APRENDIZADO DE COMPORTAMENTO POR REFORÇO DO AMBIENTE
|
|
- Rita Stéphanie Paiva Castro
- 8 Há anos
- Visualizações:
Transcrição
1 4o. SBAr- SimpósioBrasileirode Automação Inteligente, São Paulo, Sp,08-10 de Setembro de 1999 APRENDIZADO DE COMPORTAMENTO POR REFORÇO DO AMBIENTE Leonardo A. Scárdua José J. da Cruz AnnaH. R. Costa Departamento de Engenharia Eletrônica Departamento de Engenharia de Computação e Sistemas Digitais Escola Politécnica - Universidade de São Paulo. Av. Prof. Luciano Gualberto,Travessa 3, 158 Cidade Universitária - São Paulo - SP CEP: Resumo - Este artigo descreve um agente capaz de aprender a escolher suas ações de maneira a atingir seu objetivo ao enfrentar um adversário num ambiente dinâmico. O agente utiliza recompensas obtidas do ambiente para avaliar e aperfeiçoara qualidade de seu próprio comportamento no domínio do futebol de robôs. Um rede neural é avaliada no que diz respeito a sua adequação como aproximador para a função valor de pares estado-ação no domínio do futebol de robôs. Palavras chave: aprendizado por reforço, redes neurais, aprendizado de comportamento, futebol de robôs 1 INTRODUÇÃO A abordagemde aprendizadoporreforçoé uma alternativa muito eficaz ao treinamento supervisionado de redes neurais. Ao invés de ter um professor externo que indica a saída correta para cada entrada da rede neural, o aprendizado por reforço simplesmente produz um sinal de reforço que indica a qualidade da saída da rede. De acordo com (Sutton and Barto 1998), são quatro os principais elementos de um sistema de aprendizado por reforço: uma política, uma função recompensa, uma função valor e, algumas vezes, um modelo do ambiente. A politica é um mapeamento dos estados detectados para as ações a serem tomadas em correspondência a esses estados. A função recompensa define o objetivo em um problema de aprendizado por reforço. Em termos gerais, a função recompensa mapeia cada par fomiado por um estado s e uma ação a (ou apenas o estado s) em um único número. Este númeroindica o benefício, num sentido imediato, obtido por se escolher a ação a quando no estado s. A função valor indica o benefício que se pode esperar obter a longo prazo, por selecionar a ação a quando no estado s. Podese dizer que o valor de um par estado-ação, sob uma dada política, é o total de recompensa que um agente pode esperar receber quando, seguindo esta política, toma a ação a quando se encon- tra no estado s. O único objetivo de um agente de aprendizado por reforço é maximizar a recompensa total que ele obtém a longo prazo. Em outras palavras, ele busca ações que oconduzam a estados de valor mais elevado, sendo o valor de um estado definido de maneira semelhante ao valor de um par estado-ação. Os métodos para determinação dos valores dos estados, ou dos pares estado-ação são os componentes mais importantes de quase todos os sistemas de aprendizado por reforço. Em um contexto estocástico, um modelo que descreva as probabilidades de transição de estados e as recompensas imediatas resultantes destas transições não está usualmente disponível. Por esta razão, o agente de aprendizado por reforço aprende através de interação direta com o ambiente. O objetivo principal da presente pesquisa é desenvolver uma equipe de agentes capaz de aprender um comportamento cooperativo unicamente observando o impacto de suas ações sobre o ambiente. Para atingir esta meta, foi desenvolvidoum agente capaz de aprender a escolher suas ações observando as recompensas do ambiente. A primeira fase do desenvolvimento, descrita neste artigo, pretende avaliar uma rede neural (RN) no que diz respeito à sua adequação como aproximadorpara a função valor de pares estado-ação no domínio do futebol de robôs. O Servidor de Futebol RoboCup é um domínio simulado de futebol de robôs que permite a realização de jogos entre duas equipes de até 11jogadores, onde cada jogador é controlado por um único processo. O servidor opera em ciclos de simulação de 100 ms (este parâmetro é ajustável, sendo 100 seu valor usual (Andre et alo 1999)). Ele requer que os agentes atuem em tempo real. As alterações no ambiente são influenciadas pelas ações de ambas as equipes de agentes. Esta combinação de características o torna um domínio bastante complexo e realista, onde as decisões são tomadas em etapas e a saída de uma decisão não pode ser completamente prevista. Cada decisão produz alguma recompensa imediata e afeta o ambiente, influenciando a recompensa recebida pela próxima decisão a ser tomada. 171
2 2 O AGENTE APRENDIZ 40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, Sp,08-10 de Setembro de 1999 O.agente aprendiz é essencialmente um agente de aprendizado por reforço cujo objetivo principal é obter a máxima recompensa. a longo prazo. Este objetivo pode ser atingido escolhendo a ação que possui o maior valor em face do sinal do estado atual. O agente deve aprender ao mesmo tempo em que interage com o ambiente, uma vez que ele não dispõe de conhecimento prévio a respeito da tarefa ou do domínio em questão. Isto impõe o uso de um aproximador para a função valor. A arquitetura escolhida deve atender no mínimo às seguintes condições: Como não é possível saber de antemão as características da função valor num dado domínio, a arquitetura de aproximação deve ser um bom aproximador genérico ao menos para funções contínuas. Já que não é prático utilizar tabelas na memória para armazenar o valor correspondente a cada par estado-ação que pode ser experimentado pelo agente (veja a Seção 2. 1), decidiu-se usar uma RN para aproximar tais valores. A estrutura do agente é muito simples, mas, ainda assim, muito eficiente. Sua operação pode ser descrita pelo seguinte algoritmo: 1. Obtenha o estado do ambiente. 2. Se o momento é de escolha da melhoração: (a) Use a RN para avaliar cada uma das ações possíveis à luz do sinal de estado. (b) Escolha a ação que tem o melhor valor estimado. 3. Se o momentoé de escolha aleatória: (a) Escolha aleatoriamente dentre os elementos do conjunto de ações possíveis. 