UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS

Tamanho: px
Começar a partir da página:

Download "UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS"

Transcrição

1 UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa de Pós-graduação em Engenharia de Telecomunicações, Instituto Federal do Ceará (IFCE). s: Resumo Redes neurais de alimentação direta com uma única camada oculta podem aproximar qualquer função contínua. O algoritmo de ajuste de pesos mais comumente aplicado a esse tipo de rede é o de retropropagação do erro (error backpropagation), que se baseia no gradiente descendente, mas que possui convergência, em geral, lenta. Apesar de ser viável o ajuste de várias camadas ocultas, a maioria dos problemas do mundo real raramente precisa de mais de uma camada escondida. Este fato motivou o desenvolvimento de técnicas de aprendizado específicas para redes de alimentação direta com uma única camada, tais como as Máquinas de Aprendizado Extremo. Máquina de Aprendizado Extremo é uma técnica com menor custo temporal, mas que muitas vezes precisa de uma grande quantidade de neurônios na camada escondida. Apesar deste baixo custo temporal, para avaliação de um exemplo de teste os neurônios usados na camada oculta devem ser guardados para que seja possível realizar o mesmo mapeamento não-linear antes do processo de avaliação do padrão. Esta necessidade aumenta o custo computacional temporal, bem como em termos de armazenamento. Tal necessidade pode se tornar um fator proibitivo, principalmente em sistemas com escassos recursos computacionais. Neste trabalho propõe-se uma estratégia de poda de neurônios ocultos em redes via Computação Evolucionária, mais especificamente Algoritmos Genéticos. A proposta apresentada neste trabalho aplica técnicas de otimização multi-objetivo com o intuito de minimizar tanto a quantidade de neurônios na camada oculta quanto manter (ou até mesmo) reduzir o erro de classificação gerado pela rede. Palavras-chave, Algoritmos Genéticos, Poda. 1 Introdução Redes neurais com uma única camada oculta e alimentação direta são hoje em dia muito aplicadas a problemas de classificação de padrões e aproximação de funções. O algoritmo mais comumente utilizado para ajustar os pesos de uma rede com essa arquitetura é o de retropropagação do erro error backpropagation, que usa técnicas de otimização com base no gradiente descendente. Essa técnica apresenta sensibilidade a ocorrência de mínimos locais e possui convergência lenta. O algoritmo backpropagation também é utilizado para ajustar redes neurais com diversas camadas ocultas. Apesar de ser viável o ajuste de várias camadas ocultas, a maioria dos problemas do mundo real raramente precisa de mais de uma camada escondida (Carvalho et al., 2). Tal fato tem motivado o desenvolvimento de técnicas de aprendizado específicas para redes de alimentação direta com uma única camada (Single-hidden Layer Feedfoward Networks - SLFNs). Uma dessas técnicas são as Máquinas de Aprendizado Extremo (Extreme Learning Machine - ). Nas redes os pesos da camada escondida são determinados aleatoriamente e possuem função de ativação não-linear, enquanto os pesos da camada de saída são determinados analiticamente. Essa forma de treinamento possui fácil implementação e baixo custo temporal. A ideia básica das redes é que, com um número suficientemente grande de neurônios na camada oculta, ela será capaz de fazer um mapeamento dos dados para uma dimensão elevada em que os padrões possam ser separados por um hiperplano. No tocante aos pesos da camada oculta que são determinados aleatoriamente, não é possível ter segurança sobre quando o mapeamento dos dados de entrada estão dispostos em uma configuração mais fácil de ser aprendida pela camada de saída (A. L. B. P. Barros, 212). Com isso o projetista da rede geralmente opta por aumentar o número de neurônios escondidos para aumentar a dimensão do mapeamento da camada oculta, fazendo com que a rede seja vista por muitos autores como uma aproximação de uma rede com infinitos neurônios na camada intermediária. Este tipo de projeto aumenta significativamente a quantidade de recursos computacionais exigidos para avaliação de padrões. Além disto, nestas redes com muitos neurônios, além de possuírem maior custo espacial, são capazes de gerar superfícies muito complexas, podendo levar a rede a uma instabilidade indesejada (Abu-Mostafa et al., 212). Algumas formas de contornar o problema do excesso de neurônios da camada escondida têm sido estudadas. Dentre eles pode-se citar o trabalho apresentado em (L. D. S. Pacífico, 212) em que se busca determinar uma matriz de pesos para o mapeamento da entrada através de otimização por enxame de partículas. Já no trabalho descrito em (A. L. B. P. Barros, 212) tenta-se determinar os pesos da camada de saída através de estimadores-m (que é diferente do método tradicional dos mínimos quadrados) de tal maneira que mesmo com uma camada escondida não tão grande o comportamento

