Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias
|
|
- Salvador Lisboa
- 5 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de Viçosa Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias Isabela de Castro Sant Anna Supervisor: Moysés Nascimento Laboratório de Inteligência Computacional LICAE Programa de Pòs graduaçāo em Estatística Aplicada e Biometria
2 Universidade Federal de Viçosa 2
3 Introdução 3
4 Introdução Qual é o papel do Melhorista de plantas nos dias de hoje? 4
5 Introdução Caráter Quantitativo F= G + A VF= VG + VA G= A + D + E? 5
6 Introdução Epistasia Bateson (1909) Fisher (1918) 6
7 Introdução Caráter Quantitativo 7
8 Introdução A/a = ij Valor Genotípico ( dois locos A/a e B/b) B/b = kl Y ijkl = (α i + α j + δ ij ) + (α k + α l + δ kl ) + αα + αδ + δδ αα = α i α k + α i α l + α j α k + α j α l (aditiva x aditiva) αδ = α i δ kl + α j δ kl + α k δ ij + α l δ ij (aditiva x dominante) δδ = δ ij δ kl (dominante x dominante) E= αα + αδ + δδ 8
9 Introdução Seleção Genômica (SG) Modelar a arquitetura das características de acordo com os dados utilizados para seu treinamento. Escolher um modelo de SG Treinamento Validação 9
10 Introdução Inteligência Computacional Inferir sobre a Arquitetura das características pelos dados utilizados em seu treinamento. Não há necessidade de atender pressuposições sobre as distribuições dos dados e dos resíduos. 10
11 Introdução Adaptação por experiência Capacidade de aprendizado Habilidade de generalização Suporta ruídos e perda de informações 11
12 Introdução Que animal é este??? 12
13 Introdução 13
14 Introdução 14
15 Introdução 15
16 Introdução Sant Anna, Silva et al. 16
17 Introdução Sant Anna, Silva et al. 17
18 Objetivo Geral Uso de seleção genômica (GS) e redes neurais artificiais (RNA s), para fins de predição de valores genéticos. Observar se as interações epistáticas podem melhorar as estimativas de predição no contexto genotípico e fenotípico. Utilizar um método de redução de dimensionalidade: Sonda e Stepwise. 18
19 Material e Métodos P1 P2 F1 50 locos controladores das características Y i = μ + j=1 p j α j + E i Y i = μ + 50 j=1 p j α j + 49 j=1 p j α j α j+1 + E i 19
20 Material e Métodos Y i = μ + 50 j=1 p j α j + E i Cenários d=0 d=0.5 d=1 h 2 =30 h 2 =60 Y i = μ + 50 j=1 p j α j + 49 j=1 p j α j α j+1 + E i d=0 d=0.5 d=1 h 2 =30 h 2 =60 20
21 Material e Métodos Cenários Tabela 1. Características avaliadas no estudo com seus respectivos valores de herdabilidad modelo adotado e grau médio de dominância (Gmd). Característica Herdabilidade (%) Modelo Gmd V1 - D0H30_Ad 30 aditivo 0 V2 -D0.5H30_Ado 30 aditivo-dominante 0.5 V3- D1H30_Ado 30 aditivo-dominante 1 V4 - D0H30_Ep 30 epistático 0 V5 -D0.5H30_Ep 30 epistático 0.5 V6 -D1H30_Ep 30 epistático 1 V7 - D0H60_Ad 60 aditivo 0 V8 - D0.5H60_Ado 60 aditivo-dominante 0.5 V9 - D1H60_Ado 60 aditivo-dominante 1 V10 - D0H60_Ep 60 epistático 0 V11 -D0.5H60_Ep 60 epistático 0.5 V12 - D1H60_Ep 60 epistático 1 21
22 Meuwissen et al. (2001) onde: y é o vetor de observações fenotípicas, b é o vetor de efeitos fixos, Predição Genômica y = Xb + Za + e, a é o vetor dos efeitos aleatórios dos marcadores e e refere-se ao vetor de erros aleatórios. X e Z são as matrizes de incidência para b e a. A estrutura de médias e variâncias no modelo em questão é definida como: a~ N (0,G), E(y)=Xb, e ~N (0,R=I ), Var(y)=V=ZGZ + R. 2 G= Iσg n Material e Métodos G EBVs = y j = i n Z ij a i 22
23 Capitulo CC AT TT 23
24 Material e Métodos Rede de Base Radial Figura 1. Arquitetura e topologia de uma Rede Funções de Base Radial com número de entradas igual a 1000, K neurônios na camada intermediária (variando de 1 a 200) e uma saída (Y n ) que envolvia 400 observações no processo de treinamento e 100 no processo de validação. 24
25 Material e Métodos Capitulo 1 Simulação dos dados genotípicos e fenotípicos 2 = Cov(y r, y) r yr,y σ 2 yr σ2 y 2 REQM = (y r y) 2 n 25