4. Execute a ação escolhida. 5. Obtenha a recompensa. 6. Atualize o valor estimado da RN. 2.1 O Estado do Ambiente Neste trabalho, consideram-se jogos com apenas dois jogadores, sem goleiros. Um jogador utiliza a estrutura de aprendizado apresentada ao passo que o outro escolhe suas ações aleatoriamente. O jogador aprendiz percebe o ambiente de acordo com o seguinte sinal de estado: O ângulo da bola com relação ao agente aprendiz; A distância da bola ao agente aprendiz; O ângulo do adversário com referência ao agente aprendiz; A distância do adversário ao agente aprendiz. Conforme (Andre et ai. 1999), o tamanho do campo é 105 x 68 unidades, onde a unidade é irrelevante. A função arctan é utilizada para calcular os ângulos relativos acima. Não é feita discrctização alguma das distâncias e ângulos relativos calculados. Como o servidor opera com precisão de ponto flutuante, há em realidade um espaço de estados de dimensão enorme. 2.2 Porque Uma Rede Neural Como Aproximador da Função Valor Está claro que a representaçãoescolhidapara o estado, toma impraticável manter em tabelas os valores dos pares estado-ação. Deve ser capaz de lidar com ambientes ruidosos. Deve ser capaz de trabalharem tempo real. O Teorema de Existência do Mapeamento Neuralde Kolmogorov (Hetch-Nielsen 1990) provê a sustentaçãomatemáticapara o uso de perceptronsde três camadas como aproximadores universais para funções contínuas. 2.3 Codificando o Objetivo do Agente Como um Sinal de Recompensa No contexto de aprendizado por reforço, o sinal de recompensa é utilizado para codificar o que se deseja que o agente faça. Isto ocorre no caso presente, onde a recompensa que se segue à escolha de cada ação é usada para informar o agente se a escolha foi "boa" ou "má". Neste trabalho, considera-se "boa" a escolha de uma ação que tenha todas as suas pré-condições (restrições que, dado o sinal do estado atual, devem ser obedecidas de forma que a ação seja aplicável) satisfeitas pelo sinal do estado que o agente percebe do ambiente. Neste caso o sinal de recompensa é positivo. Se alguma das pré-condições da ação escolhida não é satisfeita, o sinal de recompensaé negativo. Em outras palavras, o objetivo codificado é aprender a escolherações que tenham todas as précondições satisfeitas pelo sinal do estado recebido. Tanto este objetivo, quanto o método aqui usado para calcular a recompensa, são destinados apenas a prover um meio simples e válido, para avaliar a rede neural como aproximador da função valor neste domínio. 2.4 Aprendizado do Valor de um Par Estado- Ação Para aprender este valor, a RN é alimentada com a ação escolhida pelo agente e com o sinal de estado detectado. A saída da rede deve ser igual à recompensa recebida imediatamente pelo agente. Em outras palavras, "valor" aqui tem o significado de recompensa imediata. Contudo, dado o objetivo proposto ao agente, não é necessário estimar o valor dos pares ação-estado, no sentido amplo da teoria do aprendizado porreforço; o aprendizado das recompensas imediatas será suficiente no caso deste trabalho. Se a RN for capaz de aprender as recompensas imediatas, será capaz de aprender os valores dos pares estado-ação, como calculados usualmente na solução de problemas de aprendizado por reforço. 2.5 A Rede Neural A RN é um perceptron multi-camada totalmente conectada. Há sete neurônios de entrada, dez neurônios na camada escondida 172
3 40. SBAI - SimpósioBrasileiro de Automação Inteligente, São Paulo, Sp, de Setembrode 1999 e um na camada de saída. Os neurônios da camada escondi- consistentemente, se não enfrentar oposição. da utilizam a tangente hiperbólica como função de ativação, ao passo que o neurônio de saída apenas soma todas as suas entradas. O método de treinamento éoalgoritmo de retro-propagação (Haykin 1999). Na camada de entrada, foi deixado um neurônio para cada variável de estado existente e para cada ação possível, perfazendo o total de dez neurônios. A lógica que norteou a escolha do número de neurônios na camada intermediária foi a de ter uma unidade de processamento escondida para cada variável de entrada da rede, enquanto a escolha da configuração da camada de saída é justificada por se desejar um único valor como resultado do processamento da rede. 2.6 Escolha da Melhor Ação A escolha é baseada unicamente no sinal de estado recebido pe-. lo agente. No instante de escolher urna ação, o agente alimenta a entrada da RN com o sinal de estado atual e com a ação que está sendo avaliada; a saída da RN é então armazenada. Este procedimento é repetido para cada ação existente e o'agente escolhe aquela que produz a saída da RN de valor numérico mais elevado. Cada acão passível de escolha pelo agente, é implementada por urna rotina (ver seção 2.7) e identificada unicamente por um número positivo. 2.7 Conjunto de Ações 3 RESULTADOS Para avaliar a eficácia da abordagem proposta, foram realizados experimentos consistindo numa série de jogos de 10 minutos. O agente aprendiz enfrenta um adversário que escolhe suas ações aleatoriamente, sendo esta a única diferença entre eles. Se o agente aprendiz efetivamente aprender a escolher ações em que as pré-condições estão satisfeitas pelo estado do ambiente, ele será capaz de vencer um agente com seleção de ações aleatória. 3.1 Resultados Experimentais Experimento 1 - O agente aprendiz sempre seleciona uma ação aleatória e não aprende a partir das recompensas recebidas do ambiente. Portanto, o agente aprendiz na realidade age exatamente como um jogador aleatório. O objetivo deste experimento é avaliar o desempenho de dois jogadores aleatórios. Os resultados, apresentados nas Tabelas 1 e 2 e Figura 1, mostram que neste caso, ambos os jogadores apresentam o mesmo desempenho. Cada agente dispõe de um conjunto de três ações, onde cada ação é implementada por uma rotina que possui todas as informações necessárias à execução da ação Alcancea Bola Pré-condições: A bola não pode estar dentro de uma distância de chute do agente. Efeito: Move o agente na direção da bola. Quando o agente atinge a bola, ele pára a uma distância de chute dela. Número do Jogo Jogador Aprendiz Jogador Aleatôrio Chute em Direção ao Gol Adversário Tabela 1: O placar de cada partida no experimento 1. Pré-condições: A bola deve estar a urna distância de chute do agente. Efeito: A bola é chutada em direção ao gol adversário Gire a Bola Pré-condições: A bola deve estar a urna distância de chute do agente e atrás dele com relação ao gol adversário.. Efeito: A bola é girada em direção ao gol adversário e mantida a uma distância de chute do agente até se localizar na direção do gol, quando então é chutada. 