtificiais (RN) são sistemas físicos cellares qe podem adqirir, armazenar e tilizar conhecimento extraído da experiência, por meio de algoritmos de aprendizagem. O conhecimento está na forma de estados estáeis o mapeamentos incorporados nma rede de processadores simples, os nerônios artificiais, interligados por elos qe possem parâmetros ajstáeis, os pesos sinápticos, qe controlam a intensidade das conexões. comptação por RN é realizada por ma densa malha de nós processadores e conexões. O elemento processador básico é o nerônio artificial. 4
2 Conceitos Topologia da rede grafo orientado rotlado, determina a conectiidade da rede (em camadas?, com laços?). Nerônio fnção elementar (nó). Calcla m alor de saída, fnção dos alores de entrada do nó e dos pesos sinápticos correspondentes (modelo de nerônio). Conexão determina m caminho para o flxo de informação entre dois nós (elo). Pesos sináptico determina a força de conexão entre dois nós da rede (rótlo). Fncionalidade da rede composição das fnções elementares determinada pela conectiidade da rede. 5 entrada w o w o w o w o w o 3 3 w s w o 3 x 3 w s 4 w o 4 w o 4 4 i i 3 i 4 i w s w s w s 3 w s 4 w s w s Rede mlticamadas sem laços (feedforward) nerônio peso sináptico conexão x camada de entrada camada oclta Flxo do processamento (propagação) sinal intermediário camada de saída saída Fncionalidade [ ] T = F(, x ) 6 Fncionalidade de ma RN Mais conceitos entrada x saída topologia da rede determina ma fncionalidade genérica adeqada para ma certa classe de aplicações. fncionalidade específica (mapeamento) de ma RN depende dos alores dos ses pesos sinápticos. entrada F x Fncionalidade [ ] T = F(, x ) Mapeamento saída Os alores dos pesos sinápticos são ajstados ao problema específico atraés de procedimentos iteratios de treinamento (processo de aprendizagem indtia). 7 8
3 Comptação realizada por ma RN O mapeamento qe ma rede neral implementa pode enoler alores binários de saída, o então alores contínos. No primeiro caso, normalmente o conjnto de saídas binárias da rede é interpretado como rótlo de classe e a RN desempenha o papel de m classificador. No segndo caso, a rede ata como m regressor, fornecendo estimatias de alores do mapeamento aprendido (os alores de saída correspondentes a alores apresentados na entrada). Normalmente, os alores de entrada para a rede deem pertencer a m interalo nmérico adeqado preiamente definido, o qe salmente exige algm tipo de pré-processamento dos alores do domínio da aplicação. Comptação realizada Uma rede conectada apenas para frente (feedforward), sem realimentações, implementa mapeamentos estáticos. Exemplos de mapeamentos estáticos são máqinas combinacionais (sistemas discretos), modelos de sistemas estáticos (contínos), além dos classificadores e regressores. Uma rede com conexões realimentadoras (feedback), o recorrente, cria dependências temporais entre os sinais. Uma rede recorrente implementa mapeamentos dinâmicos, como máqinas seqüenciais, modelos de sistemas dinâmicos e regressores dinâmicos. 9 (n) Exemplo de ma rede recorrente x (n) (n) w w w w 3 w w 3 z z b b (n) x (n) w 3 3 w 3 b 3 (n) plicações das RN s redes nerais são aplicadas em diersas áreas qe enolem o reconhecimento de padrões e o aprendizado de fnções nãolineares. Exemplos dessas áreas memórias associatias interpretação de imagens reconhecimento de oz modelagem de sistemas sistemas de controle análise de séries temporais recperação de informações mineração de dados
4 Inspiração biológica Hoje se reconhece qe o cérebro processa informação nma forma diferente da dos comptadores digitais conencionais. Comptadores digitais são extremamente rápidos e precisos na execção de seqüências de instrções. Já o cérebro hmano é composto de m número mito grande de nerônios qe operam a elocidades cerca de m milhão de ezes mais baixas qe as portas digitais, mas exectam o processamento de informação de forma paralela e distribída. Esta característica das redes nerais faz com qe os seres hmanos sejam mais eficientes qe os comptadores em tarefas comptacionalmente complexas como a compreensão da fala e percepção de cenas isais. Estrtra do nerônio natral O nerônio é ma célla biológica delimitada por ma membrana cellar qe possi propriedades essenciais para o processamento de informação. Um nerônio possi três porções distintas o corpo cellar o soma (gerador de energia) a árore dendrítica (receptor de sinais aferentes) e o axônio (gera o sinal eferente potencial de ação) O axônio de m nerônio se conecta com a árore dendrítica de m otro nerônio atraés de m contato especial a sinapse. 