Aprendizado Bayesiano. Disciplina: Agentes Adaptativos e Cognitivos
|
|
- Sofia Fraga Lacerda
- 8 Há anos
- Visualizações:
Transcrição
1 Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos
2 Conhecimento com Incerteza Exemplo: sistema de diagnóstico odontológico Regra de diagnóstico " p sintoma (p,dor de dente) doença (p,cárie) A doença (causa do sintoma) pode ser outra. Regra causal " p doença (p,cárie) sintoma (p,dor de dente) Há circunstâncias em que a doença não provoca o sintoma. A conexão entre antecedente e conseqüente não é uma implicação lógica em nenhuma direção
3 Conhecimento com Incerteza Falha no domínio de diagnóstico médico devido a: preguiça : existem causas ou conseqüências demais a considerar ignorância teórica e prática: não existe uma teoria completa para o domínio, nem podemos fazer todos os testes necessários para o diagnóstico perfeito. Nestes casos, o conhecimento pode apenas prover um grau de crença nas sentenças relevantes. P(Cárie/Dor de Dente) = 0.6
4 Aprendizagem Bayesiana Fornece probabilidades para suas respostas Permite combinar facilmente conhecimento a priori com dados de treinamento Métodos práticos e bem sucedidos para aprendizagem Aprendizagem Bayesiana Ingênua Aprendizagem de Redes Bayesianas
5 Teoria da Probabilidade Associa às sentenças um grau de crença numérico entre 0 e 1 Contudo, cada sentença ou é verdadeira ou é falsa Grau de crença (probabilidade): a priori (incondicional): calculado antes do agente receber percepções Ex. P(cárie= true) = P(cárie) = 0.5 condicional: calculado de acordo com as evidências disponíveis (permite a inferência) evidências: percepções que o agente recebeu até agora Ex: P(cárie dor de dente)= 0.8 P(cárie ~dor de dente)= 0.3
6 Probabilidade condicional Regra do produto: P(A B) = P(A^B), quando P(B) > 0. P(B) Regra de Bayes P(A/B) = P(B/A)P(A) P(B)
7 Aplicação da Regra de Bayes: Diagnóstico Médico Sea M=doença meningite S= rigidez no pescoço Um Doutor sabe: P(S/M)=0.5 P(M)=1/50000 P(S)=1/20 P(M/S)=P(S/M)P(M) P(S) =0,5*(1/50000)=0,002 1/20 A probabilidade de uma pessoa ter meningite dado que ela está com rigidez no pescoço é 0,02% ou ainda 1 em 5000.
8 Classificador Bayesiano Ingênuo Suponha uma função de classificação f: X V, onde cada instância x é descrita pelos atributos {a 1,, a n } O valor mais provável de f(x) é ) ( ) /,, ( argmax ),, ( ) ( ) /,, ( argmax ),, / ( argmax n 1 V v n 1 n 1 V v n 1 V v MAP v P v a a P a a P v P v a a P a a v P v
9 Classificador Bayesiano Ingênuo v MAP arg max P ( a v V 1,, a n / v ) P ( v ) Calcular P(v ) a partir dos dados de treinamento é fácil, o problema é calcular a probabilidade P(a 1,..., a n v ) Suposição Bayesiana Ingênua: ou sea, as variáves a 1,..., a n são independentes P ( a 1,, a n / v ) P( ai / v ) i Classificador Bayesiano Ingênuo (NB): v NB argmax v V P( v ) i P( a i / v )
10 Classificador Bayesiano Ingênuo Estimativa das Probabilidades P(v ) e P(a i /v ) através das freqüências relativas P (v ) e P (a i /v ) Para cada v P (v ) estimativa de P(v ) Para cada valor a i de cada atributo a P (a i /v ) estimativa de P(a i /v ) Classificador de novas instancias(x) v argmax P'( v ) P'( a / v ) NB v V a x i i
11 Classificador Bayesiano Ingênuo: Exemplo Dia Tempo Temp. Humid. Vento Jogar D1 Sol Quente Alta Fraco Não D2 Sol Quente Alta Forte Não D3 Coberto Quente Alta Fraco Sim D4 Chuva Normal Alta Fraco Sim D5 Chuva Frio Normal Fraco Não D6 Chuva Frio Normal Forte Não D7 Coberto Frio Normal Forte Sim D8 Sol Normal Alta Fraco Não D9 Sol Frio Normal Fraco Sim D10 Chuva Normal Normal Fraco Sim D11 Sol Frio Alta Forte? P(Sim) = 5/10 = 0.5 P(Não) = 5/10 = 0.5 P(Sol/Sim) = 1/5 = 0.2 P(Sol/Não) = 3/5 = 0.6 P(Frio/Sim) = 2/5 = 0.4 P(Frio/Não) = 2/5 = 0.4 P(Alta/Sim) = 2/5 = 0.4 P(Alta/Não) = 3/5 = 0.6 P(Forte/Sim) = 1/5 = 0.2 P(Forte/Não) = 2/5 = 0.4 P(Sim)P(Sol/Sim) P(Frio/Sim) P(Alta/Sim) P(Forte/Sim) = = P(Não)P(Sol/Não)P(Frio/Não) P(Alta/Não) P(Forte/Não) = = Jogar_Tenis (D11) = Não
12 Algoritmo Bayesiano Ingênuo: Dificuldades Suposição de independência condicional quase sempre violada, mas funciona surpreendentemente bem P ( a 1,, a n / v ) P( ai / v ) i O que acontece se nenhuma das instancias classificadas como v tiver o valor a i? P'(a i / v ) 0 P'(v ) i P'(a i / v ) 0
13 Algoritmo Bayesiano Ingênuo: Dificuldades Solução típica P'(a i / v ) n c m p n m n é o número de exemplos para os quais v = v n c número de exemplos para os quais v = v e a = a i p é a estimativa à priori para P (a i /v ) m é o peso dado à priori (número de exemplos virtuais )
14 Exemplo: Classificação de Documentos Classificar documentos em duas classes v = { interesse, nãointeresse} Variáveis a 1,..., a n são palavras de um vocabulário e P (a i /v ) é a freqüência com que a palavra a i aparece entre os documentos da classe v P (v ) = número de documentos da classe v número total de documentos
15 Exemplo: Classificação de Documentos P (a i /v ) = n i + 1 n + Vocabulário onde n é o número total de palavras nos documentos da classe v e n i é o número de ocorrências da palavra a i nos documentos da classe v. Usa-se m = Vocabulário e p = 1/ Vocabulário (assumindo que cada palavra tem a mesmo probabilidade de ocorrência)
16 Exemplo: Classificação de Documentos Classificação Final: v argmax P'( v ) P'( a / v ) NB v V a x i i Observação: nem sempre a ocorrência de uma palavra independe das outras palavras. Exemplo: Inteligência e Artificial.
