Aprendizagem de Máquina. Ivan Medeiros Monteiro
|
|
- Célia Peralta Molinari
- 8 Há anos
- Visualizações:
Transcrição
1 Aprendizagem de Máquina Ivan Medeiros Monteiro
2 Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado envolve a generalização a partir da experiência O desempenho deve melhorar não apenas na repetição da mesma tarefa, mas também nas tarefas similares do domínio
3 O desafio do aprendizagem Na maioria dos problemas de aprendizagem, os dados disponíveis não são suficientes para garantir a generalização ótima Por isso, os algoritmos de aprendizagem de máquinas são heurísticas que variam nos seus objetivos, na disponibilidade de dados de treinamento, nas estratégias de aprendizagem e na representação do conhecimento.
4 Problemas de aprendizagem Reconhecimento de assinaturas Classificar mensagens Identificação perfil Sugestão de compra Interação em ambientes desconhecidos Agrupar itens com características semelhantes Decidir corretamente em situação desconhecida.
5 Tipos de aprendizagem Supervisionado O sistema tem feedback sobre suas experiências Com instrutor O sistema é informado sobre seus erros e quais os resultados esperados. Com crítico O sistema apenas recebe crítica de bom ou ruim. Não supervisionado O sistema precisa identificar relações existentes no seu conjunto de experiências
6 Aprendizagem de Modelos Modelos preditos Reconhecimento de assinaturas Classificar mensagens Identificação perfil Modelos associativos Sugestão de compra Modelos descritivos Agrupar itens com características semelhantes Modelos interativos Decidir corretamente em situação desconhecida. Interação em ambientes desconhecidos
7 Modelos Descritivos Em geral, a tarefa de geração de um modelo descritivo consiste em analisar os dados do domínio e sugerir uma partição deste domínio, de acordo com similaridades observadas nos dados Descoberta de particionamentos Modelo de agrupamento dos dados
8 Modelos Descritivos: Agrupamento Agrupar plantas em três grupos distintos com base nas medidas de suas pétalas e sépalas.
9 Modelos Associativos Um modelo associativo é um caso especial de um modelo descritivo A tarefa de geração de um modelo associativo consiste em analisar os dados do domínio e encontrar co-ocorrências de valores de atributos. Um modelo associativo é normalmente representado por um conjunto de regras de associação.
10 Modelos Associativos: Cesta de Compras Consiste em analisar transações de compras de clientes e determinar quais são os itens que frequentemente são comprados juntos.
11 Modelos Preditivos A tarefa de geração de um modelo preditivo consiste em aprender um mapeamento de entrada para a saída. Neste caso, os dados contêm os valores de saída desejados, correspondente para cada amostra Classificação: saídas discretas representam rótulos de classe. Regressão: saídas contínuas representam valores de variáveis dependentes.
12 Modelos Preditivos: Classificação Dado um conjunto de treinamento, com exemplos rotulados das plantas, aprender a classificá-las corretamente com base em suas medidas.
13 Modelos Preditivos: Classificação Reconhecimento de assinaturas A partir de um conjunto de assinaturas de uma pessoa, utilizadas para o treinamento do modelo, identificar se uma nova assinatura pertence a esta pessoa. Classificação de mensagens A partir de um conjunto de mensagens definidas pelo usuário como SPAM, identificar se a nova mensagem é SPAM ou não.
14 Aprendizagem por Reforço Técnica que possibilita a aprendizagem a partir da interação com o ambiente. A interação com o ambiente permite inferir relações de causa e efeito sobre as conseqüências de nossas ações e sobre o que fazer para atingir nossos objetivos. Aprender por reforço significa aprender o que fazer - como realizar o mapeamento de situações em ações (comportamento) - de modo a maximizar um sinal numérico de recompensa.
15 Aprendizagem por Reforço Não se dispõe da informação sobre quais ações devem ser tomadas, mas o ambiente permite uma avaliação crítica das ações realizadas. O sistema de aprendizagem deve descobrir quais ações têm mais chances de produzir recompensa, e realizá-las. Nos casos mais interessantes e difíceis as ações podem afetar não apenas a recompensa imediata mas também a próxima situação e através dela todas as recompensas subseqüentes.