26 Resultados Modelos Cenários R² REQM RR-BLUP RNA-RBF Validação Genotípica d0h d0.5h d1h d0h d0.5h d1h Validação Fenotipica R² REQM ± ± ± ± ± ± ± ± ± ± ± ±
27 Resultados Modelos Cenários R² REQM RR-BLUP RNA-RBF Validação Genotípica d0h30e d0.5h30e d1h30e d0h30e d0.5h30e d1h30e Validação Fenotipica R² REQM 0.01 ± ± ± ± ± ± ± ± ± ± ± ±
28 Resultados Modelos Cenários R² REQM RR-BLUP RNA-RBF Validação Genotípica d0h d0.5h d1h d0h d0.5h d1h Validação Fenotípica R² REQM ± ± ± ± ± ± ± ± ± ± ± ±
29 Resultados Modelos Cenários R² REQM RR-BLUP Validação Genotípica d0h60e d0.5h60e d1h60e Validação Fenotipica R² REQM 0.01 ± ± ± ± ± ± RNA-RBF d0h60e d0.5h60e d1h60e ± ± ± ± ± ±
30 Conclusões Parte 1 Os modelos RNA-RBF se igualam ou superam um modelo aditivo linear, RR-BLUP, na predição de valores genéticos totais de caracteres quantitativos usando marcadores SNP. Número grande de marcadores, a demanda computacional no RNA-RBF é intensiva sugerindo a utilização de uma seleção de variáveis para melhoria do processo preditivo. 30
31 PARTE 2 Stepwise; Sonda; Utilização de métodos de Redução da Dimensionalidade Métodos : RR-BLUP e RNA: RBF E MLP; Estatístico; Genético. 31
32 Estatística utilizada para estudo da redução da dimensionalidade em modelo de regressão Stepwise considerando uma variável resposta no cenário mais complexo e um conjunto de 1000 marcadores moleculares. 32
33 Estatística utilizada para estudo da redução da dimensionalidade em modelo de Sondas considerando uma variável resposta no cenário mais complexo e um conjunto de 1000 marcadores moleculares. 33
34 Rede de Base Radial Arquitetura e topologia de uma Rede Funções de Base Radial com número de entradas igual a 100, K neurônios na camada intermediária (variando de 1 a 200) e uma saída (Y n ) que envolvia 400 observações no processo de treinamento e 100 no processo de validação. 34
35 Perceptron Multiplas Camadas Estrutura da RNA Backpropagation Camadas 1 a 3; Funções de ativação:tansig, Logsig; (M 1 ) a (M 100 ) Marcadores utilizados na camada de entrada. As camadas ocultas foram compostas por n i (n i variando de 1 a 3 neurônios), com funções de ativação tansig ou logsig. Na camada de saída, a RNA retornou o valor genético ou fenotípico predito. 35
36 dagem, iguais a 100. Predição Genômica Raio Algoritmo de treinamento Exemplos!!!! 36
37 Resultados RBF R² REQMv CENÁRIOS SW 100S SW 100 S D0H30_Ad 0.03 ± ± ± ± ± ± 0.2 D0H30_Ep 0.03 ± ± ± ± ± ± 0.6 D0H60_Ad 0.38 ± ± ± ± ± ± 0.1 D0H60_Ep 0.06 ± ± ± ± ± ± 0.3 RRBLUP R² REQMv D0H30_Ad 0.19 ± ± ± ± 2 90 ± 0 37 ± 4 D0H30_Ep 0.01 ± ± ± ± ± ± 27 D0H60_Ad 0.36 ± ± ± ± 3 71 ± 1 48 ± 3 D0H60_Ep 0.03 ± ± ± ± ± ± 5 37
38 Resultados R² REQM CENARIOS MLP RBF RR-BLUP RBF MLP RR-BLUP D0H30_Ad 0.59 ± ± ± ± ± ± 0.0 D0.5H30_Ad 0.59 ± ± ± ± ± ± 3.7 D1H30_Ad 0.56 ± ± ± ± ± ± 17.7 D0H30_Ep 0.45 ± ± ± ± ± ± 48.1 D0.5H30_Ep 0.58 ± ± ± ± ± ± 18.9 D1H30_Ep 0.50 ± ± ± ± ± ±
39 Resultados R² REQM CENARIOS RBF MLP RR-BLUP RBF MLP RR-BLUP D0H60_Ad 0.79 ± ± ± ± ± ± 1 D0.5H60_Ad 0.74 ± ± ± ± ± ± 1 D1H30_Ad 0.64 ± ± ± ± ± ± 5 D0H60_Ep 0.58 ± ± ± ± ± ± 36 D0.5H60_Ep 0.62 ± ± ± ± ± ± 29 VD1H60_Ep 0.58 ± ± ± ± ± ± 22 39
40 Considerações Finais As redes neurais do tipo Perceptron de múltiplas camadas ou a rede de base radial (RBF-RNA) são igualmente recomendáveis para a predição do valor genético (efeitos da epistasia e dominância). Reduzir o número de variáveis explicativas resolve os problemas de multicolinearidade e de dimensionalidade, sem que haja perda de informações genéticas relevantes. 40
41 Como aprender? BIO748 41
42 Neural Network Toolbox TensorFlow Keras scikit-learn nnet Neural net RSNNS 42
43 Referências Bibliográficas [1] HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2ª ed. Nova York: Springer, p. [2] HAYKIN, S. Redes Neurais Princípios e Práticas. 2ª ed. Porto Alegre: Bookman, p. Sant Anna et al. 43