2 da rede seja satisfatório. Algoritmos Genéticos (AGs) são normalmente utilizados em cdos em conjunto com diversas abordagens para classificação de padrões com o intuito de otimizar ou ajustar os parâmetros do classificadores. AGs são meta-heurísticas inspiradas na evolução natural, tal como herança, mutação, seleção natural e cruzamento. Estas meta-heurísticas podem ser usadas para gerar soluções úteis em problemas de otimização e busca. Devido às características dos métodos de AG, é mais fácil de resolver alguns tipos de problemas por AGs do que por métodos matemáticos clássicos que partem do pressuposto de linearidade, diferenciabilidade, continuidade ou convexidade da função objetivo. Algoritmos Genéticos são comumente utilizados em problemas de reconhecimento de padrões para o obtenção dos parâmetros de ajuste do classificador (J. P. Silva, 213). Neste artigo propõe-se a utilização de Algoritmos Genéticos para redução da complexidade computacional dos classificadores abtidos através da poda de neurônios da camada escondida de redes do tipo SLFN. Para tal finalidade, além da modelagem de um indivíduo é proposta uma função de aptidão que visa tanto a minimização da quantidade de neurônios da camada oculta quanto a minimização do erro de classificação. A abordagem proposta foi aplicada à problemas classificação de padrões do mundo real obtidas do repositório UCI Machine Learning, a saber: patologias da coluna vertebral, câncer de mama, diabetes e haberman. Com a abordagem proposta, foi possível reduzir consideravelmente o tamanho da camada escondida (em relação a ) e ainda melhorar a acurácia obtida pelos classificadores de padrões. O restante deste trabalho está organizado da seguinte forma: na seção 2 é descrita a rede, na seção 3 é abordada a rede, enquando Algoritmos Genéticos é apresentado na seção 4. Nossa proposta é descrita em mais detalhes na seção. Na seção 6 são apresentadas os resultados obtidos para as diversas simulações computacionais realizadas e, por fim, o artigo é concluído na seção 7. 2 Tipicamente, uma rede neural Perceptron Multicamada (Multilayer Perceptron, ) é constituída de uma camada de entrada que recebe os vetores de atributos, uma ou mais camadas intermediárias, compostas por neurônios somadores com função de ativação não-linear e uma camada de saída, também composta por neurônios somadores (que podem ser lineares ou não) (Haykin, 21). Uma rede típica contém uma camada de entrada de dimensão p, uma ou mais camadas escondidas com q 1, q 2... q l neurônios e uma camada de saída com m neurônios, em que m = 2 para um problema binário. As saídas da rede no instante t, y k (t), k = 1,..., m, são calculadas da seguinte forma: [ q ] y k (t) = ϕ m ki (t)v i (t) θ k (1) i=1 p v i (t) = ϕ w ij (t)x j (t) b i (2) j=1 em que w ij é o peso sináptico ligando a j-ésima entrada ao i-ésimo neurônio da camada escondida, m ki é o peso sináptico que liga o i-ésimo neurônio da camada escondida ao k-ésimo neurônio da camada de saída. Os termos b i e θ k correspondem aos limiares (threshold) de ativação dos neurônios da camada escondida e de saída, respectivamente. A função de ativação ϕ( ) para os neurônios da camada escondida e de saída podem ser definidos com base na função logística: ϕ(u) = 1/(1+exp( u)). Os pesos e os limiares de ativação são ajustados através do algoritmo backpropagation padrão por e épocas, com uma determinada taxa de aprendizagem η. 3 A maior parte dos problemas do mundo real pode ser resolvida com uma rede com apenas uma camada escondida (Carvalho et al., 2). Máquina de Aprendizado Extremo que utilizam apenas uma camada escondida é uma rede neural de alimentação direta com uma única camada oculta proposta em (Huang et al., 26). Para uma rede com p unidades de entrada, q neurônios escondidos e m saídas, a i-ésima saída no passo k, é dado por o i (k) = m T i z(k), (3) em que m i R q, i {1,..., C}, é o vetor de pesos conectando os neurônios escondidos ao i-ésimo neurônio de saída, e z(k) R q é o vetor de saída para os neurônios escondidos ao se apresentar um determinado padrão de entrada a(k) R p. O vetor z(k) é definido como z(k) = [f(w T 1 a(k) + b 1 ),..., f(w T q a(k) + b q )] T, (4) em que b l é o bias do l-ésimo neurônio oculto, w l R p é o vetor de pesos do l-ésimo neurônio escondido e f( ) é a função de ativação sigmoidal. Considere Z = [z(1) z(2) z(n)] como uma matriz q N cuja as N colunas são vetores de saída z(k) R q, k = 1,..., N da camada oculta, em que N é o número de padrões de entrada disponíveis para treinamento. Similarmente, considere D = [d(1) d(2) d(n)] como uma matriz C N cuja a k-ésima coluna é o vetor desejado d(k) R C associado ao padrão de treinamento a(k), k = 1,..., N. Finalmente, considere M = [m 1 m 2 m C ] como uma matriz q C,