16 Aprendizagem interativa através de agentes Um agente pode ser visto como uma modelagem conceitual que utiliza a forma de interação, através de percepções e ações, na tentativa de alcançar uma solução para o problema. O objeto com o qual o agente interage é chamado de ambiente A interação se dá com o agente selecionando ações e o ambiente respondendo a estas ações apresentando novas situações para o agente.
17 Política de Ações Definição do problema π(s,a) : (S x A ) (S x R) cada instante de tempo t: O agente está no estado s t. Executa um ação a t Que o levar para o estado s t+1 Com isso agente recebe uma recompensa r(s t,a t ) Objetivo: Encontrar a política de ações que maximize o total de recompensas recebidas pelo agente.
18 Função de Utilidade U(s) : S R, sendo: S o conjunto dos estados R o conjunto dos reais, representando o valor da utilidade Normalmente representado como uma tabela que mapeia cada estado em sua utilidade Constrói um modelo de transição de estados
19 Método de Valor das Ações Qπ(s,a) : (S x A) R, onde: S é o conjunto dos estados possíveis. A é o conjunto das ações possíveis R é o conjunto real que representa os valores de recompensa recebidos pelo agente. Pode ser representada como uma tabela com o valor de cada par (estado X ação) Método utilizado pelo algoritmo Q-Learning
20 Algoritmo Q-Learning Inicializar Q(s,a), arbitrário Repetir ( para cada episódio ): Inicializar s Repetir ( para cada passo até o objetivo ): Escolher a ação a com base numa política derivada de Q Realizar a ação a Observar o recompensa r e o novo estado s' V = r + γ max a' Q(s', a') Q(s,a) += α[v Q(s,a)] s s', a a'
21 Desviando de obstáculo (Início) Definição do problema Encontrar a flor com o menor desgaste possível. Estados S = {s1, s2, s3, s4, s5, s6} Ações possíveis A = {Frente, Cima, Baixo} Inicialização Q(s,a) = 0, s, a Ações Recompensa γ = 0.5 α = 0.5
22 Desviando de obstáculo (Época 1) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=0 Q(s4,cima)=0 Ação: frente r = -100 s' s5 V = r + γ max a' Q(s', a') V = * max a' Q(s5, a') V= -100 Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,frente) += 0.5*[-100 0] Q(s4,frente) = - 50
23 Desviando de obstáculo (Época 1) s s5 Ações Escolher ação baseado em Q Q(s5,frente)=0 Q(s5,cima)=0 Ação: frente r = 1 s' s6 V = r + γ max a' Q(s', a') V = * max a' Q(s6, a') V= 1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s5,frente) += 0.5*[1 0] Q(s5,frente) = 0.5
24 Desviando de obstáculo (Época 2) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=-50 Q(s4,cima)=0 Ação: cima r = -1 s' s1 V = r + γ max a' Q(s', a') V = * max a' Q(s1, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,cima) += 0.5*[-1 0] Q(s4,cima) = - 0.5
25 Desviando de obstáculo (Época 2) s s1 Ações Escolher ação baseado em Q Q(s1,frente)=0 Q(s1,baixo)=0 Ação: frente r = -1 s' s2 V = r + γ max a' Q(s', a') V = * max a' Q(s2, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s1,frente) += 0.5*[-1 0] Q(s1,frente) = - 0.5
26 Desviando de obstáculo (Época 2) s s2 Ações Escolher ação baseado em Q Q(s2,frente)=0 Q(s2,baixo)=0 Ação: frente r = -1 s' s3 V = r + γ max a' Q(s', a') V = * max a' Q(s3, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s2,frente) += 0.5*[-1 0] Q(s2,frente) = - 0.5
27 Desviando de obstáculo (Época 2) s s3 Escolher ação baseado em Q Q(s3,baixo)=0 Ação: baixo r = 1 s' s6 V = r + γ max a' Q(s', a') V = * max a' Q(s6, a') V= 1 Q(s,a) += α[v Q(s,a)] Q(s3,baixo) += 0.5*[1 0] Q(s3,baixo) = 0.5 Ações Recompensa
28 Desviando de obstáculo (Época 3) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=-50 Q(s4,cima)=-0.5 Ação: cima r = -1 s' s1 V = r + γ max a' Q(s', a') V = * max a' Q(s1, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,cima) += 0.5*[ ] Q(s4,cima) =