44 44
45 45
46 Obrigada!!!
47 DÚVIDAS? Duvidas!!!
Redes Neurais aplicadas na predição de valores genéticos
Redes Neurais aplicadas na predição de valores genéticos Gabi Nunes Silva 1 Isabela de Castro Sant'Anna 2 Rafael Simões Tomaz 3 Cosme Damião Cruz 2 1 Introdução Nos programas de melhoramento genético,
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisÁrvores de decisão e seus refinamentos na predição genômica da resistência à ferrugem alaranjada em café arábica
Árvores de decisão e seus refinamentos na predição genômica da resistência à ferrugem alaranjada em café arábica Ithalo Coelho de Sousa ithalo.coelho@gmail.com Programa de Pós-Graduação em Estatística
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisApresentação... Prefácio...
SUMÁRIo Apresentação... Prefácio... V VII Capítulo 1 Melhoramento de Fruteiras... 1 Capítulo 2 ANÁLISE de VARIÂNCIA: PROGÊNIES, CLONES E MEDIDAS REPETIDAs... 7 2.1 Experimentação Adequada... 7 2.2 Teste
Leia maisGABI NUNES SILVA PREDIÇÃO DE VALORES GENÉTICOS POR ABORDAGENS DE SELEÇÃO GENÔMICA AMPLA E DE INTELIGÊNCIA COMPUTACIONAL
GABI NUNES SILVA PREDIÇÃO DE VALORES GENÉTICOS POR ABORDAGENS DE SELEÇÃO GENÔMICA AMPLA E DE INTELIGÊNCIA COMPUTACIONAL Tese apresentada à Universidade Federal de Viçosa, como parte das exigências do Programa
Leia maisISABELA DE CASTRO SANT ANNA REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO GENÔMICA NA PRESENÇA DE INTERAÇÕES EPISTÁTICAS
ISABELA DE CASTRO SANT ANNA REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO GENÔMICA NA PRESENÇA DE INTERAÇÕES EPISTÁTICAS Tese apresentada à Universidade Federal de Viçosa, como parte das exigências do Programa
Leia maisI Workshop em Inteligência Computacional e Aprendizado Estatístico Aplicados à Agropecuária
I Workshop em Inteligência Computacional e Aprendizado Estatístico Aplicados à Agropecuária Camila Ferreira Azevedo Professora Departamento de Estatística - UFV Email: camila.azevedo@ufv.br 1 Colaboradores:
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisMÉTODOS DE SELEÇÃO. Professor: Dr. Alexandre Leseur dos Santos Mestranda: Lurdes Rodrigues Estágio em Docência I Disciplina: Melhoramento Genético
MÉTODOS DE SELEÇÃO 1 Professor: Dr. Alexandre Leseur dos Santos Mestranda: Lurdes Rodrigues Estágio em Docência I Disciplina: Melhoramento Genético 2 MÉTODOS DE SELEÇÃO INTRODUÇÃO A seleção pode ser realizada
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisAPLICAÇÃO DE MARCADORES MOLECULARES NA HIBRIDAÇÃO DE EUCALIPTO
IV WORKSHOP EM MELHORAMENTO FLORESTAL APLICAÇÃO DE MARCADORES MOLECULARES NA HIBRIDAÇÃO DE EUCALIPTO ANTONIO MARCOS ROSADO Eng. Florestal CENIBRA RAFAEL SIMÕES TOMAZ Doutorando em Genética e Melhoramento
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 maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisProjeto da Disciplina
Projeto da Disciplina Germano C. Vasconcelos Centro de Informática - UFPE Germano C.Vasconcelos 1 Objetivo Realizar um estudo experimental sobre a aplicação de modelos de redes neurais em um problema do
Leia maisDisciplina: Genética Geral (LGN 0218) 10ª semana
Disciplina: Genética Geral (LGN 0218) 10ª semana Material Didático do Departamento de Genética - ESALQ/USP Professora Maria Lucia Carneiro Vieira Estágios didáticos: Zirlane Portugal
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 mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
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 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
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisPerceptron de Múltiplas Camadas e Backpropagation
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Perceptron de Múltiplas Camadas e Backpropagation Redes Neurais Artificiais Site: http://jeiks.net
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 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 maisLGN 313 Melhoramento Genético