3 cuja i-ésima coluna é o vetor de pesos m i R q, i = 1,..., C. Assim, estas três matrizes estão relacionadas por um mapeamento linear D = M T Z, em que as matrizes D e Z são conhecidas, enquanto a matriz de pesos D é desconhecida. Apesar disto, a matriz de pesos M pode ser facilmente calculada através da pseudo-inverse como segue ( ) M = ZZ T 1 ZD T. () Assumindo que o número de neurônios de saída é igual ao número de classes, o índice da classe i para um novo padrão de entrada é dado pela seguinte regra de decisão: em que o i Eq. (3). i = arg max {o i}, (6) i=1,...,c é calculado como apresentado na 4 Algoritmos Genéticos Algoritmos Genéticos são um método de busca meta-heurístico inspirado na evolução natural, em que são considerados variados conceitos, tais como: herança, mutação, seleção natural e cruzamento. Esta meta-heurística pode ser usada para gerar soluções úteis para otimização e problemas de busca. Devido às características dos métodos de AG, é mais fácil resolver alguns tipos de problemas por AG do que por outros métodos matemáticos que partem do pressuposto da linearidade, diferenciabilidade, continuidade ou convexidade da função objetivo (J. P. Silva, 213). Em Algoritmos Genéticos, uma população de indivíduos candidatos (ou soluções) para um problema de otimização é evoluída em direção a melhores soluções por seleção natural, ou seja, uma função de aptidão. Nesta população, cada indivíduo tem um conjunto de genes (vector gene), denominado cromossoma, que pode ser alterado por mutação ou combinado geração após geração com outro cromossoma para construir novos indivíduos por processos de reprodução que utilizam cruzamento. A forma mais comum de representar soluções é em formato binário, ou seja, cadeias de s e 1s. A primeira população (conjunto de soluções) é gerada de forma aleatória que evolui em ciclos, normalmente chamados de gerações. O valor da função de aptidão para cada indivíduo indica quão boa é a solução. O valor de avaliação é calculado depois da decodificação do cromossomo (indivíduo), e a melhor solução para problema a ser resolvido é, portanto, aquela que possui o maior valor para a função de aptidão. Este valor é usado para guiar o processo de reprodução, em que os indivíduos com alto valor de aptidão têm maior probabilidade de distribuir os seus genes na nova população a ser obtida por meio de um processo reprodução. O método da roleta é a implementação padrão utilizado no processo de seleção natural de Algoritmos Genéticos. Após o processo de seleção, os indivíduos selecionados são usados como entrada para outros operadores genéticos: cruzamento e mutação. O operador de cruzamento combina duas cadeias de cromossomos, normalmente por crossover, enquanto a mutação modifica alguns bits em um único cromossomo. Proposta: Algoritmos Genéticos para redes () é uma nova abordagem que visa utilizar metaheurísticas para reduzir a dimensionalidade da camada escondida e o erro de classificação de redes SLFNs. Esta proposta tem como finalidade permitir a obtenção de classificadores que estejam adequados a trabalhar em plataformas com recursos computacionais escassos, tal como em sistemas embarcados. Neste contexto, uma abordagem multi-objetiva (posteriormente transformada, para fins de uso com AGs, em monoobjetivo) se faz adequada uma vez que se deseja que a capacidade de generalização seja mantida (ou mesmo elevada) ao passo em que também se reduz o número de neurônios da camada oculta de uma rede SLFN. A função de adaptação leva em consideração que os genes que são configurados em um representam os neurônios que devem ser mantidos para compor a camada oculta, enquanto os genes configurados para zero são aqueles podados. Assim, na proposta deste trabalho, cada indivíduo tem tantos neurônios ocultos quantos forem a quantidade de genes com valores iguais a um em um indivíduo. Neste contexto, uma solução candidata c = {c 1, c 2,..., c i,..., c q }, c i {, 1} para uma rede com uma camada escondida Z com q neurônios pode ser vista na Figura 1). Note que a solução candidata possui uma camada escondida com cardinalidade ˆq menor ou igual a cardinalidade da camada escondida original q, sendo que a igualdade só é obtida quando o cromossomo c possui todos os seus elementos com valores iguais a 1. Dada uma certa solução candidata c, precisase encontrar os pesos da camada de saída M(m). Com isso tem-se uma nova rede com N ˆq neurônios na camada oculta e d neurônios na camada de saída. Seja e a taxa de erro de classificação produzida por essa nova rede. A função de adaptação a ser avaliada é dada por adaptacao(c) = α e + (1 α) m n (7) em que c representa o cromossomo (indivíduo) que descreve que neurônios da camada oculta devem permanecer e α é o fator que descreve o quão importante é a redução do erro e, consequentemente, 1 α pode ser considerado o fator de importância