29 Desviando de obstáculo (Época 3) s s1 Ações Escolher ação baseado em Q Q(s1,frente)=-0.5 Q(s1,baixo)=0 Ação: baixo r = -1 s' s4 V = r + γ max a' Q(s', a') V = * max a' Q(s4, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s1,baixo) += 0.5*[-1 0] Q(s1, baixo) = - 0.5
30 Desviando de obstáculo (Época 3) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=-50 Q(s4,cima)=-0.75 Ação: cima r = -1 s' s1 V = r + γ max a' Q(s', a') V = * max a' Q(s1, a') V= Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,cima) += 0.5*[ ] Q(s4,cima) =
31 Desviando de obstáculo (Época 3) s s1 Ações Escolher ação baseado em Q Q(s1,frente)=-0.5 Q(s1,baixo)=-0.5 Ação: frente r = -1 s' s2 V = r + γ max a' Q(s', a') V = * max a' Q(s2, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s1, frente) += 0.5*[ ] Q(s1, frente) =
32 Desviando de obstáculo (Época 3) s s2 Ações Escolher ação baseado em Q Q(s2,frente)=-0.5 Q(s2,baixo)= 0 Ação: baixo r = -100 s' s5 V = r + γ max a' Q(s', a') V = * max a' Q(s5, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s2, baixo) += 0.5*[ ] Q(s2, baixo) = - 50
33 Desviando de obstáculo (Época 3) s s5 Ações Escolher ação baseado em Q Q(s5,frente)=0.5 Q(s5,cima)= 0 Ação: frente r = 1 s' s6 V = r + γ max a' Q(s', a') V = * max a' Q(s6, a') V= 1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s5, frente) += 0.5*[1-0.5] Q(s5, frente) = 0.75
34 Desviando de obstáculo (Época 4) Q(s1, frente) = Ações Q(s1, baixo) = Q(s2, frente) = -0.5 Q(s2, baixo) = - 50 Q(s3,baixo) = 0.5 Q(s4, frente) = - 50 Q(s4, cima) = Recompensa Q(s5, frente) = 0.75 Q(s5,cima)= 0.0
35 Dilema: Aproveitar x Explorar Quando gulosamento aproveitar da estimação atual da função de valor e escolher ação que a maximiza? Quando curiosamente explorar outra ação que pode levar a melhorar estimação atual da função valor? Taxa de exploração = proporção de escolhas curiosas Geralmente se começa com uma taxa de exploração alta que vai decrescendo com o tempo.
36 Maldição da Dimensionalidade O número de estados possíveis cresce exponencialmente com quantidade de características representadas Conseqüentemente o tempo de treinamento e número de exemplos necessários também Q-Learning só pode ser aplicado a problemas relativamente pequenos
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia 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 maisClassificação de Imagens
Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,
Leia maisAprendizagem de Máquina
Introdução Aprendizagem de Máquina Alessandro L. Koerich Introdução Desde que os computadores foram inventados temos nos perguntado: Eles são capazes de aprender? Se pudéssemos programá-los para aprender
Leia maisHierarquia de modelos e Aprendizagem de Máquina
Hierarquia de modelos e Aprendizagem de Máquina Fabrício Jailson Barth BandTec Maio de 2015 Sumário Introdução: hierarquia de modelos e aprendizagem de máquina. O que é Aprendizagem de Máquina? Hierarquia
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 02 Agentes Inteligentes Agentes Inteligentes Um agente é algo capaz de perceber seu ambiente por meio de sensores e de
Leia maisData Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento
Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um
Leia maisSistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado
Sistema Tutor Inteligente baseado em Agentes na Plataforma MOODLE para Apoio às Atividades Pedagógicas da Universidade Aberta do Piauí Prof. Dr. Vinicius Ponte Machado Parnaíba, 14 de Novembro de 2012
Leia mais1. Conceitos de sistemas. Conceitos da Teoria de Sistemas. Conceitos de sistemas extraídos do dicionário Aurélio:
1. Conceitos de sistemas Conceitos da Teoria de Sistemas OPTNER: É um conjunto de objetos com um determinado conjunto de relações entre seus objetos e seus atributos. TILLES: É um conjunto de partes inter-relacionadas.