Departamento de Genética LGN 313 Melhoramento Genético Tema 8 Caracteres, herdabilidade e ganho genético Prof. Natal Vello natal.vello@usp.br Heranças Oligogênica e Poligênica Descontínua Caracteres Qualitativos
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisHerança multifatorial
Herança multifatorial Quanto maior o número de genes, mais contínua é a variação fenotípica CURVA NORMAL Características com Limiar Estatísticas da Genética Quantitativa Descrições estatísticas do fenótipo
Leia maisA UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE RADIAÇÃO SOLAR GLOBAL
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisGenética Quantitativa. Genética de características com herança complexa
Genética Quantitativa Genética de características com herança complexa DIFERENÇAS ENTRE CARÁTER QUANTITATIVO 1 E QUALITATIVO 2 1 herança poligênica 1 estudadas em nível de população; descritas através
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 PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisμ = σ 2 g = 50.1 ApoE e colesterol em uma população canadense ε ε ε Genóti po Freq. H-W
ApoE e colesterol em uma população canadense μ= 174.6 σ 2 p = 732.5 Freqüência relativa 2/3 Genóti po P 173.8 161.4 183.5 136.0 178.1 180.3 Colesterol total no soro (mg/dl) Passo 1: Calcular o fenótipo
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisNOÇÕES DE GENÉTICA QUANTITATIVA
NOÇÕES DE GENÉTICA QUANTITATIVA 5 INTRODUÇÃO As características genéticas a serem melhoradas em uma espécie agrícola, podem ser de dois tipos: caracteres qualitativos ou caracteres quantitativos. Os caracteres
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
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 maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
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 maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
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 maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Multi-Layer Perceptrons (Back Propagation Radial Basis Functions (RBFs Competitive Learning Hopfield Formas de Aprendizado
Leia maisSELEÇÃO DE CLONES DE MANDIOCA (Manihot esculenta Crantz) PELO PROCEDIMENTO REML/BLUP
SELEÇÃO DE CLONES DE MANDIOCA (Manihot esculenta Crantz) PELO PROCEDIMENTO REML/BLUP Alexsander Luís Moreto 1, Luiz Augusto Martins Peruch 1, Érica Frazão Pereira 1, Milton Zanela 2 1 Pesquisador (a) da
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Formas de Aprendizado Existe
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisAplicações da RMC. Avaliação de Algoritmos. Tratamento nos dados 27/8/2010. Roseli A F Romero SCC 5809 REDES NEURAIS
SCC 5809 REDES NEURAIS Profa. ROSELI ROMERO Aplicações da RMC Reconhecimento de Imagens: FACES/GESTOS Reconhecimento de Voz Transformação de Texto em Voz Previsão de Bolsa de Valores Análise de Dados Financeiros
Leia maisTópicos Especiais: Inteligência Artificial. Deep Learning
Tópicos Especiais: Inteligência Artificial Deep Learning Bibliografia Inteligência Artificial Russell & Norvig Site: http://aima.cs.berkeley.edu Inteligência Artificial, Ben Coppin. Online Course: Zero
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 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 maisComparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Modelos Neurais Aplicados a Resistência de Fornos de
Leia maisIntrodução ao deep learning e suas aplicações em genética e melhoramento
Introdução ao deep learning e suas aplicações em genética e melhoramento Fabyano Fonseca e Silva Prof. Universidade Federal de Viçosa DZO - Melhoramento Genético Viçosa-MG, 08/06/2018 OUTLINE 1) Motivação
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia maisHERANÇA QUANTITATIVA. Quanto da variância fenotípica observada é genética e quanto é ambiental?