4 1 1 1 Cromossomo φ φ φ φ Figura 1: Arquitetura geral de classificador proposto. dada ao tamanho da poda. Note que com essa formulação do problema é possível converter o problema original para um problema de otimização mono-objetivo em que se visa apenas a minimização do erro de classificação, quando α = 1..1 GA- A abordagem proposta é resumida a seguir. 1. Iniciar t =, em que t representa a geração. 2. Gerar uma população inicial P (t), i.e., configurar aleatoriamente genes e as matrizes relacionadas {Z i } s i=1, em que s é o número de indivíduos na geração t. 3. Para cada indivíduo i da população P (t) (a) Resolver o sistema apresentado na Eq. (). (b) Avaliar a função de aptidão, i.e., a função apresentada na Eq. (7). 4. Enquanto t t max, em que t max é o número máximo de gerações 6 Simulações Computacionais Nas simulações computacionais realizadas neste trabalho, resultados para o classificador foram comparados com os resultados obtidos dos classificadores e. Inicialmente, o número de neurônios ocultos da rede, para cada base, foi determinado por tentativa e erro a fim de obter uma boa capacidade de generalização. No tocante à rede, foram testados camadas ocultas com quantidades diferentes de neurônios (entre 2 e ), sendo executadas 3 realizações para obter a quantidade mais adequada de neurônios na camada oculta deste classifcador. O número de neurônios da camada oculta escolhido para a rede foi aquele em que se obteve o maior valor para a acurácia, como pode ser visto na Figura 2. O número de neurônios usados para compor a camada oculta do classificador AG- é inicialmente o mesmo definido para a rede, porém com a diferença de que ainda haverá um processo extra de otimização que tem por objetivo utilizar AGs para reduzir a quantidade de neurônios em sua camada oculta. O AG usou seleção estocástica uniforme, cruzamento uniforme e mutação gaussiana Nas simulações realizados, o fator α foi considerado com diferentes valores, contidos na faixa [, 8 ; 1, ]. A Tabela 1 apresenta os resultados obtidos para os classificadores, e quando aplicados as bases de dados: Iris (IRIS), Coluna Vertebral (PCV), Diabets (DIA), Câncer de Mama (BRE) e Haberman (HAB). Para tanto, são apresentados a acurácia, desvio padrão associado à acurácia, número de neurônios na camada oculta (#neurônios), desvio padrão associado à quantidade de neurônios na camada oculta. As figuras 3, 4,, 6, 7 apresentam uma análise comparativa entre os resultados obtidos para os classificadores. e para cada uma das bases de dados avaliadas neste trabalho. Nas figuras podem ser visualizados os resultados obtidos para a acurácia dos classificadores, veja ítem a), e a quantidade de neurônios utilizados na camada oculta da rede SLFN, veja ítem b). (a) Selecione indivíduos da população P (t). (b) Aplicar crossover aos indivíduos selecionados. (c) Aplicar mutação aos indivíduos selecionados. (d) Calcular t = t + 1. (e) Resolver o sistema apresentado na Eq.. (f) Avaliar a função de aptidão, i.e., a função apresentada na Eq. (7).. Selecionar o melhor indivíduo da população. Figura 2: Processo de optimização da rede