17 Redes Bayesianas Representa 3 tipos de conhecimento do domínio: Relações de independência entre atributos (ou variáveis) Probabilidades a priori de alguns atributos Probabilidades condicionais entre atributos dependentes Permite calcular eficientemente: Probabilidades a posteriori de qualquer atributo (inferência) Conhecimento representado: Na estrutura da rede e nas distribuições de probabilidade das variáveis
18 Estrutura das Redes Bayesianas Uma Rede Bayesiana é um grafo acíclico onde: Cada nó da rede representa uma variável Um conunto de ligações ou arcos dirigidos conectam pares de nós Cada nó recebe arcos dos nós que tem influência direta sobre ele (nós pais). Cada nó possui uma tabela de probabilidade condicional que quantifica os efeitos que os pais têm sobre ele
19 Redes Bayesianas Tempestade Ônibus de Turismo Raio Fogo no Acampamento Trovão Fogo na floresta Distribuição de Probabilidade: P(FA/T,O) T,O T,O T, O T, O FA FA Fogo no Acampamento
20 Redes Bayesianas Representa a distribuição de probabilidade conunta entre todas as variáveis: P(y 1^...^y n ) Exemplo: P(Tempestade,, Fogo na Floresta)? Exemplo: P(Classe=C1 ^ Atrib1=10 ^ Atrib2=Yes)? Cálculo da probabilidade conunta: n P(y1,, yn ) P(yi / Predecessores(Y i)) i1 Onde Predecessores(Y i ) significa predecessores imediatos de Y i no grafo
21 Distribuição de Probabilidade Conunta Seam Y 1, Y 2,...Y n um conunto de variáveis. Evento atômico: uma especificação completa dos estados do domínio Y 1 = y 1,Y 2 = y 2,...,Y n = y n A distribuição de probabilidade conunta, P(Y 1,Y 2,...,Y n ), atribui probabilidades a todos os possíveis eventos atômicos
22 Exemplo: Probabilidade Conunta dor de dente dor de dente cárie cárie P(cárie ^ dor de dente)=? P(cárie)=? P(dor de dente)=? P(cárie/dor de dente)=?
23 Teorema da Multiplicação de Probabilidades P(y 1^...y n ) = P(y n / y 1^...y n-1 )... P(y 1^...y n-1 ) P(y 1^...y n ) = P(y n / y 1^...y n-1 )... P(y 2 / y 1 ) P(y 1 ) Esse resultado permite calcular a probabilidade de ocorrência simultânea de vários eventos a partir das probabilidades condicionais.