2.8 Ciclo de Decisão Estatísticas Jogador Aprendiz JogadorAleatório Número de gols Número de vitórias 4 4 Tabela 2: Algumas estatísticas referentes ao experimento 1. Ambos os agentes devem decidir qual ação cada um tomará a cada ciclo de simulação. O conjunto de ações e o curto ciclo de simulação permitemque mesmo o agente aleatório marque gols 173
4 Gols 40. SBAI - SimpósioBrasileiro de Automação Inteligente, São Paulo, SP, de Setembro de "Aprendiz_Exp_l11 9 "Aprendiz_Exp_ "Aleatorio_Exp_l "Aleatorio_Exp_2" r-, 4 3 :3 2 V Jogos Jogos Gols Figura 1: Placar médio no experimento 1. Figura 2: Placar médio no experimento 2. Experimento 2-Aleatoriamente com probabilidades 0.2 e 0.8,. respectivamente, uma das seguintesescolhasé feita: 1. A ação de maior valor é selecionada. 2. Uma ação do conjunto de ações disponíveis é selecionada aleatoriamente. Inicialmente os pesos da RN foram escolhidos aleatoriamente, sendo depois alterados de acordo com o processo de aprendizado ao longo de cadajogo. O objetivo deste experimento é avaliar o efeito do processo de aprendizado sobre o desempenho do jogador. Os resultados apresentados nas Tabelas 3 e 4, e na figura 2, mostram que neste caso, o agente aprendiz está se tomando superior na medida que aumenta o número de jogos. Númerodo Jogo JogadorAprendiz JogadorAleatório Experimento3 - As escolhas 1e2definidas no Experimento 2 foram feitas aqui aleatoriamente, porém com probabilidades 0.8 e0.2, respectivamente. Da mesma forma que no Experimento 2, inicialmente os pesos da RN foram escolhidos aleatoriamente, sendo depois alterados de acordo com o processo de aprendizado ao longo de cada jogo. Também aqui, o objetivo é avaliar o efeito do processo de aprendizado sobre o desempenho do jogador. Os resultados apresentados nas Tabelas 5 e 6, e na figura 3, mostram que neste caso, o agente aprendiz se toma muito superior na medida que aumenta o número de jogos. Número do Jogo JogadorAprendiz JogadorAleatório Tabela 5: O placar de cada partida no experimento 3. Tabela 3: O placar de cada partida no experimento 2. Estatísticas JogadorAprendiz JogadorAleatório Número de gols Número de vitórias 6 3 Tabela 4: Algumas estatísticas referentes ao experimento 2. Estatfsticas JogadorAprendiz JogadorAleatório Número de gols Número de vitórias 10 O Tabela 6: Algumas estatísticas referentes ao experimento
5 40. SBAI - Simpósio Brasileirode Automação Inteligente, São Paulo, Sp, de Setembrode 1999 " estão os algoritmos genéticos (Kuzuaki et ai. 1998),(Matsumura 1998), a programação genética (Andre and Teller 1998), o raciocínio baseado em caso C'case-based reasoning") (Burkhardet "Aprendiz_Exp_3" alo1998) e o aprendiz ado por reforço (Andou 1998). Gols 10,-_,_--, ,.-,---r-r---r---, l'----'--..l.---i.-...a---i...ii Jogos Figura 3: Placar médio no experimento 3. 4 DISCUSSÃO Os resultados da simulação mostramque: O número médio de gols por jogo do jogador aleatório diminui consistentemente.a medida que aumenta a probabilidade de selecionar a ação de maior valor para o agente aprendiz; ct O número médio de gols por jogo do jogador aprendiz aumenta consistentemente amedida que aumentaa probabilidade de selecionar a ação de maior valor; O número de vitórias do agente aprendiz aumenta consistentemente, chegando a atingir l O, na medida que aumenta aprobabilidade de selecionar a ação de maior valor. Uma vez que a única diferença entre os três experimentos éa probabilidade de o agente aprendiz selecionar a ação de melhor estimativa, é claro que esta é a causa das alterações nas estatísticas dos experimentos. Por causa do fato de que o aumento desta probabilidademelhorou o desempenho do agente aprendiz e deteriorou o do jogador aleatório, é claro também que o agente aprendiz extraiu um aprendizado útil do mecanismo definido. Isto permitiu ao agente aprendiz consistentemente vencer o agente aleatório. Estes resultados tomam claro o fato de que um perceptron multicamada é capaz de aproximar a função valor para um agente de aprendizado por reforço, no domínio do futebol de robôs. 5 TRABALHOS CORRELATOS O trabalho relatado neste artigo foi inspirado no Gamão-ID de Tesauro (Tesauro 1995), uma RN que é capaz de se auto-ensinar a jogar gamão jogando contra si própria e aprendendo a partir dos resultados. O "backgammon", assim como o futebol de robôs, é um domínio em que as decisões são tomadas em etapas, com um elevado número de estados possíveis, o que toma impossível a utilização de uma abordagemde aprendizado supervisionado para a RN. Ambos os domínios envolvem jogo contra um adversário desconhecido. " 6 CONCLUSÕES O agente aprendiz proposto aprendeu a escolher suas ações utilizando unicamente as recompensas obtidas da interação com o ambiente. É importante enfatizar que ele não dispunha de qualquer conhecimento prévio a respeito do domínio de futebol de robôs. A RN aprendeu a jogar apenas observando as recompensas obtidas ao jogar. Um aspecto importante a ser salientado é que o aprendizado é focado naturalmente na trajetória de estados seguida pelo agente aprendiz. Este aspecto reduz enormemente a complexidade do espaço de estados, explicandoo rápido aprendizado que permitiu ao agente vencer todos os jogos no terceiro experimento, mesmo tendo no início utilizado pesos aleatórios na RN. A primeira etapa do desenvolvimento desta pesquisa, descrita neste artigo, objetivou estudar uma RN como um avaliador de ações no domínio do futebol de robôs. Os resultados obtidos são animadores. O próximo passo deverá consistir em fazer o agente aprender apenas através da observação dos resultados dos jogos. O futebol de robôs requer que o agente aprenda e aja em tempo real. A saída de cada ação não é completamente previsível devido ao ruído aleatório introduzido pelo Servidor de Futebol Robo- Cup. As alterações no ambiente são influenciadas pelas ações de ambas as equipes de agentes. Esta combin ação de fatores torna este domínio bastante complexo e realista. Essa complexidade permite afirmar que a tecnologia em desenvolvimento pode ser aplicada a tarefas reais que requerem o aprendizado de uma política de controle em um ambiente em que o espaço de estados é enorme. Alguns exemplos práticos importantes são o problema do despacho de elevadores e a alocação dinâmica de canais em sistemas de telefonia celular (Sutton and Barto 1998). 