5 Bases IRIS HAB PCV BRE DIA Tabela 1: Resultados Obtidos. α =.8 α =.8 α =.9 α =.9 α = 1 Acurácia ± ± ± ± ± ± ± ± 2 ± 2 ± 2 ± 1. ± 2.13 Acurácia ± ± ± ± ± ± ± ± ± ± ± ± 1.61 Acurácia 84.7 ± ± ± ± ± ± ± ± ± ± ± ± 3.1 Acurácia ± ± ± ± ± ± ± ± ± ± ± ± 4.7 Acurácia 77.6 ± ± ± ± ± ± ± ± ± ± ± ± Figura 3: Resultados obtidos para a base de dados Diabetes Figura 4: Resultados obtidos para a base de dados Haberman Figura : Resultados obtidos para a base de dados Coluna Vertebral.

6 Figura 6: Resultados para a base de dados Iris Figura 7: Resultados para Cancer de Mama. Ao se analisar os resultados obtidos percebese que os valores de acurácia do classificador obtidos apresentam-se similares (ou até mesmo superiores) aos valores de acurácia obtidos para os demais classificadores. 7 Conclusões Neste trabalho foi proposto um método para poda de classificadores. Para tanto, buscouse tanto a minimização do erro de classificação quanto a poda de neurônios ocultos de redes. Com base nos resultados obtidos, pode-se inferir que a abordagem proposta atinge a expectativa desejada uma vez que reduz consideravelmente o número de neurônios ocultos quando comparados com à rede e ao mesmo tempo mantém a acurácia similar (ou superior) ao da rede. Carvalho, A. C. P., Braga, A. P. and Ludermir, T. B. (2). Redes Neurais Artificiais: Teoria e Aplicações, Livros Tecnicos e Cientificos Editora. Haykin, S. (21). Redes Neurais Artificiais: Princípios e prática, Bookman. Huang, G., Zhu, Q. and Siew, C. (26). Extreme learning machine: Theory and applications. J. P. Silva, A. R. R. (213). Sparse least squares support vector machines via genetic algorithms, BRICS-CCI. L. D. S. Pacífico, T. B. L. (212). Melhorando redes neurais do tipo extreme learning machine através da otimização por enxame de partículas com mecanismo de seleção, ENIA. Referências A. L. B. P. Barros, G. A. B. (212). Extreme learning machine robusta para reconhecimento de faces, ENIA. Abu-Mostafa, Y. S., Magdon-Ismail, M. and Lin, H. (212). Learning From Data, AMLBook.

Redes Neurais Artificiais: Funções de Base Radial

Redes Neurais Artificiais: Funções de Base Radial Treinamento COELCE CEFET UFC MÓDULO II 2008.1 Redes Neurais Artificiais: Funções de Base Radial Prof. Dr. Guilherme de Alencar Barreto Depto. Engenharia de Teleinformática (DETI/UFC) URL: www.deti.ufc.br/~guilherme

Leia mais

Modelos Pioneiros de Aprendizado

Modelos Pioneiros de Aprendizado Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron

Leia mais

Redes Neurais. A IA clássica segue o paradigma da computação simbólica

Redes 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 mais

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001

Figura 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 mais

Do neurônio biológico ao neurônio das redes neurais artificiais

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 mais

MLP (Multi Layer Perceptron)

MLP (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 mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola

Leia mais

RNAs, Classificação de Padrões e Motivação Geométrica. Conteúdo

RNAs, Classificação de Padrões e Motivação Geométrica. Conteúdo RNAs, Classificação de Padrões e Motiação Geométrica Conteúdo. O problema do OU-eclusio.... Um problema mais geral de mapeamento não-linear... 0 3. Mapeamentos não-lineares genéricos... 4 4. Redes neurais