24 Independência Condicional Independência: P(A B) = P(A) Exemplo: A = dor de dente e B=úlcera Úlcera não causa dor de dente Independência condicional X e Y são independentes dado Z => P(X Y,Z) = P(X Z) Se o obetivo é saber a probabilidade de X então tanto faz o valor de Y se você á sabe o valor de Z Exemplo: Trovão é condicionalmente independente de Chuva, dado Relâmpago P(Trovão/ Chuva, Relâmpago) = P(Trovão/ Relâmpago)
25 Redes Bayesianas: Cálculo da Probabilidade Conunta Redes Bayesianas levam em consideração a Independência Condicional entre subconuntos de variáveis P(y 1^...y n ) = P(y n / y 1^...y n-1 )... P(y 2 / y 1 ) P(y 1 ) P(y n / Predecessores(Y n )) P(y 2 / Predecessores(Y 2 ) n P(y1,, yn ) P(yi / Predecessores(Y i)) i1
26 Exemplo Alarme (AIMA) P(R) 0,001 Roubo Terremoto P(T) 0,002 Alarme R T P(A) T T 0,95 T F 0,94 F T 0,29 F F 0,001 A P(J) T 0,90 F 0,05 JohnCalls MaryCalls A P(M) T 0,70 F 0,01
27 Exemplo Alarme (AIMA) Calcular a probabilidade do evento que o alarme toca mas não houve assalto nem terremoto e que João e Maria telefonaram. P(J M A ~R ~T) = P(J A) P(M A) P(A ~R ~T )P(~R)P(~T) = 0.9 x 0.7 x x x = ou %
28 Construção de Redes Bayesianas 1. Escolher um conunto de variáveis relevantes que descrevam o domínio 2. Ordem de inclusão dos nós na rede (a). causas como raízes da rede (b). variáveis que elas influenciam (c). folhas, que não influenciam diretamente nenhuma outra variável. 3. Enquanto houver variáveis a representar: (a). escolher uma variável X i e adicionar um nó para ela na rede (b). estabelecer Pais(X i ) dentre os nós que á estão na rede, satisfazendo a propriedade de dependência condicional (c). definir a tabela de probabilidade condicional para X i
29 Exemplo Alarme (AIMA) Ordem: R T A J M P(R) 0,001 Roubo Terremoto P(T) 0,002 Alarme R T P(A) T T 0,95 T F 0,94 F T 0,29 F F 0,001 A P(J) T 0,90 F 0,05 JohnCalls MaryCalls A P(M) T 0,70 F 0,01
30 Exemplo de Rede Bayesiana Não Puramente Causal Vamos usar o exemplo do alarme com a seguinte ordem de inserção dos nós: MaryCalls, JohnCalls, Alarme, Roubo e Terremoto. MaryCalls JohnCalls Alarme Roubo Terremoto
31 Exemplo de Rede Bayesiana Não Puramente Causal Problemas: A figura possui duas conexões a mais ulgamento não natural e difícil das probabilidades Tendo uma rede puramente causal, teríamos um número menor de conexões
32 Exercício: Construa uma rede para o problema abaixo Eu quero prever se minha esposa está em casa antes de eu abrir a porta. Eu sei que minha esposa liga a luz quando chega em casa mas às vezes ela também liga ao sair (se ela for retornar com alguma visita). Quando não tem ninguém em casa, ela solta o cachorro no quintal mas às vezes ela solta o cachorro quando ele está molhado. Quando o cachorro está solto, consigo ouvir o seu latido da rua mas as vezes o confundo com o cachorro da vizinha.
33 Aprendizagem de Redes Bayesianas Variantes da tarefa de aprendizagem A estrutura da rede pode ser conhecida ou desconhecida O conunto de treinamento pode fornecer valores para todas as variáveis da rede ou para somente algumas Se a estrutura é conhecida e todas as variáveis observadas Então é tão fácil como treinar um classificador Bayesiano ingênuo
34 Aprendizagem de Redes Bayesianas Suponha a estrutura conhecida e variáveis parcialmente observáveis Exemplo: Observa-se fogo na Floresta, Tempestade, Ônibus de turismo, mas não Raio, Fogo no Acampamento Aprende-se a tabela de probabilidades condicionais de cada nó usando o algoritmo do gradiente ascendente O sistema converge para a rede h que maximiza localmente ln (P(D/h))
35 Exemplo Tempestade Ônibus de Turismo Raio Fogo no Acampamento Trovão Fogo na floresta Distribuição de Probabilidade: P(FA/T,O) T,O T,O T, O T, O FA???? FA???? Fogo no Acampamento
36 Gradiente Ascendente para Redes Bayesianas Sea w ik uma entrada na tabela de probabilidade condicional para a variável Y i na rede w ik = P(Y i = y i /Predecessores(Y i ) = lista u ik de valores) Exemplo, se Y i = Fogo no Acampamento, então u ik pode ser {Tempestade = T, Ônibus de Turismo = O} Aplicar o gradiente ascendente repetidamente Atualizar todos os w ik usando os dados de treinamento D w ik w dd Normalizar os w ik para assegurar ik w ik 1 e 0 w ik 1 P h ( y i, u w ik ik / d)
37 Aprendizagem da Estrutura de Redes Bayesianas Métodos baseados em Busca e Pontuação Busca no espaço de estruturas Cálculo das tabelas de probabilidade para cada estrutura Definição da medida de avaliação (Pontuação) Ex.: Minimum Descrition Length (MDL) Operadores de busca (adição, remoção ou reversão de arcos da rede) Processo de busca prossegue enquanto a pontuação de uma rede for significativamente melhor que a anterior Ex: K2(Cooper e Herskovits, 1992)
38 Aprendizagem da Estrutura de Redes Bayesianas Métodos baseados em análise de dependência Arcos são adicionados ou removidos dependendo de um teste de independência condicional entre os nós Teste de independência pode ser feito entre pares de nós ou com um conuntos maior de variáveis condicionais Ex: CDL(Chen, Bell e Liu 1997)
39 Aprendizagem da Estrutura de Redes Bayesianas Métodos baseados em Busca e Pontuação Vantagem: Menor complexidade no tempo Desvantagem: Não garante encontrar melhor solução Métodos baseados em análise de dependência Vantagem: Sob certas condições, encontra a melhor solução Desvantagem: Teste de independência com uma quantidade muito grande de variáveis pode se tornar inviável
40 Aplicações de Redes Bayesianas PATHFINDER: diagnóstico de doenças que atacam os nodos linfáticos. (Russel&Norvig 1995) PAINULIM: diagnóstico de doenças neuromusculares: esearch.html Tutores inteligentes:
41 Aplicações de Redes Bayesianas Mais aplicações: Análise de proteínas Modelagem de Agentes Inteligentes Detecção de fraudes na indústria Robótica
42 Conclusões Possibilidade de trabalhar com domínios onde não há informação suficiente Raciocínio probabilístico trata o grau de incerteza associado à maioria dos domínios. Combina conhecimento a priori com dados observados O impacto do conhecimento a priori (quando correto) é a redução da amostra de dados necessários
43 Bibliografia Russel, S, & Norvig, P. (1995). Artificial Intelligence: a Modern Approach (AIMA) Prentice-Hall. Pages , Mitchell, T. & (1997): Machine Learning, McGraw- Hill. Cap.6 Fayyad et al. (1996): Advances in knowledge discovery and data mining, AAAI Press/MIT Press. Cap.11 Pearl, J. (1988) Probabilistic Reasoning in Inteligent Systems
Inteligência Artificial
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Parte II) Prof.