3 4 Elementos de m sistema neroso 5 Geração do potencial de ação s propriedades da membrana axonal foram qantitatiamente descritas por Hodgkin e Hxle em 95. Eles determinaram o mecanismo básico de prodção e propagação do potencial de ação. Por este mecanismo, denominado bomba de sódio, as diferenças de concentração entre íons de sódio, presentes em grande concentração na região externa à membrana, e íons de potássio, na região interna, prodzem m potencial de reposo (negatio) da membrana (-65 mv). Se a membrana for despolarizada (menos negatia) por m processo sináptico, ltrapassando m limiar de disparo, ocorrerá a formação de m potencial de ação, qe é transmitido ao longo do axônio para otros nerônios qe têm conexão com este axônio. 6
5 Modelo neronal O potencial de ação geração do potencial de ação é determinada pela dependência das condtâncias dos íons Na + e K + em fnção da ariação da tensão da membrana. Dendritos botões sinápticos Soma Flxo da informação Potencial da membrana (mv) +6 6 xônio E Na+ E K+ t 7 Nerocomptação Em sistemas nerocomptacionais, o componente básico é o nerônio artificial. Existem ários modelos de nerônios artificiais, qe se diferenciam qanto ao detalhamento da sa fncionalidade. abstração mais simplificada considera apenas os aspectos instantâneos o estáticos do processamento, não leando em consideração os ses efeitos dinâmicos (memória). fncionalidade de m sistema neral estático é eqialente a de ma máqina combinacional nos sistemas digitais. Já o modelo dinâmico do nerônio é tilizado qando os sinais de entrada apresentam correlação temporal o espaço-temporal. O modelo dinâmico é normalmente reserado para o processamento de sinais contínos. 8 Modelos de nerônios maioria das aplicações de sistemas nerocomptacionais tiliza o modelo estático do nerônio. Esta preferência se dá principalmente pela simplicidade da comptação enolida. Mesmo a implementação de sistemas fncionalmente eqialentes a ma máqina seqüencial pode ser realizada a partir do modelo estático, incorporando-se algm tipo de memória externa. Esta é a mesma estratégia qe os sistemas digitais tilizam para implementar máqinas seqüenciais. 9 Modelos comptacionais de m nerônio O modelo estático do nerônio tem ma interpretação digital, relacionada à implementação de fnções booleanas, e ma interpretação contína, associada à filtragem de sinais. interpretação do nerônio como nidade de processamento lógico remonta aos trabalhos de Mc Clloch-Pitts e Frank Rosenblatt nas décadas de 4 e 5, respectiamente. fncionalidade do modelo contíno foi inestigada, entre otros, por ernard Widrow nos anos 6. Um nerônio artificial pode ser isto como m processador elementar com múltiplas entradas e ma única saída. Cada entrada do nerônio está ligada a ma fonte de sinais externos, o, no caso de ma rede de nerônios, a ma saída de m otro nerônio.
6 Modelo de Mc Clloch-Pitts O primeiro modelo de nerônio artificial é atribído aos pesqisadores Warren McClloch, médico e diretor de m laboratório de pesqisa no departamento de psiqiatria da Uniersidade de Illinois, e de Walter Pitts, m joem matemático, qe propseram m modelo de redes nerais artificiais, onde cada nerônio só pode assmir m estado binário (on/off). teoria de McClloch-Pitts (943) está baseada em 5 sposições atiidade de m nerônio é m processo tdo o nada (binário) Um número mínimo de sinapses ( > ) dee ser excitado nm período latente para atiar m nerônio O único atraso nos sistemas ocorre nas sinapses atiidade de ma sinapse inibitória é absolta estrtra de interconexões não se modifica i Sinapse excitatória Sinapse inibitória McClloch e Pitts demonstraram qe o se modelo de rede neral era de fato eqialente à máqina de Tring e proaram qe qalqer fnção comptáel poderia ser comptada por algma rede de nerônios conectados. Este modelo estimlo ma série de trabalhos teóricos e experimentais para modelar o cérebro em laboratório. Entretanto, os experimentos demonstraram claramente qe o modelo binário de m nerônio não é correto. De fato, m nerônio não pode ser considerado m simples dispositio de dois estados. Ele tem ma característica contína altamente não-linear. Para exemplificar as redes de McC-P, podemos definir os predicados N i (t) denota a asserção o i-ésimo nerônio dispara no tempo t N i (t) denota a asserção o i-ésimo nerônio não dispara no tempo t Usando esta notação, podemos descreer a ação de certas redes nerais tilizando lógica proposicional Redes Simples de Mc Clloch e Pitts Precedência N (t) = N (t-) Conjnção 3 N 3 (t) = N (t-) N (t-) Disjnção N 3 (t) = N (t-) N (t-) 3 Negação Conjgada 3 N 3 (t) = N (t-) N (t-) 3 x i x n Modelo de McClloch-Pitts w w i w n Os x i, para i =,,,n são o, dependendo da presença o asência do entrada no instante k. Os w i são o, dependendo se a sinapse é excitatória o inibitória. θ é o alor do limiar do nerônio, qe dee ser excedido pela soma ponderada de sinais para qe o nerônio dispare. regra de disparo do modelo é definida como (k) = θ n se Σ x i (k).w i θ i= n se Σ x i (k).w i < θ i= 4