Leia maisWeb Data mining com R: aprendizagem de máquina
Web Data mining com R: aprendizagem de máquina Fabrício Jailson Barth Faculdade BandTec e VAGAS Tecnologia Junho de 2013 Sumário O que é Aprendizagem de Máquina? Hierarquia de aprendizado. Exemplos de
Leia maisFases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse
Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisTecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler
Tecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler Introdução Objetivos da Gestão dos Custos Processos da Gerência de Custos Planejamento dos recursos Estimativa dos
Leia maiswww.institutosiegen.com.br Aula 1 Entender o conhecimento de cada aluno, suas experiências, visões do curso e desejos.
Aula 1 1. Apresentação da matéria, ementa e objetivos. 2. Dados, Informação e conhecimento; 3. Tipologia da Informação e conceito de Sistemas de Informação. Apresentação da Matéria, ementa e objetivos
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisA coleta de requisitos se refere ao processo de determinar, documentar e gerenciar as necessidades e requisitos das partes interessadas;
Aula 07 1 2 A coleta de requisitos se refere ao processo de determinar, documentar e gerenciar as necessidades e requisitos das partes interessadas; A principal vantagem deste processo é a criação de uma
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 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 mais2 Diagrama de Caso de Uso
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia maisA interpretação gráfica e o ensino de funções
A interpretação gráfica e o ensino de funções Adaptado do artigo de Katia Cristina Stocco Smole Marília Ramos Centurión Maria Ignez de S. Vieira Diniz Vamos discutir um pouco sobre o ensino de funções,
Leia maisInteligência Artificial
Inteligência Artificial Prof. Rafael Stubs Parpinelli DCC / UDESC-Joinville parpinelli@joinville.udesc.br www.joinville.udesc.br/portal/professores/parpinelli www2.joinville.udesc.br/~coca/ Agentes Inteligentes:
Leia maisFundamentos em Teste de Software. Vinicius V. Pessoni viniciuspessoni@gmail.com
Fundamentos em Teste de Software Vinicius V. Pessoni viniciuspessoni@gmail.com Objetivos do treinamento 1. Expor os fundamentos de Teste de Software; 2. Conceituar os Níveis de Teste; 3. Detalhar sobre
Leia maisUnidade III GESTÃO EMPRESARIAL. Prof. Roberto Almeida
Unidade III GESTÃO EMPRESARIAL Prof. Roberto Almeida Esta estratégia compreende o comportamento global e integrado da empresa em relação ao ambiente que a circunda. Para Aquino:Os recursos humanos das
Leia maisSUMÁRIO LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19. 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...
SUMÁRIO Pág. LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19 CAPÍTULO 1 - INTRODUÇÃO... 21 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...25 CAPÍTULO 2 - MODELAGEM ESTOCÁSTICA
Leia mais)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR
6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,
Leia maisIntrodução. Capítulo 1
Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa
Leia maisO olhar do professor das séries iniciais sobre o trabalho com situações problemas em sala de aula
O olhar do professor das séries iniciais sobre o trabalho com situações problemas em sala de aula INTRODUÇÃO Josiane Faxina Universidade Estadual Paulista Júlio de Mesquita Filho Câmpus Bauru e-mail: josi_unesp@hotmail.com