Leia maisRaciocínio Probabilístico. Inteligência Artificial. Redes Bayesianas. Exemplo. Exemplo. Exemplo. Capítulo 14 Russell & Norvig Seções 14.1 a 14.
Inteligência Artificial Raciocínio Probabilístico Aula 13 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Capítulo 14 Russell & Norvig Seções 14.1 a 14.2 Redes Bayesianas Estrutura de dados para
Leia maisConhecimento Incerto Redes de Crença
Conhecimento Incerto Redes de Crença Profa. Josiane M. P. Ferreira Texto base: David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach cap 10. Stuart Russel e Peter Norving
Leia maisLista de Exercícios Tratamento de Incerteza baseado em Probabilidade
Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade 1) Explique o termo probabilidade subjetiva no contexto de um agente que raciocina sobre incerteza baseando em probabilidade. 2) Explique
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 23 Redes Bayesianas Vantagens e Desvantagens da Probabilidade Possui uma boa fundamentação formal. Permite encontrar
Leia maisConsiderações sobre Conhecimento Incerto e Redes Bayesianas
Considerações sobre Conhecimento Incerto e Redes Bayesianas Felipe S. Gurgel 1, Maiquel de Brito 1 1 Universidade Federal de Santa Catarina - UFSC Departamento de Automação e Sistemas - DAS UFSC/CTC/DAS
Leia maisEventos independentes
Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos
Leia maisREDES BAYESIANAS. karila@outlook.com
REDES BAYESIANAS Karila Palma Silva Programa de Pós-Graduação em Engenharia de Automação e Sistemas (PPGEAS) Universidade Federal de Santa Catarina (UFSC) Florianópolis SC Brasil karila@outlook.com Abstract
Leia maisDepartamento de Informática. Análise de Decisão. Métodos Quantitativos LEI 2006/2007. Susana Nascimento snt@di.fct.unl.pt.
Departamento de Informática Análise de Decisão Métodos Quantitativos LEI 26/27 Susana Nascimento snt@di.fct.unl.pt Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento (snt@di.fct.unl.pt)
Leia maisSistemas Inteligentes. Aula: Agentes Inteligentes Flávia Barros & Patricia Tedesco
Sistemas Inteligentes Aula: Agentes Inteligentes Flávia Barros & Patricia Tedesco 1 Ao final desta aula a gente deve... Entender o que é um Agente Racional (inteligente)? Distinguir entre os vários tipos
Leia maisPROBABILIDADE Prof. Adriano Mendonça Souza, Dr.
PROBABILIDADE Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - O intelecto faz pouco na estrada que leva à descoberta, acontece um salto na consciência, chameo de
Leia maisCapítulo 4 Gerenciamento de Memória
Capítulo 4 Gerenciamento de Memória 4.1 Gerenciamento básico de memória 4.2 Troca de processos 4.3 Memória virtual 4.4 Algoritmos de substituição de páginas 4.5 Modelagem de algoritmos de substituição
Leia maisArtificial Intelligence, 14-15 1
Artificial Intelligence, 14-15 1 Cap. 14: Incerteza Falta de informação suficiente. Conhecimento não completo ou não correto. Planos condicionais podem lidar com incerteza de forma limitada. Ex: Plano
Leia maisSistemas de Tempo Real: Conceitos Básicos
Escola de Computação 2000 - IME-USP Sistemas de Tempo Real: Conceitos Básicos Jean-Marie Farines Joni da Silva Fraga Rômulo Silva de Oliveira LCMI - Laboratório de Controle e Microinformática DAS - Departamento
Leia maisO Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados
SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento
Leia maisAprendizagem 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 maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisRedes Bayesianas. André Ricardo Gonçalves. andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric
Redes Bayesianas André Ricardo Gonçalves andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Sumário 1 Redes Bayesianas p. 3 1.1 Cálculo de Probabilidades........................... p. 3
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo] Abordagem Estocástica para a Incerteza: Redes Bayesianas Usando a teoria das probabilidades, podemos determinar, frequentemente
Leia maisMLP (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 maisREDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial.