7 Comptação por portas lógicas binárias comptação digital tem sido realizada fndamentalmente com base em portas lógicas implementadas em diersas tecnologias de circitos integrados. pesar da eolção da tecnologia dos CI, o modo como as fnções booleanas são implementadas permanece essencialmente o mesmo. discretização dos sinais elétricos analógicos dos componentes eletrônicos obedece à chamada lógica de chaes binária lâmpada acende, se e forem acionadas lâmpada acende, se o forem acionadas Comptação inspirada em modelos biológicos comptação por lógica de chaes não é plasíel biologicamente. O modelo de Hodgkin e Hxle de geração e propagação de m potencial de ação ao longo da membrana de m nerônio se assemelha ao chamado nerônio artificial da lógica de limiar. O disparo de m potencial de ação é m processo tdo-o-nada reglado pela acmlação de excitações indas de nerônios aferentes e modladas pelos respectios contatos sinápticos. Os sinais aferentes podem agir sobre a membrana despolarizando-a, atraés de sinapses excitatórias, o então hiperpolarizando-a, atraés de sinapses inibitórias. Qando a despolarização da membrana atinge m determinado limiar, ocorre ma rptra no eqilíbrio eletroqímico entre o interior e o exterior do nerônio, gerando o potencial de ação. O potencial de ação se propaga então pelo filamento axonal. 5 6 Modelo de nerônio artificial binário fncionalidade básica de m nerônio artificial binário é a de ma porta lógica genérica da lógica de limiar (LTU, Logic Threshold Unit). No modelo de nerônio artificial o alor de saída depende do alor () da soma ponderada entre as entradas do nerônio e os ses pesos (sinápticos). No modelo binário, o alor de saída corresponde ao resltado da comparação de com m limiar z. operação de comparação é modelada por ma fnção de atiação, ϕ(). Em geral, cada nerônio artificial tem ma entrada extra tilizada para ajstar o se limiar. O alor defalt do limiar de m nerônio é zero. Implementação de fnções booleanas por nerônios Um nerônio artificial é ma porta lógica niersal qe pode implementar as diersas fnções booleanas elementares, qe formam a base da lógica booleana, apenas alterando o se conjnto de pesos e limiar > z + x x m w w w m z > z = m = w j x j j = se > z se z > z + 7 8
8 Modelo de nerônio artificial com bias O limiar da fnção de atiação pode ser sbstitído por m peso extra, qe recebe o nome de bias, mantendo a mesma fncionalidade do modelo. antagem é qe neste modelo, só existem pesos para serem ajstados. w x w x m w m m = w j x j j = = > z se > z se z Fnção de atiação > z z m = j= w w w x x m w m w j x = ϕ() se > se Fnção de atiação > com = + w > z z > + w > com w = z > com = + w φ() ϕ (; z) = fnção de atiação de limiar abrpto z = Fnção degra com limiar ariáel, se z,, se < z φ() com = z Fnção degra com limiar fixo ϕ() =, se,, se < fnção de atiação 9 3 Entrada extra Fontes de sinais de entrada x = x k x m Modelo estático de m nerônio Pesos sinápticos w w w k w m bias Combinador linear (CL) O nerônio pode ser descrito matematicamente pelas segintes eqações Potencial de atiação Sinal de saída do nerônio m Jnção aditia Potencial de atiação Fnção de atiação ϕ( ) Saída = Σ w k. x k x k = F(, x,..., x m ) = ϕ() x m 3 Um nerônio de das entradas externas F(, x ) x x w Do ponto de ista do mapeamento = F(, x ), os alores de entrada podem ser interpretados como as coordenadas (, x ) de m ponto no espaço de características formado pelo prodto cartesiano x. Usalmente, este ponto é representado como m etor correspondente, x, partindo da origem. Por conenção, qalqer etor é representado por ma matriz colna. w w ϕ() 3