7 AGRADECIMENTOS Leonardo A. Scardua é apoiado pelo CNPq, através do processo No /97-9. Anna H.R. Costa recebe o apoio parcial da Fapesp, através do processo No. 98/ José J. da Cruz é apoiado parcialmente pelo CNPq, através do processo No /85-4 (RN). REFERÊNCIAS BIBLIOGRÁFICAS Andou, Tomolúto (1998). A robocup team which reinforces position observationally. In: Proceedings ofthe Second RoboCup Workshop. Paris. pp Andre, David and Astro Teller (1998). Evolving team darwin united. In: Proceedingsofthe Second RoboCup Workshop. Paris. pp Andre, David, Corten E., Dorer K., Gugenberger P., Joldos M., Kummeneje i; Navratil I P., Itsuki N., Riley P., Stone P., Takahashi T. and Yeap T. (1999). Soccerserver manual. In: Muitos pesquisadores têm usado métodos de aprendizado no domínio do futebol de robôs. Entre os métodos mais comuns Burkhard, Hans-Dieter, Jan Wendler, Pascal Gugenberger, Kay Schroder and Ralf Kuhnel (1998). At-humboldt in 175
6 40. SBAI - SimpósioBrasileiro de Automação Inteligente, São Paulo. SP, de Setembro de 1999 robocup-98. In: Proceedings of the Second RoboCup Workshop. Paris. pp Haykin, Simon (1999). Neural Networks: a comprehensivefoundation 2nd ed. Prentice-Hall. Hetch-Nielsen, Robert (1990). Neurocomputing. Addison Wesley. New York. Kuzuaki, Endo, Ito Sadaharu, Hiroyuki Yamaguchi, Ibui Nobuo and Kotani Yoshiyuki (1998). Team description for donguri. In: Proceedings ofthe Second RoboCup Workshop. Paris. pp Matsumura, Takeshi (1998). Description of team erika. In: Proceedings ofthe SecondRoboCup Workshop. Paris. pp Sutton, Richard S. and Andrew G. Barto (1998). Reinforcement Learning: an introduction. Addison Wesley. MIT Press. Tesauro, Gerald (1995). Temporal difference learning and tdgammon. Communications ofthe ACM 38(3),
Do neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia 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 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 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 maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Terminologia Básica Utilizada em de Sistemas Terminologia Básica Uma série de termos
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 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 maisSARESTA SISTEMA DE RESTABELECIMENTO INTEGRADO AO SISTEMA DE SUPERVISÃO E CONTROLE DISTRIBUÍDO DA CEMIG
GOP / 08 17 a 22 de Outubro de 1999 Foz do Iguaçu Paraná - Brasil GRUPO IX OPERAÇÃO DE SISTEMAS ELÉTRICOS (GOP) SARESTA SISTEMA DE RESTABELECIMENTO INTEGRADO AO SISTEMA DE SUPERVISÃO E CONTROLE DISTRIBUÍDO
Leia maisCAPÍTULO 2. Grafos e Redes
CAPÍTULO 2 1. Introdução Um grafo é uma representação visual de um determinado conjunto de dados e da ligação existente entre alguns dos elementos desse conjunto. Desta forma, em muitos dos problemas que
Leia mais(MAPAS VIVOS DA UFCG) PPA-UFCG RELATÓRIO DE AUTO-AVALIAÇÃO DA UFCG CICLO 2006-2008 ANEXO (PARTE 2) DIAGNÓSTICOS E RECOMENDAÇÕES
1 PPA-UFCG PROGRAMA PERMANENTE DE AVALIAÇÃO RELATÓRIO DE AUTO-AVALIAÇÃO DA UFCG CICLO 2006-2008 ANEXO (PARTE 2) DIAGNÓSTICOS E RECOMENDAÇÕES (MAPAS VIVOS DA UFCG) 2 DIMENSÃO MISSÃO E PDI MAPAS VIVOS DE
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 maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisRedes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005
Redes Neurais Artificiais na Engenharia Nuclear 1 - Apresentação do Professor: dados, lista de E-mail s, etc. - Apresentação da Turma: Estatística sobre origem dos alunos para adaptação do curso - Apresentação
Leia mais3 Qualidade de Software
3 Qualidade de Software Este capítulo tem como objetivo esclarecer conceitos relacionados à qualidade de software; conceitos estes muito importantes para o entendimento do presente trabalho, cujo objetivo
Leia maisIntrodução. Uso do disco Vantagens Desvantagens Baixo custo, facilidade de manutenção do software e do hardware, simetria e flexibilidade
Introdução É sabido que os processos rodam em processadores. Nos sistemas tradicionais existe somente um único processador, de forma que não há dúvida a respeito de como ele deve ser usado. Em um sistema
Leia maisConflito de Interesses e Imparcialidade dos Auditores dos Organismos Certificadores
QSP Informe Reservado Nº 58 Maio/2006 Conflito de Interesses e Imparcialidade dos Auditores dos Organismos Certificadores Tradução para o português especialmente preparada para os Associados ao QSP. Este
Leia mais1. Introdução. Avaliação de Usabilidade Página 1
1. Introdução Avaliação de Usabilidade Página 1 Os procedimentos da Avaliação Heurística correspondem às quatro fases abaixo e no final é apresentado como resultado, uma lista de problemas de usabilidade,
Leia maisRESUMO TEÓRICO. n(a) P(A) = n(u) 0 P(A) 1
RESUMO TEÓRICO Experimentos aleatórios: são aqueles que, mesmo repetidos várias vezes sob condições semelhantes, apresentam resultados imprevisíveis. Exemplo: Lançar um dado e verificar qual é a face voltada
Leia maisJOGOS EM PROCESSOS DE TREINAMENTOS
JOGOS EM PROCESSOS DE TREINAMENTOS AULA 16 1 Professora Ms Karen Reis 2011 JOGOS DIGITAIS Educação Corporativa e a abordagem e cooperativa dos Jogos de Empresa FMU Faculdades Metropolitanas Unidas Prof.