Leia maisENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte III)
ENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte III)! Como calcular o retorno esperado de uma carteira?! O que é um peso em uma carteira?! Como calcular o risco de uma carteira? Autores: Francisco
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisReconhecimento de Padrões
Engenharia Informática (ramos de Gestão e Industrial) Departamento de Sistemas e Informação Reconhecimento de Padrões Projecto Final 2004/2005 Realizado por: Prof. João Ascenso. Departamento de Sistemas
Leia maisLista de verificação (Check list) para planejamento e execução de Projetos
www.tecnologiadeprojetos.com.br Lista de verificação (Check list) para planejamento e execução de Projetos Eduardo F. Barbosa Dácio G. Moura Material didático utilizado na disciplina Desenvolvimento de
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisAnálise de Sistemas. Visão Geral: Orientação a Objetos. Prof. José Honorato Ferreira Nunes honorato.nunes@bonfim.ifbaiano.edu.br
Análise de Sistemas Visão Geral: Orientação a Objetos Prof. José Honorato Ferreira Nunes Prof. José Honorato Ferreira Nunes honorato.nunes@bonfim.ifbaiano.edu.br Resumo: VISÃO GERAL: Modelagem de sistemas
Leia maisCULTURA ORGANIZACIONAL. Prof. Gilberto Shinyashiki FEA-RP USP
CULTURA ORGANIZACIONAL Prof. Gilberto Shinyashiki FEA-RP USP Cultura é uma característica única de qualquer organização Apesar de difícil definição, compreende-la pode ajudar a: Predizer como a organização
Leia maisImóvel Mix SGI. 1. Acesso ao Sistema 2. Aspectos Gerais 3. Configuração da Empresa 4. Cadastro de Usuários
Imóvel Mix SGI Imóvel Mix SGI 1. Acesso ao Sistema 2. Aspectos Gerais 3. Configuração da Empresa 4. Cadastro de Usuários 5. Controle de Acesso 6. Cadastro de Clientes 7. Cadastro de Imóveis 8. Vistoria
Leia maisIA: Busca Competitiva. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA: Busca Competitiva Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução Árvores de Jogos Minimax Antecipação Limitada Poda Alfa-beta Introdução Jogos têm sido continuamente uma importante
Leia maisEngenharia de Software I
Engenharia de Software I Rogério Eduardo Garcia (rogerio@fct.unesp.br) Bacharelado em Ciência da Computação Aula 05 Material preparado por Fernanda Madeiral Delfim Tópicos Aula 5 Contextualização UML Astah
Leia maisEngenharia de Software II
Engenharia de Software II Aula 10 http://www.ic.uff.br/~bianca/engsoft2/ Aula 10-24/05/2006 1 Ementa Processos de desenvolvimento de software Estratégias e técnicas de teste de software (Caps. 13 e 14
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,
Leia maisAnálise de custo projetado da plataforma SAP HANA
Um estudo Total Economic Impact da Forrester Encomendado pela SAP Diretora do projeto: Shaheen Parks Abril de 2014 Análise de custo projetado da plataforma SAP HANA Economia de custo proporcionada pela
Leia maisDiagrama de transição de Estados (DTE)
Diagrama de transição de Estados (DTE) O DTE é uma ferramenta de modelação poderosa para descrever o comportamento do sistema dependente do tempo. A necessidade de uma ferramenta deste tipo surgiu das
Leia maisCICLO DE VIDA DE SISTEMAS DE GESTÃO DE CONHECIMENTO
CICLO DE VIDA DE SISTEMAS DE GESTÃO DE CONHECIMENTO CAPÍTULO 3 DESAFIOS PARA A CONSTRUÇÃO DE SISTEMAS Cultura conseguir com que as pessoas compartilhem conhecimento Avaliação do COnhecimento avaliar/medir
Leia maisQual carreira profissional você quer trilhar?