Leia mais

Aprendizagem de Máquina

Aprendizagem 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 mais

Método Dialético de Otimização usando o Princípio da Máxima Entropia

Método Dialético de Otimização usando o Princípio da Máxima Entropia Learning and Nonlinear Models Revista da Sociedade Brasileira de Redes Neurais (SBRN) Vol 7 No. 2 pp. 54-64 2009 Método Dialético de Otimização usando o Princípio da Máxima Entropia Wellington Pinheiro

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento 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 mais

1. Introdução 2. Séries Temporais

1. Introdução 2. Séries Temporais 1. Introdução Predição de valores de ações é uma tarefa desafiadora na área de predição de séries temporais financeiras, devido à grande quantidade de variáveis que envolvem essas predições. No passado,

Leia mais

Redes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005

Redes 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 mais

Rede MLP: Perceptron de Múltiplas Camadas

Rede MLP: Perceptron de Múltiplas Camadas Rede MLP: Perceptron de Múltiplas Camadas Conteúdo. Neurônio artificial.... Eemplos mais usuais de funções de ativação... 3 3. Produto interno e projeção... 5 4. Função de epansão ortogonal... 7 5. Redes

Leia mais

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida 27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma

Leia mais

Algoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009

Algoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 : Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 Principais Tópicos População Inicial Funções Objetivo de Alto Custo Critérios de Parada Convergência Prematura Diversidade Tipos de Substituição

Leia mais

Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais

Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade

Leia mais

Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos

Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos ADJUSTMENT OF CONTROLLER PID S PARAMETERS OF GENETIC ALGORITHMS Luiz Eduardo N. do P. Nunes Victor

Leia mais

Simulador de Redes Neurais Multiplataforma

Simulador de Redes Neurais Multiplataforma Simulador de Redes Neurais Multiplataforma Lucas Hermann Negri 1, Claudio Cesar de Sá 2, Ademir Nied 1 1 Departamento de Engenharia Elétrica Universidade do Estado de Santa Catarina (UDESC) Joinville SC

Leia mais

3. REDES DE CAMADA ÚNICA

3. REDES DE CAMADA ÚNICA 3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções

Leia mais

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno SEGEMENTAÇÃO DE IMAGENS Nielsen Castelo Damasceno Segmentação Segmentação Representação e descrição Préprocessamento Problema Aquisição de imagem Base do conhecimento Reconhecimento e interpretação Resultado

Leia mais

Processamento Digital de Imagens

Processamento Digital de Imagens Processamento Digital de Imagens Israel Andrade Esquef a Márcio Portes de Albuquerque b Marcelo Portes de Albuquerque b a Universidade Estadual do Norte Fluminense - UENF b Centro Brasileiro de Pesquisas

Leia mais

SIGM-TREE: OTIMIZAÇÃO DE ÁRVORES SINTÁTICAS APLICADA À CLASSIFICAÇÃO DE PADRÕES

SIGM-TREE: OTIMIZAÇÃO DE ÁRVORES SINTÁTICAS APLICADA À CLASSIFICAÇÃO DE PADRÕES SIGM-TREE: OTIMIZAÇÃO DE ÁRVORES SINTÁTICAS APLICADA À CLASSIFICAÇÃO DE PADRÕES Juliana Oliveira Ferreira 1 Humberto César Brandão de Oliveira 2 Melise Maria Veiga de Paula 3 Universidade Federal de Alfenas

Leia mais

Curso de Redes Neurais utilizando o MATLAB

Curso de Redes Neurais utilizando o MATLAB Curso de Redes Neurais utilizando o MATLAB Victoria Yukie Matsunaga Belém-Pará-Brasil 2012 Esta apostila tem como principal objetivo fornecer um material de auxílio ao Curso de Redes Neurais utilizando

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

Para entender como funciona um perceptron, vamos continuar considerando um perceptron com somente duas entradas, x 1 e x 2, e uma saída s.