9 Representação etorial de alores de entrada x = x x x T = [ x ] x = [ x ] T x x x Repare, entretanto, qe do ponto de ista do modelo, o etor entrada do nerônio dee ser expandido, acrescentando-se a entrada do bias x = x [ ] T x Da mesma forma, os pesos são representados por m etor w = [ w w ] T w x Representação do mapeamento O potencial de atiação, corresponde à soma dos alores indiidais das entradas ponderados pelos respectios pesos = w + w + x w O potencial de atiação, pode ser calclado, de forma eqialente, como o prodto interno entre os etores de peso e de entrada (acrescido do bias) = w T.x Esta eqação define ma sperfície plana, a sperfície de mapeamento qe representa o mapeamento de pontos do espaço de entrada x para m alor de potencial de atiação. No caso de m nerônio de das entradas, (, x ) é m plano qe corresponde aos pontos do espaço x qe satisfazem a eqação. Os alores dos pesos determinam a posição do plano neste espaço Plano de mapeamento (,,,5) (,,,5) Exemplo de plano de mapeamento (do potencial de atiação) de m nerônio de das entradas com w = w = w =,5 =,5 +,5 x +,5 (,,,5) x (,, +,5) (,, +,5) 35 Parâmetros do plano de mapeamento z Um plano no espaço x z pode ser definido pela forma ponto-normal a(x x ) + b( ) + c(z z ) = Neste caso, a inclinação do plano é especificada pelo etor normal não nlo n = (a,b,c) qe intercepta o plano no ponto P = (x,, z ) O plano da figra corresponde ao potencial de atiação =,5 +,5 x +,5 forma ponto-normal deste plano é,5 +,5 x (,5) = Portanto P = (,,,5) n = (,5,,5, ) o, eqialentemente n = (,5,,5, ) P = (,, w ) n = (w, w, ) n = (,5,,5, ) P = (,,,5) x x 36
10 fnção de atiação Exemplos de fnção de atiação de limiar fnção de atiação do nerônio age sobre o plano de mapeamento definido pelos ses pesos. O principal objetio da fnção de atiação é introdzir ma nãolinearidade no modelo. φ() φ() Sem a fnção de atiação, o poder comptacional do nerônio, e mesmo de ma rede neral inteira, seria eqialente ao de m sistema linear, o qe não permitiria a solção de classes importantes de problemas. Fnção sinal θ = θ = Fnção degra nitário com limiar Um dos problemas (não-lineares) qe desejamos resoler com o nerônio é a classificação de etores de entrada. Este problema incli a implementação de fnções booleanas. φ() =, se,, se < φ() =, se θ,, se < θ Tipos de fnção de atiação fnção de atiação, representada por ϕ(), define a saída de m nerônio em termos do potencial de atiação. Identificamos 3 tipos de fnção. Fnção de limiar. Representa ma fnção de decisão abrpta. Descree a propriedade tdo-o-nada de m nerônio de McClloch-Pitts. ϕ() = se se < ϕ() 3. Fnção sigmóide. É ma fnção com forma de s, monotonamente crescente, qe exibe m balanceamento adeqado entre comportamento linear e não-linear. Exemplos deste tipo de fnção são a fnção logística, e a tangente hiperbólica. 3. Fnção logística, com parâmetro de inclinação a ϕ() = + exp( a) ϕ() a = a =. Fnção linear por partes. Reslta nm combinador linear se a operação for restrita à região linear. Se redz à fnção de limiar se o fator de amplificação for feito infinitamente grande ϕ() =, +,5 +,5,5 > > +,5,,5 ϕ() 3. Fnção tangente hiperbólica, com parâmetro de inclinação (ganho) a ϕ() = tanh(a) a = ϕ() a = 39 4
Redes Neurais. Conexionismo. Redes Neurais, IA e IC. Abordagem Simbólica. Apresentação da disciplina Inteligência Computacional e conexionismo
Redes Neurais, IA e IC Redes Neurais Apresentação da disciplina Inteligência Computacional e conexionismo No âmbito da Ciência da Computação, as Redes Neurais são estudadas na grande área de Inteligência
Leia maisRedes Neurais. Modelos de neurônios artificiais Fundamentos da lógica de limiar. Computação por portas lógicas binárias. Prof. Paulo Martins Engel
Redes Nerais Modelos de nerônios artificiais Fndaentos da lógica de liiar Coptação por portas lógicas binárias coptação digital te sido realizada fndaentalente co base e portas lógicas ipleentadas e diersas
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisANÁLISE DE SENSIBILIDADE DE ESTRUTURAS VIA ANSYS
3 ANÁLISE DE SENSIBILIDADE DE ESRUURAS VIA ANSYS Geralmente o MEF é o método nmérico de análise tilizado pare se obter os valores das fnções objetivo e das restrições, no qe diz respeito à maioria dos
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisInteligência Artificial
Inteligência rtificial I conexionista Conceitos básicos de Redes Nerais rtificiais Ciência da Coptação No âbito da Ciência da Coptação, as Redes Nerais são estdadas na grande área de Inteligência rtificial
Leia maisCálculo Vetorial. Geometria Analítica e Álgebra Linear - MA Aula 04 - Vetores. Profa Dra Emília Marques Depto de Matemática
Cálclo Vetorial Estdaremos neste tópico as grandezas etoriais, sas operações, propriedades e aplicações. Este estdo se jstifica pelo fato de, na natreza, se apresentarem 2 tipo de grandezas, as escalares
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisCOMPUTAÇÃO GRÁFICA NOTAS COMPLEMENTARES
Uniersidade Estadal do Oeste do Paraná - UNIOESTE Centro de Ciências Eatas e Tecnológicas - CCET Crso de Ciência da Comptação COMPUTAÇÃO GRÁFICA NOTAS COMPLEMENTARES CASCAVEL - PR 9 SUMÁRIO PRINCÍPIOS
Leia maisCurso de Análise Matricial de Estruturas 1