REDES BAYESIANAS Gabriel Rigo da Cruz Jacobsen gabrielrigoj@gmail.com Prof. Leonardo Sommariva, Estrutura de Dados RESUMO: Uma rede bayesiana é uma forma de representar o conhecimento de um domínio onde
Leia maisInteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF
Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Estratégias de busca auxiliadas por heurísticas (A*, BRPM)
Leia maisRedes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. Inteligência Artificial Profa.: Inês Dutra Roberto Ligeiro
Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. Inteligência Artificial Profa.: Inês Dutra Roberto Ligeiro Resumo Introdução. Raciocinando sobre incertezas. Cálculo de
Leia maisGuia de utilização da notação BPMN
1 Guia de utilização da notação BPMN Agosto 2011 2 Sumário de Informações do Documento Documento: Guia_de_utilização_da_notação_BPMN.odt Número de páginas: 31 Versão Data Mudanças Autor 1.0 15/09/11 Criação
Leia maisAlgoritmos Indutores de Árvores de
Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Sistemas Inteligentes Análise e Desenvolvimento de Sistemas Faculdades de Tecnologia Bandeirantes Abril de 2013 Problema: Diagnóstico para uso
Leia mais7 - Análise de redes Pesquisa Operacional CAPÍTULO 7 ANÁLISE DE REDES. 4 c. Figura 7.1 - Exemplo de um grafo linear.
CAPÍTULO 7 7 ANÁLISE DE REDES 7.1 Conceitos Básicos em Teoria dos Grafos Diversos problemas de programação linear, inclusive os problemas de transporte, podem ser modelados como problemas de fluxo de redes.
Leia maisLógica Proposicional
Lógica Proposicional Prof. Dr. Silvio do Lago Pereira slago@ime.usp.br 1 Introdução A lógica proposicional é um formalismo matemático através do qual podemos abstrair a estrutura de um argumento, eliminado
Leia mais6. Programação Inteira
Pesquisa Operacional II 6. Programação Inteira Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção Programação Inteira São problemas de programação matemática em que a função objetivo, bem
Leia maisProbabilidade e Estatística I Antonio Roque Aula 11 Probabilidade Elementar: Novos Conceitos
Probabilidade Elementar: Novos Conceitos Vamos começar com algumas definições: Experimento: Qualquer processo ou ação bem definida que tenha um conjunto de resultados possíveis 1) Lançamento de um dado;
Leia maisSolução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com
Solução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com Python e AI (Re)-introdução ao Python. Problemas de busca e principais abordagens. Exemplos em Python Por que
Leia maisEngenharia de Software II
Engenharia de Software II Aula 28 Revisão para a Prova 2 http://www.ic.uff.br/~bianca/engsoft2/ Aula 28-28/07/2006 1 Matéria para a Prova 2 Gestão de projetos de software Conceitos (Cap. 21) Métricas (Cap.
Leia maisDOUGLAS JOSÉ RAMALHO ARAUJO MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE CLIENTES EM SHOPPINGS CENTERS
DOUGLAS JOSÉ RAMALHO ARAUJO MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE CLIENTES EM SHOPPINGS CENTERS Palmas - TO 2015 DOUGLAS JOSÉ RAMALHO ARAUJO MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE CLIENTES EM SHOPPINGS
Leia mais3 Estratégia para o enriquecimento de informações
34 3 Estratégia para o enriquecimento de informações Podemos resumir o processo de enriquecimento de informações em duas grandes etapas, a saber, busca e incorporação de dados, como ilustrado na Figura
Leia maisAula 1: Introdução à Probabilidade
Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo
Leia maisPESQUISA OPERACIONAL -OTIMIZAÇÃO COMBINATÓRIA PROBLEMAS DE OTIMIZAÇÃO EM REDES. Prof. Angelo Augusto Frozza, M.Sc.
PESQUISA OPERACIONAL -OTIMIZAÇÃO COMBINATÓRIA PROBLEMAS DE OTIMIZAÇÃO EM REDES Prof. Angelo Augusto Frozza, M.Sc. ROTEIRO Esta aula tem por base o Capítulo 6 do livro de Taha (2008): Otimização em Redes
Leia maisFigura 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 maisEspaço Amostral ( ): conjunto de todos os
PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,
Leia maisExperimentos Aleatórios e Espaços Amostrais
Experimentos Aleatórios e Espaços Amostrais Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Primeiro Semestre, 2012 C.T.Cristino (DEINFO-UFRPE) Experimentos Aleatórios
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL 1 Ramo da computação que procura permitir uma máquina simular comportamento inteligente, através de algoritmos e técnicas que simulem situações consideradas específicamente humanas,
Leia maisAgentes Inteligentes. Inteligência Artificial. Exemplos. Agentes Inteligentes. Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com
Agentes Inteligentes Inteligência Artificial Um agente é algo capaz de perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por meio de atuadores. Agente Prof. Ms. Luiz Alberto Contato:
Leia maisRedes 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 maisAvaliação de Desempenho de Sistemas
Avaliação de Desempenho de Sistemas Introdução a Avaliação de Desempenho de Sistemas Prof. Othon M. N. Batista othonb@yahoo.com Roteiro Definição de Sistema Exemplo de Sistema: Agência Bancária Questões