Para entender como funciona um perceptron, vamos continuar considerando um perceptron com somente duas entradas, x 1 e x 2, e uma saída s. Análise do Perceptron Para entender como funciona um perceptron, vamos continuar considerando um perceptron com somente duas entradas, x 1 e x 2, e uma saída s. O neurônio de saída tem limiar b, de maneira

Leia mais

3 Métodos de Otimização

3 Métodos de Otimização 3 Métodos de Otimização 3.1. Introdução Os problemas de otimização são problemas de maximização ou minimização de função de uma ou mais variáveis num determinado domínio, sendo que, geralmente, existe

Leia mais

Capítulo 7. Limitações

Capítulo 7. Limitações Capítulo 7 Limitações Os principais problemas das arquiteturas MLP que serão abordados são a sensibilidade a mínimos locais, o não conhecimento a priori da arquitetura ótima de rede e a implementação destes

Leia mais

Representação por Números Reais

Representação por Números Reais Representação por Números Reais Cromossomas expressam valores através de números reais (ponto flutuante) e não em binário Para apresentarmos essa representação vamos introduzir o conceito de hibridização

Leia mais

Algoritmo Evolutivo com Inspiração Quântica, Representação Mista e Decaimento de Pesos Aplicado a Neuroevolução

Algoritmo Evolutivo com Inspiração Quântica, Representação Mista e Decaimento de Pesos Aplicado a Neuroevolução ISSN Number 38 October 2014 Algoritmo Evolutivo com Inspiração Quântica, Representação Mista e Decaimento de Pesos Aplicado a Neuroevolução Antonio Cesar de Oliveira Pitta Botelho Internal Research Reports

Leia mais

MODELAGEM DO CUSTO MARGINAL DA ENERGIA ELÉTRICA EM FUNÇÃO DO NÍVEL DE ARMAZENAMENTO NOS RESERVATÓRIOS

MODELAGEM DO CUSTO MARGINAL DA ENERGIA ELÉTRICA EM FUNÇÃO DO NÍVEL DE ARMAZENAMENTO NOS RESERVATÓRIOS SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GOP - 17 16 a 21 Outubro de 2005 Curitiba - Paraná GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP MODELAGEM DO

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação

Leia mais

Previsão de carga utilizando fatores climáticos

Previsão de carga utilizando fatores climáticos ! Pontifícia Universidade Católica do Rio de Janeiro Previsão de carga utilizando fatores climáticos Caio Pimentel Seguin Projeto Final de Graduação Centro Técnico Científico - CTC Departamento de Informática

Leia mais

FUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO

FUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO FUNDAÇÃO DE APOIO AO ENINO TÉCNICO DO ETADO DO RIO DE JANEIRO PLANO DE CURO 1. Identificação Curso de Extensão: INTRODUÇÃO AO ITEMA INTELIGENTE Professor Regente: José Carlos Tavares da ilva Carga Horária:

Leia mais

UNIVERSIDADE ESTADUAL DE CAMPINAS. Instituto de Matemática, Estatística e Computação Científica

UNIVERSIDADE ESTADUAL DE CAMPINAS. Instituto de Matemática, Estatística e Computação Científica UNIVERSIDADE ESTADUAL DE CAMPINAS Instituto de Matemática, Estatística e Computação Científica Relatório Final - MS777 Modelagem matemático/probabilística dos módulos acústicos e de linguagem de sistemas

Leia mais

PROJETO DE TRABALHO DE CONCLUSÃO DE CURSO

PROJETO DE TRABALHO DE CONCLUSÃO DE CURSO Alexandre Moreira Batista Higor Fernando Manginelli PROJETO DE TRABALHO DE CONCLUSÃO DE CURSO Trabalho apresentado para a disciplina Laboratório de Estatística II do curso de graduação em Estatística da

Leia mais

UNIVERSIDADE DE SÃO PAULO - USP Faculdade de Economia, Administração e Contabilidade - FEA Instituto de Matemática e Estatística - IME

UNIVERSIDADE DE SÃO PAULO - USP Faculdade de Economia, Administração e Contabilidade - FEA Instituto de Matemática e Estatística - IME UNIVERSIDADE DE SÃO PAULO - USP Faculdade de Economia, Administração e Contabilidade - FEA Instituto de Matemática e Estatística - IME Mestrado Profissionalizante Modelagem Matemática em Finanças PREVISÃO

Leia mais

Aprendizagem de Máquina

Aprendizagem 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 mais

ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL

ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL Macêdo, M. I. F 1, Rosa, J. L. A. 2, Gonçalves, F. 2, Boente, A. N. P. 2 1 Laboratório de Tecnologia de Materiais,

Leia mais

Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal

Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal Anais do CNMAC v.2 ISSN 1984-820X Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal Juliana Aparecida Anochi Instituto Nacional

Leia mais

Inteligência Artificial. Redes Neurais Artificiais

Inteligência Artificial. Redes Neurais Artificiais Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:

Leia mais

Relatório da Aula Prática sobre Redes Neurais Artificiais

Relatório da Aula Prática sobre Redes Neurais Artificiais Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.