Crso de Análise Matricial de Estrtras IV MÉODO DA IIDEZ IV. Solção eral A modelagem de m sistema estrtral para sa resolção através do método da rigidez deve preferencialmente apretar m número de coordenadas
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) 12/07/08 08:09 Informação - ICPG - Criciuma - SC 1 Fundamentação Biológica, O Neurônio
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisPrimeira lista de exercícios de Física Experimental I-A, FIS01257
Primeira lista de exercícios de Física Experimental I-A, FIS0257 Roberto da Síla, Agenor Heintz, Magno Machado, Mendeli Vainstein, Mario Baibich Institto de Física, UFRGS April 5, 206 Qestão : Considere
Leia maisMALHAS COMPUTACIONAIS PARA SIMULAÇÃO NUMÉRICA DE ESCOAMENTOS DE FLUIDOS ENTRE CILINDROS COM EXCENTRICIDADE
0 a 05 de jnho de 009, Ijí/RS MALHAS COMPUACIONAIS PARA SIMULAÇÃO NUMÉRICA DE ESCOAMENOS DE FLUIDOS ENRE CILINDROS COM EXCENRICIDADE G 04 Modelagem Matemática Ricardo Vargas Del Frari URI/Erechim ricardodf@hotmail.com
Leia mais5 Exemplos de análise determinística 5.1. Introdução
5 Exemplos de análise determinística 5.1. Introdção Para validação dos modelos nméricos determinísticos e comparações entre os procedimentos de solção, são efetadas análises de qatro exemplos. O primeiro
Leia maisProf. Antônio F M Santos
Prof. Antônio F M Santos Profa. Rosenda Valdés Arencibia Maio, 011 Sexo: Masclino, Feminino Calvície: Calvo, Não calvo A associação entre das o mais variáveis implica qe o conhecimento de ma altera a
Leia maisControle Neural de Sistemas Não Lineares por Resposta em Freqüência
Proceedings of IV Brazilian Conference on Neral Networks - IV Congresso Brasileiro de Redes Nerais pp 888-999, Jl 2-22, 999 - ITA, São José dos Campos - SP - Brazil Controle Neral de Sistemas Não Lineares
Leia mais( AB ) é o segmento orientado com origem em A e extremidade em B.
FUNDÇÃO EDUIONL UNIFID MPOGRNDENSE (FEU) FULDDES INTEGRDS MPO-GRNDENSES (FI) OORDENÇÃO DE MTEMÁTI Estrada da aroba, 685, ampo-grande/rj - Tel: 3408-8450 Sites: www.fec.br, www.sites.google.com/site/feumat
Leia mais7. DECOMPOSIÇÃO EM VALORES SINGULARES (SVD)
7. DECOMPOSIÇÃO EM VALORES SINGULARES (SVD) A decoposição e alores singlares é étodo ito útil para a análise de sisteas ltiariáeis. E teros da operação de processo o étodo SVD facilita a sa aaliação e
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisRedes Neurais. Prof. Aurora Pozo. Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco
Redes Neurais Prof. Aurora Pozo Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisREDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisPRINCÍPIOS DE NEUROCOMPUTAÇÃO
PRINCÍPIOS DE NEUROCOMPUTAÇÃO Neurocomputação Funcionamento do cérebro humano e os neurônios Formação das conexões e como se concebe teoricamente a aquisição do conhecimento, formalizando-os em procedimentos
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisOtimização de Redes de Sensores sem Fio por Processos Markovianos de Decisão
Otimização de Redes de Sensores sem Fio por Processos Markoianos de Decisão Sóstenes P. Gomes, Solon V. de Caralho 2, Rita de Cássia M. Rodriges 2 Programa de Mestrado em Comptação Aplicada CAP/LAC, 2
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisNeurocomputação Parte 2
Neurocomputação Parte 2 Fabricio Breve - fbreve@gmail.com 25/09/2007 Fabricio Breve 1 REDES NEURAIS ARTIFICIAIS 25/09/2007 Fabricio Breve 2 Por que Redes Neurais? Computadores convencionais são eficientes
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisEstudo do comportamento da análise isogeométrica para o problema de Hemker
Trabalho apresentado no CNMAC, Gramado - RS, 26. Proceeding Series of the Brazilian Society of Comptational and Applied Mathematics Estdo do comportamento da análise isogeométrica para o problema de Hemker
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
Leia maisIntrodução à Computação Gráfica Curvas. Claudio Esperança Paulo Roma Cavalcanti
Introdção à Comptação Gráfica Crvas Cladio Esperança Palo Roma Cavalcanti Modelagem Geométrica Disciplina qe visa obter representações algébricas para crvas e sperfícies com determinado aspecto e/o propriedades
Leia mais4 Análise dimensional para determinação da frequência e fator de amplificação do pico máximo
4 Análise dimensional para determinação da freqência e fator de amplificação do pico máimo A análise cidadosa das eqações qe regem o escoamento pode fornecer informações sobre os parâmetros importantes
Leia maisCapítulo 5. TERMOELASTICIDADE LINEAR 1D PERMANENTE
Capítlo 5. ermoelasticidade linear D permanente 65 Capítlo 5. RMOASICIDAD INAR D RMANN Neste capítlo, o modelo matemático é composto por das eações diferenciais: a problema térmico; e a problema elástico.