Leia maisDESCRIÇÃO DE UMA ESTRATEGIA PARA COMPETIÇÃO DE FUTEBOL DE ROBOS
DESCRIÇÃO DE UMA ESTRATEGIA PARA COMPETIÇÃO DE FUTEBOL DE ROBOS João Paulo Gonçalves Simim e Profa. Dra. Karla Boaventura Pimenta Palmieri Universidade Federal de Ouro Preto joaosimim@gmail.com CEP 35.400-000
Leia maisUnidade 5: Sistemas de Representação
Arquitetura e Organização de Computadores Atualização: 9/8/ Unidade 5: Sistemas de Representação Números de Ponto Flutuante IEEE 754/8 e Caracteres ASCII Prof. Daniel Caetano Objetivo: Compreender a representação
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 maisCinco restrições de desenvolvimento/teste que afetam a velocidade, o custo e a qualidade dos seus aplicativos
Série de ebooks sobre desenvolvimento em paralelo ágil: Capítulo 2 Cinco restrições de desenvolvimento/teste que afetam a velocidade, o custo e a qualidade dos seus aplicativos Novas pressões, mais restrições
Leia maisPlano de Continuidade de Negócios
Plano de Continuidade de Negócios Objetivo Contingenciar situações e incidentes de segurança que não puderam ser evitados. Deve ser eficaz como um pára-quedas reserva o é em um momento de falha do principal,
Leia maisMódulo 9 A Avaliação de Desempenho faz parte do subsistema de aplicação de recursos humanos.
Módulo 9 A Avaliação de Desempenho faz parte do subsistema de aplicação de recursos humanos. 9.1 Explicações iniciais A avaliação é algo que faz parte de nossas vidas, mesmo antes de nascermos, se não
Leia maisAMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll
AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll! Os parâmetros para decisão do auditor.! Tipos de planos de amostragem estatística em auditoria. Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas
Leia maisGAMIFICATION... Você sabe o que é? NÃO SIM. Então, você sabia que a Apoena possui soluções para aplicar Gamification nos processos de desenvolvimento?
GAMIFICATION... Você sabe o que é? SIM Então, você sabia que a Apoena possui soluções para aplicar Gamification nos processos de desenvolvimento? NÃO Gamification é o uso de mecanismos e pensamentos baseado
Leia maisDesenvolvimento de Estratégia para Programação do Futebol de Robôs da Mauá
Desenvolvimento de Estratégia para Programação do Futebol de Robôs da Mauá Wânderson O. Assis, Alessandra D. Coelho, Marcelo M. Gomes, Cláudio G. Labate, Daniel F. Calasso, João Carlos G. C. Filho Escola
Leia maisINTRODUÇÃO À ENGENHARIA
INTRODUÇÃO À ENGENHARIA 2014 NOTA AULA PRÁTICA No. 04 VETORES - 20 A 26 DE MARÇO PROF. ANGELO BATTISTINI NOME RA TURMA NOTA Objetivos do experimento: Nesta aula você deverá aprender (ou recordar) a representação
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 maisObjetivos. Teoria de Filas. Teoria de Filas
Objetivos Teoria de Filas Michel J. Anzanello, PhD anzanello@producao.ufrgs.br 2 Teoria de Filas Filas estão presentes em toda a parte; Exemplos evidentes de fila podem ser verificados em bancos, lanchonetes,
Leia mais1. Arquivos Seqüenciais
1. Arquivos Seqüenciais 1.1. Introdução Historicamente, os arquivos seqüências são associados as fitas magnéticas devido a natureza seqüencial deste meio de gravação. Mas os arquivos seqüências são também
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 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 maisDesenvolvimento de uma Etapa
Desenvolvimento de uma Etapa A Fase Evolutiva do desenvolvimento de um sistema compreende uma sucessão de etapas de trabalho. Cada etapa configura-se na forma de um mini-ciclo que abrange as atividades
Leia maisA CIÊNCIA DOS PEQUENOS JOGOS Fedato Esportes Consultoria em Ciências do Esporte
A CIÊNCIA DOS PEQUENOS JOGOS Fedato Esportes Consultoria em Ciências do Esporte Prof. Antonio Carlos Fedato Filho Prof. Guilherme Augusto de Melo Rodrigues Monitorando e conhecendo melhor os trabalhos
Leia maisTrabalho 7 Fila de prioridade usando heap para simulação de atendimento
Trabalho 7 Fila de prioridade usando heap para simulação de atendimento Data: 21/10/2013 até meia-noite Dúvidas até: 09/10/2013 Faq disponível em: http://www2.icmc.usp.br/~mello/trabalho07.html A estrutura
Leia maisVálvulas de Controle-"Case"- Copesul. Nelzo Luiz Neto da Silva 1 Jader Weber Brum 2
Válvulas de Controle-"Case"- Copesul Nelzo Luiz Neto da Silva 1 Jader Weber Brum 2 RESUMO Visando rever conceitos, procedimentos, estratégias e tecnologias voltadas para a manutenção de válvulas, partimos
Leia maisManual de Risco Operacional
Manual de Risco Operacional Atualizado em maio/2014 Índice 1. Definição 3 2. Política e Premissas 4 3. Estrutura de Gestão de Risco Operacional 5 3a. Competências 6 3b. Modelo de Gestão do Risco Operacional
Leia maisNota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007
Nota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007 1 1. Estrutura do Trabalho : De forma que se pudesse
Leia maisExemplos de Testes de Hipóteses para Médias Populacionais
Exemplos de Testes de Hipóteses para Médias Populacionais Vamos considerar exemplos de testes de hipóteses para a média de uma população para os dois casos mais importantes na prática: O tamanho da amostra
Leia maisSistemas de Telecomunicações I