Leia maisNORMA BRASILEIRA DE CONTABILIDADE NBC TSC 4410, DE 30 DE AGOSTO DE 2013
NORMA BRASILEIRA DE CONTABILIDADE NBC TSC 4410, DE 30 DE AGOSTO DE 2013 Dispõe sobre trabalho de compilação de informações contábeis. O CONSELHO FEDERAL DE CONTABILIDADE, no exercício de suas atribuições
Leia maisCONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos
INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade
Leia maisCOS767 - Modelagem e Análise Aula 2 - Simulação. Algoritmo para simular uma fila Medidas de interesse
COS767 - Modelagem e Análise Aula 2 - Simulação Algoritmo para simular uma fila Medidas de interesse Simulação O que é uma simulação? realização da evolução de um sistema estocástico no tempo Como caracterizar
Leia maisUnidade 11 - Probabilidade. Probabilidade Empírica Probabilidade Teórica
Unidade 11 - Probabilidade Probabilidade Empírica Probabilidade Teórica Probabilidade Empírica Existem probabilidade que são baseadas apenas uma experiência de fatos, sem necessariamente apresentar uma
Leia maisTécnicas de Computação Paralela Capítulo III Design de Algoritmos Paralelos
Técnicas de Computação Paralela Capítulo III Design de Algoritmos Paralelos José Rogado jose.rogado@ulusofona.pt Universidade Lusófona Mestrado Eng.ª Informática e Sistemas de Informação 2013/14 Resumo
Leia maisProgramação Inteira. Fernando Nogueira Programação Inteira 1
Programação Inteira Fernando Nogueira Programação Inteira A Programação Inteira pode ser entendida como uma caso específico da Programação Linear, onde as variáveis devem ser inteiras (ou ao menos, parte
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisLógica Formal. Lógica Proposicional. Lógica Proposicional. Enigma motivador. Visão geral do estudo da Lógica
Enigma motivador Lógica Formal Lógica Proposicional UNIVERSIDADE FEDERAL DE ALAGOAS Lógica, Informática e Comunicação Prof. Rômulo Nunes de Oliveira O Sr. Justino, apesar de trabalhador, não estava indo
Leia maisMotivação. Robert B. Dilts
Motivação Robert B. Dilts A motivação é geralmente definida como a "força, estímulo ou influência" que move uma pessoa ou organismo para agir ou reagir. De acordo com o dicionário Webster, motivação é
Leia maisDo 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 maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência
Leia maisAprendizagem 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 maisAvaliação e Desempenho Aula 4
Avaliação e Desempenho Aula 4 Aulas passadas Motivação para avaliação e desempenho Aula de hoje Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Experimentos Aleatórios
Leia maisAtualizações de Software Guia do Usuário
Atualizações de Software Guia do Usuário Copyright 2009 Hewlett-Packard Development Company, L.P. Windows e Windows Vista são marcas registradas da Microsoft Corporation nos EUA. Aviso sobre o produto
Leia maisProblema de Otimização Combinatória
Problema de Otimização Combinatória Otimização é o processo de encontrar e comparar soluções factíveis até que nenhuma solução melhor possa ser encontrada. Essas soluções são ditas boas ou ruins em termos
Leia mais1 CIRCUITOS COMBINACIONAIS
Curso Técnico em Eletrotécnica Disciplina: Automação Predial e Industrial Professor: Ronimack Trajano 1 CIRCUITOS COMBINACIONAIS Um circuito digital é dito combinacional quando em um dado instante de tempo
Leia maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE ? CARA? OU? COROA? ? Qual será o rendimento da Caderneta de Poupança até o final deste ano??? E qual será a taxa de inflação acumulada em 011???? Quem será o próximo prefeito de
Leia maisExercícios Resolvidos sobre probabilidade total e Teorema de Bayes
Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes Para ampliar sua compreensão sobre probabilidade total e Teorema de Bayes, estude este conjunto de exercícios resolvidos sobre o tema.
Leia maisProva Escrita de Matemática Aplicada às Ciências Sociais
Exame Final Nacional do Ensino Secundário Prova Escrita de Matemática Aplicada às Ciências Sociais 11.º Ano de Escolaridade Decreto-Lei n.º 139/2012, de 5 de julho Prova 835/2.ª Fase 15 Páginas Duração
Leia maisRedes Bayesianas. Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
Redes Bayesianas Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho Introdução Tópicos Especificação e topologia das Redes Bayesianas Semântica Construção Tipos de Inferência Conclusões
Leia maisNome:...N o...turma:... Data: / / ESTUDO DOS GASES E TERMODINÂMICA
Ensino Médio Nome:...N o...turma:... Data: / / Disciplina: Física Dependência Prof. Marcelo Vettori ESTUDO DOS GASES E TERMODINÂMICA I- ESTUDO DOS GASES 1- Teoria Cinética dos Gases: as moléculas constituintes
Leia maisSumário Algoritmos e Estrutura de Dados Repetição
Sumário Algoritmos e Estrutura de Dados Repetição M. Sc. Luiz Alberto lasf.bel@gmail.com Estrutura de Repetição Estrutura de Repetição para...faca Estrutura de Repetição enquanto...faca Estrutura de Repetição
Leia maisILP - Introdução à Linguagem de Programação. Plano de estudo: - Constantes e variáveis. - Atribuindo valores às variáveis.