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia mais2 Modelagem do problema em teoria dos grafos
Introdção à Teoria dos Grafos Bacharelado em Ciência da Comptação UFMS, 005 ÁRVORE GERADORA DE CUSTO MÍNIMO Resmo No Capítlo Árores, estdamos mitas propriedades importantes sobre esses grafos especiais.
Leia maisRedes Neurais Artificiais. Capítulos 1 e 2
Redes Neurais Artificiais Introdução Capítulos 1 e 2 Redes Neurais Artificiais (RNA) São modelos computacionais inspirados nos mecanismos de aprendizagem do cérebro humano. São modelos computacionais que
Leia maisOsciladores lineares contínuos
Osciladores lineares contínos Apontamentos da Disciplina de Dinâmica e Engenharia Sísmica Mestrado em Engenharia de Estrtras Institto Sperior Técnico ís Gerreiro Março de 1999 Osciladores ineares Contínos
Leia mais4 Redes Neurais Artificiais RNAs
66 4 Redes Neurais Artificiais RNAs Redes neurais artificial (RNA) são algoritmos que se baseiam no comportamento do cérebro humano. Dessa forma, imita a estrutura massivamente paralela do cérebro, com
Leia maisIncerteza da medição de uma jóia por uma balança digital
Incerteza da medição de ma jóia por ma balança digital 19,94 19,9 19,98 19,96 19,90 19,94 0,00 19,94 19,94 19,96 19,9 0,00 19,94 g Resolção: 0,0 g Média 19,950 g s 0,0313 Dados da calibração CERTIFICADO
Leia maisCapítulo 2 Introdução ao Sistema GPS
Introdção ao Sistema GPS 17 Capítlo 2 Introdção ao Sistema GPS O primeiro satélite artificial colocado em órbita foi o rsso Sptnik 1, lançado no ano 1957. Assim, foi demonstrada a viabilidade dos satélites
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
Leia maisCapítulo 1 Introdução
Capítlo 1 Introdção Nas últimas décadas, o Método de Elementos Finitos tem sido ma das principais ferramentas da mecânica comptacional na representação dos mais diversos tipos de fenômenos físicos presentes
Leia maisPROF. GILBERTO SANTOS JR VETORES
. Introdção Listas de números Sponha qe os pesos de oito estdantes estão listados abaio: 6,, 4, 4, 78, 4, 6, 9 Podemos denotar todos os alores dessa lista sando apenas m símbolo, por eemplo w, com diferentes
Leia maisSCC Capítulo 2 Topologia e Representação
Modelos Arquiteturas Representação do Conhecimento SCC-5809 - Capítulo 2 Topologia e Representação João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809:
Leia maisDeterminante Introdução. Algumas Propriedades Definição Algébrica Equivalências Propriedades Fórmula Matriz
ao erminante Área e em R 2 O qe é? Qais são sas propriedades? Como se calcla (Qal é a fórmla o algoritmo para o cálclo)? Para qe sere? A = matriz. P paralelogramo com arestas e. + A é a área (com sinal)
Leia maisComputação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição
Computação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição PROVA DIDÁTICA Tema 01 Neurônios ESCOLA POLITÉCNICA DA USP Engenharia de Sistemas Eletrônicos Especialidade 1 PROVA DIDÁTICA Tema
Leia maisIntrodução I. Organização e Arquitetura de Computadores. Sequência 15 Parte Operativa do MIPS - I. Introdução II.