Qual carreira profissional você quer trilhar? programa de coaching de carreira Trilhas Profissionais Desde pequenos nos perguntam o que você quer ser quando crescer?. O que não nos damos conta é que temos
Leia maisOrientação à Objetos. Aécio Costa
Aécio Costa O paradigma da orientação à objetos Paradigma? Um paradigma é uma forma de abordar um problema. No contexto da modelagem de um sistema de software, um paradigma tem a ver com a forma pela qual
Leia maisElaboração do programa das disciplinas
Elaboração do programa das disciplinas Curso de Atualização Pedagógica Julho de 2010 Mediador: Adelardo Adelino Dantas de Medeiros (DCA/UFRN) Questões fundamentais O que pretendo alcançar? Uma disciplina
Leia maisDesenvolvimento de Sistemas Orientados a Objetos com UML UP/RUP: Projeto
Desenvolvimento de Sistemas Orientados a Objetos com UML UP/RUP: Projeto Engenharia de Software I Informática 2009 Profa. Dra. Itana Gimenes RUP: Artefatos de projeto Modelo de Projeto: Use-Case Realization-projeto
Leia maisFelipe Denis M. de Oliveira. Fonte: Alice e Carlos Rodrigo (Internet)
UML Felipe Denis M. de Oliveira Fonte: Alice e Carlos Rodrigo (Internet) 1 Programação O que é UML? Por quê UML? Benefícios Diagramas Use Case Class State Interaction Sequence Collaboration Activity Physical
Leia maisTCC04040 Inteligência Artificial. Inteligência Artificial
Inteligência Artificial Aula 2 Profª Bianca Zadrozny TCC04040 Inteligência Artificial Página web: http://www.ic.uff.br/~bianca/ia Material: Livro texto: Inteligência Artificial, Russell & Norvig, Editora
Leia maisTestes de Software. Testes de Software. Teste de Validação. Teste de Defeito. Modelo de Entrada e Saída. Modelo de Entrada e Saída
DCC / ICEx / UFMG Testes de Software Testes de Software Eduardo Figueiredo http://www.dcc.ufmg.br/~figueiredo Teste de software buscam por erros ou anomalias em requisitos funcionais e não funcionais Classificação
Leia maisPDCA FERRAMENTA GERENCIAL AMBIENTAL
PDCA FERRAMENTA GERENCIAL AMBIENTAL Importância PDCA Diretriz para a organização; Aproveitamento de novos espaços e layout; Redução e controle de riscos; Gerenciamento dos recursos com maior eficiência,
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia maisAvaliação de Processos Produtivos - APP
Avaliação de Processos Produtivos - APP Aula 13 Os direitos desta obra foram cedidos à Universidade Nove de Julho Este material é parte integrante da disciplina oferecida pela UNINOVE. O acesso às atividades,
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisREDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL
REDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL Luiz Rodrigo Carvalho de Souza (1) RESUMO O alto nível de competitividade exige que as empresas alcancem um nível de excelência na gestão de seus
Leia maisDisciplina: Unidade III: Prof.: E-mail: Período:
Encontro 08 Disciplina: Sistemas de Banco de Dados Unidade III: Modelagem Lógico de Dados Prof.: Mario Filho E-mail: pro@mariofilho.com.br Período: 5º. SIG - ADM Relembrando... Necessidade de Dados Projeto
Leia maisModelo de Planejamento de Projeto orientado pelo Escopo
www.tecnologiadeprojetos.com.br Modelo de Planejamento de Projeto orientado pelo Escopo Extraído do livro Trabalhando com Projetos - Planejamento e Gestão de Projetos Educacionais - Moura, D. G e Barbosa,
Leia maisExtração de Árvores de Decisão com a Ferramenta de Data Mining Weka
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de
Leia maisDESIGN DE INTERFACES E USABILIDADE (AULA 1)
Prof. Breno Leonardo G. de M. Araújo brenod123@gmail.com http://blog.brenoleonardo.com.br DESIGN DE INTERFACES E USABILIDADE (AULA 1) Apresentações Quem sou eu? Breno Leonardo http://blog.brenoleonardo.com.br
Leia maisMATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD)
AULA 07 MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD) JAMES A. O BRIEN MÓDULO 01 Páginas 286 à 294 1 AULA 07 SISTEMAS DE APOIO ÀS DECISÕES 2 Sistemas de Apoio à Decisão (SAD)
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisSERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Leia maisDESIGN DE INTERAÇÃO. José Alexandre Ducatti
DESIGN DE INTERAÇÃO José Alexandre Ducatti DESIGN DE I NTERAÇÃO PERCEPÇÃO DESIGN BOM E MAU DESIGN METAS DE DESIGN DE INTERAÇÃO METAS DE USABILIDADE METAS DECORRENTES DA EXPERIÊNCIA DO USUÁRIO PRINCÍPIOS
Leia maisAGENTES INTELIGENTES. Isac Aguiar isacaguiar.com.br isacaguiar@gmail.com