Plano de estudo: -. - Atribuindo valores às variáveis. - Expressões Na maioria das vezes, precisamos armazenar dados para manipulá-los. Por exemplo, em um escritório de contabilidade, armazenamos os dados
Leia maisCAPÍTULO 3. Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão
CAPÍTULO 3 Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão 3.1 - Multicomponentes Conceitos Básicos: O conceito de multicomponente é utilizado em diversas áreas de
Leia maisBANCO DE DADOS MODELAGEM ER GENERALIZAÇÃO / ESPECIALIZAÇÃO. Prof.: Jean Carlo Mendes carlomendes@yahoo.com.br http://www.jeancarlomendes.com.
BANCO DE DADOS MODELAGEM ER GENERALIZAÇÃO / ESPECIALIZAÇÃO Prof.: Jean Carlo Mendes carlomendes@yahoo.com.br http://www.jeancarlomendes.com.br - Além de relacionamentos e atributos, propriedades podem
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/12/2011 pelo CEPERJ
Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/1/011 pelo CEPERJ 59. O cartão de crédito que João utiliza cobra 10% de juros ao mês,
Leia maisProf. Bruno Holanda - Semana Oĺımpica 2011 - Nível 1. Teoria dos Grafos
Prof. Bruno Holanda - Semana Oĺımpica 0 - Nível Teoria dos Grafos O que é um grafo? Se você nunca ouviu falar nisso antes, esta é certamente uma pergunta que você deve estar se fazendo. Vamos tentar matar
Leia maisDÚVIDAS E PERGUNTAS FREQUENTES - RASTREADOR
DÚVIDAS E PERGUNTAS FREQUENTES - RASTREADOR 1. COMO É FEITA A COMUNICAÇÃO COM O VEÍCULO QUE FOI INSTALADO O RASTREADOR? Resposta: Através de mensagens SMS (torpedos), estas mensagens são formadas por *
Leia maisTÉCNICAS DE PROGRAMAÇÃO
TÉCNICAS DE PROGRAMAÇÃO (Adaptado do texto do prof. Adair Santa Catarina) ALGORITMOS COM QUALIDADE MÁXIMAS DE PROGRAMAÇÃO 1) Algoritmos devem ser feitos para serem lidos por seres humanos: Tenha em mente
Leia maisQUANTIFICADORES. Existem frases declarativas que não há como decidir se são verdadeiras ou falsas. Por exemplo: (a) Ele é um campeão da Fórmula 1.
LIÇÃO 4 QUANTIFICADORES Existem frases declarativas que não há como decidir se são verdadeiras ou falsas. Por exemplo: (a) Ele é um campeão da Fórmula 1. (b) x 2 2x + 1 = 0. (c) x é um país. (d) Ele e
Leia maisProbabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade:
Exame MACS- Probabilidades Probabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade: Nos modelos de probabilidade: há uma primeira fase em que colocamos
Leia maisTÍTULO: COMPARAÇÃO ENTRE OS MÉTODOS DE BUSCA EM ESPAÇOS DE ESTADOS E O ALGORITMO DE DIJKSTRA
TÍTULO: OMPRÇÃO ENTRE OS MÉTODOS DE US EM ESPÇOS DE ESTDOS E O LGORITMO DE DIJKSTR TEGORI: ONLUÍDO ÁRE: IÊNIS EXTS E D TERR SUÁRE: OMPUTÇÃO E INFORMÁTI INSTITUIÇÃO: UNIVERSIDDE DE SORO UTOR(ES): PEDRO
Leia maisTrabalho de Desenvolvimento de Sistemas de Software GereComSaber 2ª Fase
Universidade do Minho Departamento de Informática Desenvolvimento de Sistemas de Software Trabalho de Desenvolvimento de Sistemas de Software GereComSaber 2ª Fase Luana Georgia Lopes Telha nº 49379 Luís
Leia maisPiaget diz que os seres humanos passam por uma série de mudanças previsíveis e ordenadas; Ou seja, geralmente todos os indivíduos vivenciam todos os
Teoria cognitivista Piaget utilizou os princípios conhecidos como o conceito da adaptação biológica para desenvolver esta teoria; Ela diz que o desenvolvimento da inteligência dos indivíduos acontece à
Leia mais01. Considere as seguintes proposições:
01. Considere as seguintes proposições: p: O restaurante está fechado. q: O computador está ligado. A sentença O restaurante não está fechado e o computador não está ligado assume valor lógico verdadeiro
Leia maisA presente seção apresenta e especifica as hipótese que se buscou testar com o experimento. A seção 5 vai detalhar o desenho do experimento.