Introdução aos Sistemas de Telecomunicações José Cabral Departamento de Electrónica Industrial Introdução aos Sistemas de Telecomunicações 1-16 Introdução aos Sistemas de Telecomunicações Tópicos: Redes
Leia maisTEORIA DOS JOGOS E APRENDIZADO
TEORIA DOS JOGOS E APRENDIZADO DE MÁQUINA Estudos Iniciais André Filipe de Moraes Batista Disciplina de Aprendizagem de Máquina UFABC 2010 TEORIA DOS JOGOS Ramo da matemática aplicada estuda situações
Leia maisA SEGUIR ALGUMAS DICAS PARA O DESENVOLVIMENTO DE UM PROJETO CIENTÍFICO
A SEGUIR ALGUMAS DICAS PARA O DESENVOLVIMENTO DE UM PROJETO CIENTÍFICO DESENVOLVENDO UM PROJETO 1. Pense em um tema de seu interesse ou um problema que você gostaria de resolver. 2. Obtenha um caderno
Leia maisTopologia de rede Ligação Ponto-a-Ponto
TIPOS DE REDE Tipos de Redes Locais (LAN - Local Area Network), Redes Metropolitanas (MAN - Metropolitan Area Network) e Redes Remotas (WAN - Wide Area Network). Redes que ocupam um pequeno espaço geográfico
Leia mais2 Fundamentação Conceitual
2 Fundamentação Conceitual 2.1 Computação Pervasiva Mark Weiser define pela primeira vez o termo Computação Ubíqua ou Computação Pervasiva (Ubiquitous Computing) em (10). O autor inicia o trabalho com
Leia maisTeste de Software Parte 1. Prof. Jonas Potros
Teste de Software Parte 1 Prof. Jonas Potros Cronograma Verificação e Validação Teste de Software: Definição e Conceitos Técnicas de Teste Fases de Teste Processo de Teste Automatização do Processo de
Leia maisAdministração de Pessoas
Administração de Pessoas MÓDULO 5: ADMINISTRAÇÃO DE RECURSOS HUMANOS 5.1 Conceito de ARH Sem as pessoas e sem as organizações não haveria ARH (Administração de Recursos Humanos). A administração de pessoas
Leia maisORGANIZAÇÃO DE COMPUTADORES MÓDULO 1
ORGANIZAÇÃO DE COMPUTADORES MÓDULO 1 Índice 1. Introdução...3 1.1. O que é um Computador?... 3 1.2. Máquinas Multiníveis... 3 2 1. INTRODUÇÃO 1.1 O QUE É UM COMPUTADOR? Para estudarmos como um computador
Leia maisTÉCNICAS DE AVALIAÇÃO ECONÔMICA. comunicação técnica do CETEM Avaliação Econômica de Projetos Prof. Raul Oliveira Neto
TÉCNICAS DE AVALIAÇÃO ECONÔMICA comunicação técnica do CETEM Avaliação Econômica de Projetos Prof. Raul Oliveira Neto Introdução As técnicas de avaliação econômica são utilizadas para converter os dados
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisARQUITETURA DE COMPUTADORES
ARQUITETURA DE COMPUTADORES Desempenho Prof Daves Martins Msc Computação de Alto Desempenho Email: daves.martins@ifsudestemg.edu.br Fundamentos de Organização de Computadores Desempenho Avaliação de Desempenho
Leia maisFigure 2 - Nós folhas de uma árvore binária representando caracteres ASCII
A ocorrência tamanho ASCII codificação de Huffman é um A Codificação método de compactação de Huffman caracteres (American e a variável codificação dos usado símbolos Standard para por cada muitas no Code
Leia maisPRIORIDADES EM SERVIÇOS E ORGANIZAÇÃO DO TRABALHO. Professora Andréia Ribas rp_andreiaribas@hotmail.com
PRIORIDADES EM SERVIÇOS E ORGANIZAÇÃO DO TRABALHO Professora Andréia Ribas rp_andreiaribas@hotmail.com Organização Processo de estabelecer relações entre as pessoas e os recursos disponíveis tendo em vista
Leia maisProcesso de Desenvolvimento de Software Workshop de Engenharia de Software
UNIVERSIDADE ESTADUAL PAULISTA INSTITUTO DE BIOCIÊNCIAS, LETRAS E CIÊNCIAS EXATAS DEPARTAMENTO DE CIÊNCIAS DE COMPUTAÇÃO E ESTATÍSTICA Processo de Desenvolvimento de Software Engenharia de Software Auxiliar
Leia maisANÁLISE DAS CARACTERÍSTICAS DOS SITES QUE DISPONIBILIZAM OBJETOS DE APRENDIZAGEM DE ESTATÍSTICA PARA O ENSINO MÉDIO 1
ANÁLISE DAS CARACTERÍSTICAS DOS SITES QUE DISPONIBILIZAM OBJETOS DE APRENDIZAGEM DE ESTATÍSTICA PARA O ENSINO MÉDIO 1 Kethleen Da Silva 2, Tânia Michel Pereira 3, Edson Luiz Padoin 4, Matheus Reis De Almeida
Leia maisPROJETO DE COOPERAÇÃO TÉCNICA INTERNACIONAL. Projeto 914 BRA5065 - PRODOC-MTC/UNESCO DOCUMENTO TÉCNICO Nº 03
PROJETO DE COOPERAÇÃO TÉCNICA INTERNACIONAL Diretrizes e Estratégias para Ciência, Tecnologia e Inovação no Brasil Projeto 914 BRA5065 - PRODOC-MTC/UNESCO DOCUMENTO TÉCNICO Nº 03 RELATÓRIO TÉCNICO CONCLUSIVO
Leia maisGerenciamento de Projetos Modulo VIII Riscos
Gerenciamento de Projetos Modulo VIII Riscos Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com Bibliografia* Project Management Institute. Conjunto de Conhecimentos em Gerenciamento
Leia maisESTUDO DE CASO: LeCS: Ensino a Distância
ESTUDO DE CASO: LeCS: Ensino a Distância HERMOSILLA, Lígia Docente da Faculdade de Ciências Jurídicas e Gerenciais de Garça FAEG - Labienópolis - CEP 17400-000 Garça (SP) Brasil Telefone (14) 3407-8000
Leia maisAnálise e Projeto de Software
Análise e Projeto de Software 1 Mundo Real Modelagem Elicitação Análise Problemas Soluções Gap Semântico Mundo Computacional Elicitação de Requisitos Análise de Requisitos Modelagem dos Requisitos 2 Projeto
Leia mais2 Trabalhos relacionados
2 Trabalhos relacionados Esta seção descreve os principais trabalhos relacionados ao framework aqui produzido. Uma discussão sobre os aspectos gerais de jogos está fora dos objetivos deste dissertação.