Organização e Arqitetra de Comptadores Seqência 15 Parte Operativa do IPS - I Introdção I O desempenho de ma máqina pode ser determinado por três fatores: Número de instrções eectadas. Período do clock
Leia maisRedes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia mais2 - ELEMENTOS FINITOS DE BARRA ARTICULADA. CONCEITOS BÁSICOS
Método dos elementos finitos aplicado a estrtras reticladas Capítlo - EEMETOS FIITOS DE BARRA ARTICUADA. COCEITOS BÁSICOS. - Introdção este capítlo o método dos elementos finitos (MEF vai ser aplicado
Leia maisCurvas e Superfícies
Crvas e Sperfícies Fontes: M.C.F. de Oliveira D.F. Rogers & J.A. Adams, Mathematical Elements for Compter Graphics, McGraw-Hill, 999 Hearn & Baer, Cap. 8 (8-8 a 8-8) An Interactive Introdction to Splines,
Leia maisModelagem e controle do Aedes aegypti durante as estações do ano através do Algoritmo Genético
Trabalho apresentado no DINCON, Natal - RN, 15. Proceeding Series of the Brazilian Society of Comptational and Applied Mathematics Modelagem e controle do Aedes aegypti drante as estações do ano através
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisIntrodução 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 maisUtilização do MATLAB (Control System Toolbox)
Utilização do MALAB (Control Sstem oolbox). Introdção Estas notas constitem ma breve introdção à tilização do Control Sstem oolbox (versão 4) do MALAB no estdo de sistemas dinâmicos lineares. O comando
Leia maisRestauração de imagem
Tem por objectio reconstrir o recperar ma imagem degradada tilizando algm conhecimento a priori do processo de degradação Modelo do processo de degradação de imagem O processo de degradação pode ser modelado
Leia maisO resultado da medição na presença de várias fontes de incertezas
O resltado da medição na presença de várias fontes de incertezas Determinação da incerteza de medição em oito passos P1 Analise o processo de medição P Identifiqe as fontes de incertezas P3 Estime a correção
Leia maisVetores Forças Cap. 2
Objetios MECÂNICA - ESTÁTICA Vetores Forças Cap. 2 Mostrar como somar forças e decompô-las em componentes sando a lei do paralelogramo. Expressar a força e a sa localização na forma etorial cartesiana
Leia mais4 RESULTADOS E DISCUSSÕES
RESULTADOS E DISCUSSÕES 76 4 RESULTADOS E DISCUSSÕES Através da determinação de ph em Ága, conforme ASTM D 1293 [3], as medições exectadas para este trabalho tiveram como objetivo a validação da metodologia.
Leia maisModelos de neurônios baseados na taxa de disparos
Modelos de neurônios baseados na taxa de disparos Devido à complexidade dos chamados modelos realistas de neurônios e redes neurais, baseados no formalismo de Hodgkin-Huxley, muitos autores preferem usar
Leia maisGestão de Riscos em Projetos de Software
Gestão de Riscos em Projetos de Software Seiji Isotani, Rafaela V. Rocha sisotani@icmc.sp.br rafaela.vilela@gmail.com PAE: Armando M. Toda armando.toda@gmail.com Sem riscos não há recompensas Plano de
Leia maisRedes Neurais Artificiais (RNA)
Redes Neurais Artificiais (RNA) Definições: 1. Técnica inspirada no funcionamento do cérebro, onde neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar. 2. Técnica de aproximação
Leia mais3 Teoria de Ondas Marítimas
3 Teoria de Ondas Marítimas 3.1. Introdção Ondas do mar resltam da ação de forças sobre m flido de maneira a pertrbar o se estado inicial, isto é, deformá-lo. Estas forças são provocadas por diversos agentes
Leia maisFundamentos de Electrónica
3 Circuitos Corrente alternada de corrente contínua Corrente alternada sinusoidal A electricidade é produzida por geradores em centrais eléctricas e distribuída aos consumidores industriais e domésticos,
Leia mais3 REDES NEURAIS ARTIFICIAIS
47 3 REDES NEURAIS ARTIFICIAIS Neste capítulo será apresentado um breve histórico das redes neurais artificiais de modo a situar o leitor, descrevendo-se suas aplicações, teorias e finalmente detalhando-se
Leia maisPLANEJAMENTO E PROJETO DE SISTEMAS SECUNDÁRIOS DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA ATRAVÉS DE UM ALGORITMO DE BUSCA EM VIZINHANÇA VARIÁVEL
PLANEJAMENTO E PROJETO DE SISTEMAS SECUNDÁRIOS DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA ATRAVÉS DE UM ALGORITMO DE BUSCA EM VIZINHANÇA VARIÁVEL Diogo Rpolo * José Roberto Sanches Mantovani 1 Universidade Estadal
Leia maisAula 2: Vetores tratamento algébrico