4 Plano de Análise O desenho do experimento realizado foi elaborado de forma a identificar o quão relevantes para a explicação do fenômeno de overbidding são os fatores mencionados na literatura em questão
Leia maisADMINISTRAÇÃO GERAL MOTIVAÇÃO
ADMINISTRAÇÃO GERAL MOTIVAÇÃO Atualizado em 11/01/2016 MOTIVAÇÃO Estar motivado é visto como uma condição necessária para que um trabalhador entregue um desempenho superior. Naturalmente, como a motivação
Leia maisINFORMATIVO DE PRODUTO
Sensor / Detector de Fumaça Óptico Convencional + Módulo Endereçável Código: AFDFE. (Ideal Para Utilizar em Conjunto com a Central de Alarme de Incêndio AFSLIM). O detector de fumaça código AFDFE é um
Leia maisConceitos básicos da linguagem C
Conceitos básicos da linguagem C 2 Em 1969 Ken Thompson cria o Unix. O C nasceu logo depois, na década de 70. Dennis Ritchie, implementou-o pela primeira vez usando o sistema operacional UNIX criado por
Leia maisÍNDICE INTRODUÇÃO...3
ÍNDICE INTRODUÇÃO...3 1 ACESSO À PLATAFORMA PÁGINA INICIAL...4 1º Passo Endereço da plataforma...4 2º Passo Acessar a plataforma...4 3º Passo Alterar senha...5 4º Passo Continue...6 5º Passo Acessar página
Leia maisProcessos Estocásticos
Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em
Leia maisSimulado Banco de Dados I Bimestre 1 Capítulo 1 Projeto Lógico de Banco de Dados
Simulado Banco de Dados I Bimestre 1 Capítulo 1 Projeto Lógico de Banco de Dados 01) Defina com suas próprias palavras: a) Banco de Dados b) Sistema Gerenciador de Banco de Dados c) Sistema de Banco de
Leia mais9 Comandos condicionais
9 Comandos condicionais Um comando condicional é uma instrução empregada quando se deseja criar um desvio, isto é, a opção de executar-se ou não um determinado trecho de código, segundo uma condição. Em
Leia maisExtração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Leia maisEquipamentos de rede. Repetidores. Repetidores. Prof. Leandro Pykosz Leandro@sulbbs.com.br
1 Equipamentos de rede Prof. Leandro Pykosz Leandro@sulbbs.com.br Repetidores É o dispositivo responsável por ampliar o tamanho máximo do cabeamento de rede; Como o nome sugere, ele repete as informações
Leia maisDistribuição Binomial
Distribuição Binomial Exemplo Na manufatura de certo artigo, é sabido que um entre dez artigos é defeituoso. Qual a probabilidade de que uma amostra casual de tamanho quatro contenha: (a) Nenhum defeituoso?
Leia maisESTEREOSCOPIA INTRODUÇÃO. Conversão de um par de imagens (a)-(b) em um mapa de profundidade (c)
ESTEREOSCOPIA INTRODUÇÃO Visão estereoscópica se refere à habilidade de inferir informações da estrutura 3-D e de distâncias da cena de duas ou mais imagens tomadas de posições diferentes. Conversão de
Leia maisANALISE COMBINATORIA Um pouco de probabilidade
ANALISE COMBINATORIA Um pouco de probabilidade Programa Pró-Ciência Fapesp/IME-USP-setembro de 1999 Antônio L. Pereira -IME USP (s. 234A) tel 818 6214 email:alpereir@ime.usp.br 1 Um carro e dois bodes
Leia maisDois eventos são disjuntos ou mutuamente exclusivos quando não tem elementos em comum. Isto é, A B = Φ
Probabilidade Vimos anteriormente como caracterizar uma massa de dados, como o objetivo de organizar e resumir informações. Agora, apresentamos a teoria matemática que dá base teórica para o desenvolvimento
Leia maisMODELAGEM VISUAL DE OBJETOS COM UML DIAGRAMA DE CLASSES. lucelia.com@gmail.com
MODELAGEM VISUAL DE OBJETOS COM UML DIAGRAMA DE CLASSES lucelia.com@gmail.com Externamente ao sistema, os atores visualizam resultados de cálculos, relatórios produzidos, confirmações de requisições solicitadas,
Leia maisData, Text and Web Mining
Data, Text and Web Mining Fabrício J. Barth TerraForum Consultores Junho de 2010 Objetivo Apresentar a importância do tema, os conceitos relacionados e alguns exemplos de aplicações. Data, Text and Web
Leia maisBem-vindo ao tópico Múltiplas filiais.
Bem-vindo ao tópico Múltiplas filiais. 1 Ao final deste tópico, você estará apto a: Explicar as opções disponibilizadas com o recurso Múltiplas filiais. Definir as configurações necessárias para trabalhar
Leia maisIndependência Regra de Bayes Redes Bayesianas
Independência Regra de Bayes Redes Bayesianas Inferência Probabilística Evidência observada: dor. Qual é a probabilidade de cárie dado que foi observado dor? P cárie dor = P(cárie dor) P(dor = 0,6 Independência
Leia maisAnálise de Risco Valor Monetário Esperado Árvores de Decisão POP II UDESC Prof. Adelmo A. Martins
Evento E1 O1 Decisão D1 E2 O2 E1 O1 D2 Análise de Risco Valor Monetário Esperado E2 O2 Árvores de Decisão POP II UDESC Prof. Adelmo A. Martins Análise de Riscos O risco é um evento ou condição de incerteza
Leia maisUm estudo sobre funções contínuas que não são diferenciáveis em nenhum ponto
Um estudo sobre funções contínuas que não são diferenciáveis em nenhum ponto Maria Angélica Araújo Universidade Federal de Uberlândia - Faculdade de Matemática Graduanda em Matemática - Programa de Educação
Leia mais0,999... OU COMO COLOCAR UM BLOCO QUADRADO EM UM BURACO REDONDO Pablo Emanuel
Nível Intermediário 0,999... OU COMO COLOCAR UM BLOCO QUADRADO EM UM BURACO REDONDO Pablo Emanuel Quando um jovem estudante de matemática começa a estudar os números reais, é difícil não sentir certo desconforto
Leia mais