Leia maisPROBABILIDADE. Aula 5
Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,
Leia mais6 Conclusões e próximos passos
8 6 Conclusões e próximos passos Este capítulo é divido em duas seções. A primeira descreve as principais conclusões sobre o trabalho realizado. Na segunda seção é mostrado um conjunto de oportunidades
Leia maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia mais5 Considerações Finais e Recomendações
Considerações Finais e Recomendações 132 5 Considerações Finais e Recomendações O controle estatístico de processos compõe-se essencialmente do monitoramento on line dos processos por gráficos de controle
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisINSTRUMENTAÇÃO E CONTROLE DE PROCESSOS MEDIÇÃO DE TEMPERATURA TERMÔMETROS DE RESISTÊNCIA
INSTRUMENTAÇÃO E CONTROLE DE PROCESSOS MEDIÇÃO DE TEMPERATURA TERMÔMETROS DE RESISTÊNCIA Introdução O uso de termômetros de resistência esta se difundindo rapidamente devido a sua precisão e simplicidade
Leia maisUNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 14 PROFª BRUNO CALEGARO
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 14 PROFª BRUNO CALEGARO Santa Maria, 01 de Novembro de 2013. Revisão aula passada Projeto de Arquitetura Decisões de projeto de Arquitetura
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 maisUNITAU APOSTILA PROBABILIDADES PROF. CARLINHOS
ESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ ALI UNITAU APOSTILA PROAILIDADES ibliografia: Curso de Matemática Volume Único Autores: ianchini&paccola Ed. Moderna Matemática Fundamental - Volume Único Autores:
Leia maisECONTEXTO. Auditoria Ambiental e de Regularidade
Auditoria Ambiental e de Regularidade Organização Internacional das Entidades Fiscalizadoras Superiores - INTOSAI Grupo de Trabalho sobre Auditoria Ambiental - WGEA ECONTEXTO Este artigo é um resumo do
Leia mais4. Tarefa 16 Introdução ao Ruído. Objetivo: Método: Capacitações: Módulo Necessário: Análise de PCM e de links 53-170
4. Tarefa 16 Introdução ao Ruído Objetivo: Método: Ao final desta Tarefa você: Estará familiarizado com o conceito de ruído. Será capaz de descrever o efeito do Ruído em um sistema de comunicações digitais.
Leia maisRoteiro SENAC. Análise de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos
SENAC Pós-Graduação em Segurança da Informação: Análise de Riscos Parte 5 Leandro Loss, Dr. Eng. loss@gsigma.ufsc.br http://www.gsigma.ufsc.br/~loss Roteiro Análise de Qualitativa Quantitativa Medidas
Leia maisARQUITETURA DE COMPUTADORES
1 ARQUITETURA DE COMPUTADORES U C P Prof. Leandro Coelho Plano de Aula 2 Aula Passada Definição Evolução dos Computadores Histórico Modelo de Von-Neumann Básico CPU Mémoria E/S Barramentos Plano de Aula
Leia maisUTILIZAÇÃO DE RECURSOS AVANÇADOS DO EXCEL EM FINANÇAS (PARTE II): ATINGIR META E SOLVER
UTILIZAÇÃO DE RECURSOS AVANÇADOS DO EXCEL EM FINANÇAS (PARTE II): ATINGIR META E SOLVER! Planilha entregue para a resolução de exercícios! Quando usar o Atingir Meta e quando usar o Solver Autor: Francisco
Leia maisPOLÍTICA NACIONAL DO MEIO AMBIENTE
POLÍTICA NACIONAL DO MEIO AMBIENTE Com a edição da Lei nº 6.938/81 o país passou a ter formalmente uma Política Nacional do Meio Ambiente, uma espécie de marco legal para todas as políticas públicas de
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisConsiderações sobre redimensionamento de motores elétricos de indução
Considerações sobre redimensionamento de motores elétricos de indução Artigo publicado na revista Lumiere Electric edição nº 166 Aplicações de investimentos dentro das empresas sempre são questionadas
Leia maisMódulo 12 Gerenciamento Financeiro para Serviços de TI
Módulo 12 Gerenciamento Financeiro Módulo 12 Gerenciamento Financeiro para Serviços de TI Todos os direitos de cópia reservados. Não é permitida a distribuição física ou eletrônica deste material sem a
Leia mais5.1 Modelo de uma rede óptica com conversores de comprimento de onda
5 Trabalho Realizado Na seção 2.3, estabeleceu-se que uma das alternativas sub-ótimas de alocação de conversores de comprimento de onda em redes parciais é fazer uso de simulações para gerar estatísticas
Leia maisPrincipais Teoria Psicológicas da Aprendizagem. aquiles-2003 pea5900 1
Principais Teoria Psicológicas da Aprendizagem aquiles-2003 pea5900 1 Principais Correntes Comportamentalista Skinner Cognitivista Piaget e Ausubel Humanística Rogers Híbridos Gagné e Bruner aquiles-2003
Leia maisEstudo de técnicas de rastreamento de objetos aplicadas à detecção de múltiplas larvas
Estudo de técnicas de rastreamento de objetos aplicadas à detecção de múltiplas larvas Guilherme de Oliveira Vicente Orientador: Prof. Dr. Hemerson Pistori Coorientador: Prof. Me. Kleber Padovani de Souza