AGENTES INTELIGENTES Isac Aguiar isacaguiar.com.br isacaguiar@gmail.com Agentes Inteligentes Um agente é tudo o que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre
Leia maisProfissionais de Alta Performance
Profissionais de Alta Performance As transformações pelas quais o mundo passa exigem novos posicionamentos em todas as áreas e em especial na educação. A transferência pura simples de dados ou informações
Leia maisAula 2 Modelagem de Sistemas. Introdução Modelo de Base Lógica de 1ª Ordem. Concorrentes
Aula 2 Modelagem de Sistemas Introdução Modelo de Base Lógica de 1ª Ordem Concorrentes 1 Aula 2 Modelagem de Sistemas Introdução Modelo de Base Lógica de 1ª Ordem Concorrentes 2 Constituição dos Sistemas
Leia maisPLANEJAMENTO E CONTROLE DE VENDAS
PLANEJAMENTO E CONTROLE DE VENDAS PLANO DE VENDAS É o alicerce do planejamento periódico numa empresa, pois praticamente todo o restante do planejamento da empresa baseia-se nas estimativas de vendas,
Leia maisGuia de Especificação de Caso de Uso Metodologia CELEPAR
Guia de Especificação de Caso de Uso Metodologia CELEPAR Agosto 2009 Sumário de Informações do Documento Documento: guiaespecificacaocasouso.odt Número de páginas: 10 Versão Data Mudanças Autor 1.0 09/10/2007
Leia maisAgrupamento de dados
Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação
Leia maisCONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES
CELG DISTRIBUIÇÃO S.A EDITAL N. 1/2014 CONCURSO PÚBLICO ANALISTA DE GESTÃO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI RESPOSTAS ESPERADAS PRELIMINARES O Centro de Seleção da Universidade Federal de Goiás
Leia maisBalanced Scorecard. Da estratégia às ações do dia-a-dia
Balanced Scorecard Da estratégia às ações do dia-a-dia Perspectivas Em se tratando de gerenciamento de desempenho, perspectivas são os grandes vetores debaixo dos quais são agrupados objetivos, indicadores
Leia maisSe observarmos nos diferentes livros. Planejamento de Testes a partir de Casos de Uso
Planejamento de Testes a partir de Casos de Uso Arilo Cláudio Dias Neto ariloclaudio@gmail.com É Bacharel em Ciência da Computação formado na Universidade Federal do Amazonas, Mestre em Engenharia de Sistemas
Leia maisPlano de Trabalho Docente 2015. Ensino Médio
Plano de Trabalho Docente 2015 Ensino Médio Etec Etec: PAULINO BOTELHO Código: 091 Município: SÃO CARLOS Área de conhecimento: :CIENCIAS DA NATUREZA, MATEMATICA E SUAS TECNOLOGIAS Componente Curricular:
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisAprendizagem Motora. Prof. Dr. Guanis de Barros Vilela Junior
Aprendizagem Motora Prof. Dr. Guanis de Barros Vilela Junior O que é aprendizagem motora? Busca compreender como as pessoas adquirem habilidades motoras, como elas desenvolvem e usam tais habilidades em
Leia maisSistemas de Gerenciamento do Relacionamento com o Cliente (Customer Relationship Management CRM)
CRM Definição De um modo muito resumido, pode definir-se CRM como sendo uma estratégia de negócio que visa identificar, fazer crescer, e manter um relacionamento lucrativo e de longo prazo com os clientes.
Leia mais4º Passo: Treinamento, integração e desenvolvimento
4º Passo: Treinamento, integração e desenvolvimento Assim que você selecionar pessoas competentes, precisará ajudá-las a se adaptar à organização e assegurar que suas habilidades de trabalho e conhecimento
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisProgramação Estruturada e Orientada a Objetos. Fundamentos Orientação a Objetos
Programação Estruturada e Orientada a Objetos Fundamentos Orientação a Objetos 2013 O que veremos hoje? Introdução aos fundamentos de Orientação a Objetos Transparências baseadas no material do Prof. Jailton
Leia maisGerenciamento de Recursos Humanos do Projeto. Equipe do Projeto. 9. Gerenciamento de recursos humanos do projeto
Gerenciamento de Recursos Humanos do Projeto Equipe do Projeto 9. Gerenciamento de recursos humanos do projeto PMBOK 2000 PMBOK 2004 9.1 Planejamento organizacional 9.1 Planejamento de recursos humanos
Leia maisCOMISSÃO DE VALORES MOBILIÁRIOS - SECRETARIA EXECUTIVA
COMISSÃO DE VALORES MOBILIÁRIOS - SECRETARIA EXECUTIVA DELIBERAÇÃO Nº 550, DE 17 DE OUTUBRO DE 2008: Dispõe sobre a apresentação de informações sobre instrumentos financeiros derivativos em nota explicativa
Leia maisARCO - Associação Recreativa dos Correios. Sistema para Gerenciamento de Associações Recreativas Plano de Desenvolvimento de Software Versão <1.