Ala : Vetores tratamento algébrico Vetores no R e no R Decomposição de etores no plano ( R ) Dados dois etores e não colineares então qalqer etor pode ser decomposto nas direções de e. O problema é determinar
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Introdução Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade
Leia maisProcessador executa instruções
Capítlo 6 do Livro do ario onteiro Capítlo 5 (5., 5.2, 5. e 5.4) do Livro do Patterson http://www.ic.ff.br/~bora/fac! 2 Processador eecta instrções CP (central processing nit) CP (nida central processamento)
Leia maisFernando Nogueira Programação Linear 1
rogramação Linear Fernando Nogeira rogramação Linear Eemplo Típico Uma padaria prodz olos I e II sendo qe cada olo consome m certa qantidade de açúcar farinha e ovo para ser prodzido conforme a taela:
Leia maisPESQUISA OPERACIONAL Problema de Transportes. Professor Volmir Wilhelm Professora Mariana Kleina
PESQUIS OPERIONL Professor Volmir Wilhelm Professora Mariana Kleina Origens estinos Oferta 0 00 0 0 0 0 0 0 0 5 emanda 0 5 0 a = 0 b = 0 a = 5 b = 0 a = 5 b = 0 a = 0 b = 0 a = 5 0 b = 0 0 a = 5 0 F b
Leia maisFUZZY NA ANÁLISE DE SIMILARIDADES POR COMPUTADOR
FUZZY NA ANÁLISE DE SIMILARIDADES POR COMPUTADOR José Arnaldo Barra Montevechi José Hamilton Chaves Gorglho Júnior EFEI Escola Federal de Engenharia de Itajbá - Brasil RESUMO Este artigo descreve m procedimento
Leia maisIntrodução aos Métodos Quase-Experimentais
Técnicas Econométricas para Avaliação de Impacto Introdção aos Métodos Qase-Experimentais Rafael Perez Ribas Centro Internacional de Pobreza Brasília, 23 de abril de 28 Introdção Breve descrição de métodos
Leia maisCÁLCULO I. 1 Teorema do Confronto. Objetivos da Aula
CÁLCULO I Prof. Marcos Diniz Prof. André Almeida Prof. Edilson Neri Júnior Prof. Emerson Veiga Prof. Tiago Coelho Ala n o 07: Teorema do Confronto. Limite Fndamental Trigonométrico. Teorema do Valor Intermediário.
Leia maisMineração de Dados em Biologia Molecular
Mineração Dados em Biologia Molecular Principais tópicos André C. P. L. F. Carvalho Monitor: Valéria Carvalho Res Neurais Artificiais Introdução Arquitetura Aprendizado Principais molos Perceptron MLP
Leia maisSIMULAÇÃO NUMÉRICA DE UM TUBO DE CALOR AXIALMENTE ROTATIVO COM ESTRUTURA POROSA PARA BOMBEAMENTO CAPILAR DO CONDENSADO
SIMULAÇÃO NUMÉRICA DE UM TUBO DE CALOR AXIALMENTE ROTATIVO COM ESTRUTURA POROSA PARA BOMBEAMENTO CAPILAR DO CONDENSADO Lís E. Saraia saraia@pf.tche.br Uniersidade de Passo Fndo, Facldade de Engenharia
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais x 1 w k1 Bias b k +1 +1 x 1 x 2 x 3 x m +1 y 1 y 2 y o Sinais de entrada x 2 x m Fabricio Breve fabricio@rc.unesp.br w k2 w km Pesos sinápticos Σ Junção aditiva v k f(. ) Saída
Leia maisPROVAS DE ACESSO E INGRESSO PARA OS MAIORES DE 23 ANOS
PROVAS DE ACESSO E INGRESSO PARA OS MAIORES DE ANOS Ano Lectivo: 009 / 00 Folha de Escola onde se realiza esta prova: Data: 6 / 0 / 009 Prova: MATEMÁTICA Nome do Candidato: Docente(s): Docmento de Identificação
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisAULA Exercícios. DETERMINAR A EXPRESSÃO GERAL E A MATRIZ DE UMA TL CONHECIDAS AS IMAGENS DE UMA BASE DO
Note bem: a leitra destes apontamentos não dispensa de modo algm a leitra atenta da bibliografia principal da cadeira Chama-se a atenção para a importância do trabalho pessoal a realizar pelo alno resolvendo
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisPROV O ENGENHARIA QUÍMICA. Questão nº 1. h = 0,1 m A. Padrão de Resposta Esperado: a) P AB = P A B. Sendo ρ água. >> ρ ar. Em B : P B. .
PRO O 00 Qestão nº ar A B h = 0, m A B a) P AB = P A B Sendo ρ ága >> ρ ar : Em B : P B = (ρ ága. g) h + P A P A B = P B P A =.000 x 9,8 x 0, = 980 Pa (valor:,5 pontos) b) P ar = P man = 0 4 Pa Em termos
Leia maisGestão de Base de dados Relatórios
Gestão de Base de dados Relatórios Ano Letio 2014/2015 Professora: Vanda Pereira Relatórios Diersas formas de criarmos m relatório: Atraés do assistente Definindo manalmente a estrtra pela ista estrtra
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
Leia maisProfa. Josiane M. Pinheiro outubro/2008
Baseada em: Stuart Russel e Peter Norving - Inteligência Artificial seção 20.5 Jorge M. Barreto Introdução às Redes Neurais Artificiais - http://www.inf.ufsc.br/~barreto/tutoriais/survey.pdf Cassia Yuri
Leia maisRedes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Leia mais