Leia maisADMINISTRAÇÃO GERAL GESTÃO DO DESEMPENHO
ADMINISTRAÇÃO GERAL GESTÃO DO DESEMPENHO Atualizado em 30/12/2015 GESTÃO DE DESEMPENHO A gestão do desempenho constitui um sistemático de ações que buscam definir o conjunto de resultados a serem alcançados
Leia maisCHAMADA PÚBLICA SIMPLIFICADA Nº 15/2013 SELEÇÃO DE PROFISSIONAIS PARA O PROJETO REGISTRO DE IDENTIDADE CIVIL REPLANEJAMENTO E NOVO PROJETO PILOTO
CHAMADA PÚBLICA SIMPLIFICADA Nº 15/2013 SELEÇÃO DE PROFISSIONAIS PARA O PROJETO REGISTRO DE IDENTIDADE CIVIL REPLANEJAMENTO E NOVO PROJETO PILOTO 1. PROJETO SELECIONA PROFISSIONAIS PARA DIVERSOS PERFIS
Leia maisFutebol Mundial Redefinido, Restruturado, Revitalizado
Futebol Mundial Redefinido, Restruturado, Revitalizado A FIFA deverá recuperar o seu estado enquanto organização de confiança, profissional e com uma gestão sólida, que respeita as necessidades e as circunstâncias
Leia maisUNIVERSIDADE FEDERAL DE SERGIPE CAMPUS PROF. ALBERTO CARVALHO DEPARTAMENTO DE SISTEMAS DE INFORMAÇÃO ENGENHARIA DE SOFTWARE I
UNIVERSIDADE FEDERAL DE SERGIPE CAMPUS PROF. ALBERTO CARVALHO DEPARTAMENTO DE SISTEMAS DE INFORMAÇÃO ENGENHARIA DE SOFTWARE I PROF. MSC. MARCOS BARBOSA DÓSEA ALEXANDRE MENDONÇA LIMA FABRÍCIO OLIVEIRA TADEU
Leia maisSimulação e controle inteligente de tráfego veicular urbano
Simulação e controle inteligente de tráfego veicular urbano Instituto de Informática - UFRGS XVII Seminário de Computação (SEMINCO) 04/11/2008 Roteiro Introdução O Simulador ITSUMO Simulação de Caso Real:
Leia maisAssunto 9 : Tecnologias de Inteligência Artificial nos Negócios
Assunto 9 : Tecnologias de Inteligência Artificial nos Negócios Empresas e outras organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus
Leia maisLista de Exercícios 3 Estruturas de Controle Profa Susana M Iglesias
Lista de Exercícios 3 Estruturas de Controle Profa Susana M Iglesias 1. Tendo em vista o alto preço da gasolina, os motoristas estão preocupados com a quilometragem percorrida por seus automóveis. Um motorista
Leia maisPolítica de Gerenciamento de Risco Operacional
Política de Gerenciamento de Risco Operacional Departamento Controles Internos e Compliance Fevereiro/2011 Versão 4.0 Conteúdo 1. Introdução... 3 2. Definição de Risco Operacional... 3 3. Estrutura de
Leia maisPós Graduação Engenharia de Software
Pós Graduação Engenharia de Software Ana Candida Natali COPPE/UFRJ Programa de Engenharia de Sistemas e Computação FAPEC / FAT Estrutura do Módulo QUALIDADE DE SOFTWARE (30h) Introdução: desenvolvimento
Leia maisResolução da lista de exercícios de casos de uso
Resolução da lista de exercícios de casos de uso 1. Explique quando são criados e utilizados os diagramas de casos de uso no processo de desenvolvimento incremental e iterativo. Na fase de concepção se
Leia maisP4-MPS.BR - Prova de Conhecimento do Processo de Aquisição do MPS.BR
Data: 6 de Dezembro de 2011 Horário: 13:00 às 17:00 horas (hora de Brasília) Nome: e-mail: Nota: INSTRUÇÕES Você deve responder a todas as questões. O total máximo de pontos da prova é de 100 pontos (100%),
Leia maisPor que sua organização deve implementar a ABR - Auditoria Baseada em Riscos
Março de 2010 UM NOVO PARADIGMA PARA AS AUDITORIAS INTERNAS Por que sua organização deve implementar a ABR - Auditoria Baseada em Riscos por Francesco De Cicco 1 O foco do trabalho dos auditores internos
Leia maisPlano de Estágio do Curso Técnico em Segurança do Trabalho
Centro Estadual de Educação Profissional de Ponta Grossa Rua Júlia da Costa, 229. Colônia Dona Luiza. Ponta Grossa/ PR CEP: 84001-970 Plano de Estágio do Curso Técnico em Segurança do Trabalho 1. Identificação
Leia maisComunicação Fim-a-Fim a Alta Vede em Redes Gigabit
Outros trabalhos em: www.projetoderedes.com.br Comunicação Fim-a-Fim a Alta Vede em Redes Gigabit DaniloM.Taveira, Igor M. Moraes, Daniel de O.Cunha RafaelP.Laufer, Marco D. D. Bicudo, Miguel E. M. Campista,
Leia maisCAPÍTULO 04 NOÇÕES DE PROBABILIDADE
CAPÍTULO 0 NOÇÕES DE PROBABILIDADE. ESPAÇO AMOSTRAL É o conjunto de todos os possíveis resultados de um experimento aleatório. No lançamento de uma moeda perfeita (não viciada) o espaço amostral é S =
Leia maisPROJETO DE REDES www.projetoderedes.com.br
PROJETO DE REDES www.projetoderedes.com.br Curso de Tecnologia em Redes de Computadores Disciplina: Tópicos Avançados II 5º período Professor: José Maurício S. Pinheiro AULA 3: Políticas e Declaração de
Leia maisProgramadores e Problemas: Instruções. Introdução. Seu Objetivo. Configuração. Instruções do jogo equipe evolução 5/5/2006 v2.0
Programadores e Problemas: Instruções Introdução Problemas e Programadores é um jogo educacional na área de engenharia de software. Ele é dirigido a estudantes que já têm conhecimento entre o básico e
Leia mais