Quanto da variância fenotípica observada é genética e quanto é ambiental? Genótipos idênticos = fatores ambientais Ambiente Constante = variações genotípicas Genótipos idênticos = fatores ambientais Ambiente
Leia maisQuantitativos + Qualitativos 17/03/2016. Variabilidade Genética Como surgem as variações genéticas? Mutações! Controle Genética e Herdabilidade
17/03/016 UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE GENÉTICA LGN0313 Melhoramento Genético Controle Genética e Herdabilidade Prof. Fernando Angelo Piotto
Leia maisBases genéticas dos caracteres quantitativos e qualitativos e componentes de variação fenotípica
Universidade Federal de Rondônia Curso de Eng. Florestal Melhoramento genético Florestal Bases genéticas dos caracteres quantitativos e qualitativos e componentes de variação fenotípica Emanuel Maia www.lahorta.acagea.net
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis
Leia maisUso de redes neurais na predição da evapotranspiração da Gerbera jamesonii cultivada em ambiente protegido
Uso de redes neurais na predição da evapotranspiração da Gerbera jamesonii cultivada em ambiente protegido Cristiane Guiselini 1, Paulo C. Sentelhas 2, Heliton Pandorfi 3, Valeria C. Rodrigues 4, Rafael
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia maisXXIX CONGRESSO NACIONAL DE MILHO E SORGO - Águas de Lindóia - 26 a 30 de Agosto de 2012
XXIX CONGRESSO NACIONAL DE MILHO E SORGO - Águas de Lindóia - 26 a 30 de Agosto de 2012 Controle genético do desempenho de híbridos de milho utilizando pedigrees complexos Renzo Garcia Von Pinho 1 e Marcio
Leia maisVariação ambiental Poligenes
Fenótipo é qualquer característica mensurável. Genótipos Mendelianos são sempre discretos, mas fenótipos podem ser discretos ou contínuos. Ronald A. Fisher Encerrou toda oposição séria ao Mendelismo, e
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia mais4 Desenvolvimento dos Modelo
68 4 Desenvolvimento dos Modelo Neste capítulo são desenvolvidos três modelos para previsão da velocidade do vento, a saber: modelo estatístico que combina a metodologia do modelo Box&Jenkins com a regressão
Leia maisSNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GPL 3 4 a 7 Outubro de 27 Rio de Janeiro - RJ GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL PREVISÃO DECENAL
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisTACG GWAS utilizando Random Forest: estudo de caso em bovinos de corte
TACG GWAS utilizando Random Forest: estudo de caso em bovinos de corte Roberto H. Higa Juiz de Fora, 2 a 6 de setembro de 2013 Sumário» Introdução» Random Forest» Estudo com dados simulados» Estudo de
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisInteligência Computacional
Inteligência Computacional CP78D Redes Neurais Aula 7 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 7º Período 1/24 Plano de Aula Perceptron
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas II Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de
Leia maisAplicação de métodos estatísticos para a solução de problemas biológicos
BIOMETRIA -Conceito -Dados históricos : evolução / perspectivas - Importância -Aplicações em Genética e - melhoramento de plantas -Nivelamento conceitual básico e da notação João Batista Duarte Universidade
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado
PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma
Leia mais