ARCO - Associação Recreativa dos Correios Sistema para Gerenciamento de Associações Recreativas Versão Histórico da Revisão Data Versão Descrição Autor Página
Leia maisNBC TG 46: Mensuração a Valor Justo
NBC TG 46: Mensuração a Valor Justo Professor Associado da Fucape Business School / Diretor de Educação e Pesquisa da FBC/ Membro do Consultative Advisory Group do IAESB fabio@fucape.br IX Encontro de
Leia maisNOSSO OLHAR QUEM SOMOS NOSSA ATUAÇÃO RESULTADOS OBTIDOS NOSSA ABORDAGEM APRESENTAÇÃO CLIENTES E PARCEIROS
QUEM SOMOS NOSSO OLHAR NOSSA ATUAÇÃO NOSSA ABORDAGEM RESULTADOS OBTIDOS CLIENTES E PARCEIROS APRESENTAÇÃO QUEM SOMOS O trabalho daassssssso consiste em atuar no desenvolvimento de grupos e indivíduos,
Leia maisEXERCÍCIOS SOBRE ORIENTAÇÃO A OBJETOS
Campus Cachoeiro de Itapemirim Curso Técnico em Informática Disciplina: Análise e Projeto de Sistemas Professor: Rafael Vargas Mesquita Este exercício deve ser manuscrito e entregue na próxima aula; Valor
Leia maisLEVANTAMENTO DE REQUISITOS. Lílian Simão Oliveira
LEVANTAMENTO DE REQUISITOS Lílian Simão Oliveira Níveis de erros Fonte: imaster.com um software São as características e funcionalidades que um software tem Engenharia de Requisitos O que é? Quem faz?
Leia maisMineração de Opinião / Análise de Sentimentos
Mineração de Opinião / Análise de Sentimentos Carlos Augusto S. Rodrigues Leonardo Lino Vieira Leonardo Malagoli Níkolas Timmermann Introdução É evidente o crescimento da quantidade de informação disponível
Leia maisResultados Experimentais
Capítulo 6 Resultados Experimentais Este capítulo é dedicado às avaliações experimentais do sistema CBIR. Os experimentos aqui realizados têm três objetivos principais: comparar os nossos resultados com
Leia maisInterface Homem- Computador
Interface Homem- Computador (IHC) Profª. Leticia Lopes Leite Software Educacional I Interface Deve ser entendida como sendo a parte de um sistema computacional com a qual uma pessoa entra em contato física,
Leia maisTécnicas de Caixa Preta de Teste de Software
Técnicas de Caixa Preta de Teste de Software Na maioria de projetos de teste, o tempo para a realização dos mesmos sempre é curto e os números de testes a serem realizados nas aplicações são inúmeros.
Leia maisAndragogia. Soluções para o aprendizado de adultos. Maristela Alves
Andragogia Soluções para o aprendizado de adultos Maristela Alves Seu dia-a-dia como instrutor...... Envolve ensinar novos conceitos e passar informações a pessoas adultas. Você já parou para pensar que
Leia mais1.6. Tratamento de Exceções
Paradigmas de Linguagens I 1 1.6. Tratamento de Exceções Uma exceção denota um comportamento anormal, indesejado, que ocorre raramente e requer alguma ação imediata em uma parte do programa [GHE 97, DER
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia mais5 Estudo de caso: utilizando o sistema para requisição de material
61 5 Estudo de caso: utilizando o sistema para requisição de material A fim de avaliar as características da arquitetura proposta e a corretude da implementação, realizamos experiências com cenários de
Leia maisKDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?
KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule
Leia maisCAPÍTULO 7 NÍVEL DE LINGUAGEM DE MONTAGEM
CAPÍTULO 7 NÍVEL DE LINGUAGEM DE MONTAGEM 71 Introdução Difere dos níveis inferiores por ser implementado por tradução A tradução é usada quando um processador está disponível para uma mensagem fonte mas
Leia mais