Leia mais

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 10.1

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 10.1 Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 10.1 10 OBJETIVOS OBJETIVOS GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 10.1 2003 by Prentice Hall Por que hoje as empresas necessitam de programas

Leia mais

Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados

Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados GA em Otimização Combinatorial Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados Problem a do Caixeiro Viajante Problem as de Planejamento

Leia mais

ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS

ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS Escola de Enfermagem UFRGS Julho/2007 Juscelino Zemiacki Estatístico Programa Básico: AULA 1 Noções Básicas de Estatística AULA

Leia mais

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br

Leia mais

Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade

Lista 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 mais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José

Leia mais

Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis

Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)

Leia mais

Resumo. 1 Introdução. (jim, ramices)@das.ufsc.br

Resumo. 1 Introdução. (jim, ramices)@das.ufsc.br Análise Comparativa de Técnicas de Inteligência Computacional para a Detecção de Spam Jim Lau, Ramices dos Santos Silva DAS/CTC Universidade Federal de Santa Catarina (UFSC) Florianópolis SC Brasil (jim,

Leia mais

Linear Solver Program - Manual do Usuário

Linear Solver Program - Manual do Usuário Linear Solver Program - Manual do Usuário Versão 1.11.0 Traduzido por: Angelo de Oliveira (angelo@unir.br/mrxyztplk@gmail.com) 1 Introdução Linear Program Solver (LiPS) é um pacote de otimização projetado

Leia mais

Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Pós-Graduação em Engenharia Elétrica Inteligência Artificial Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms

Leia mais

Evolução da cooperação em populações modeladas por autômatos celulares com o uso de teoria de jogos

Evolução da cooperação em populações modeladas por autômatos celulares com o uso de teoria de jogos Geração de modelos de redes com verificação dos parâmetros topológicos Prof. Pedro Schimit - schimit@uninove.br Muitas coisas podem ser modeladas a partir de modelos de redes (ou grafos). A maneira como

Leia mais

Aplicações Práticas com Redes Neurais Artificiais em Java

Aplicações Práticas com Redes Neurais Artificiais em Java com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org

Leia mais

Aula 2 RNA Arquiteturas e Treinamento

Aula 2 RNA Arquiteturas e Treinamento 2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 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 mais

Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral

Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Hedenir M. Pinheiro Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal 131 74001-970 Goiânia

Leia mais

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

4 Avaliação Experimental

4 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 mais

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento

Leia mais

APLICAÇÃO DA METAHEURÍSTICA COLÔNIA DE FORMIGAS AO PROBLEMA DE ROTEAMENTO DE VEÍCULOS

APLICAÇÃO DA METAHEURÍSTICA COLÔNIA DE FORMIGAS AO PROBLEMA DE ROTEAMENTO DE VEÍCULOS APLICAÇÃO DA METAHEURÍSTICA COLÔNIA DE FORMIGAS AO PROBLEMA DE ROTEAMENTO DE VEÍCULOS Mirlam Moro Lombardi e Jean Eduardo Glazar Departamento de Ciência da Computação Faculdade de Aracruz Uniaracruz {mirlam,

Leia mais

Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques

Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Sidnei Alves de Araújo André Felipe Henriques Librantz

Leia mais

Detecção de problemas de crédito em empresas de pequeno porte usando redes neurais e algoritmo genético

Detecção de problemas de crédito em empresas de pequeno porte usando redes neurais e algoritmo genético Detecção de problemas de crédito em empresas de pequeno porte usando redes neurais e algoritmo genético Cadernos de Ronaldo Picinini Aluno do Curso de Mestrado do Programa de em Engenharia da Universidade

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

Leia mais

Aplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1. Introdução

Aplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1. Introdução 15 Aplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1 Kamila Lacerda de Almeida 2, Mariana Tito Teixeira 3, Roney Alves da Rocha 4 Resumo:

Leia mais

Predição de links em redes sociais utilizando Extreme Learning Machines

Predição de links em redes sociais utilizando Extreme Learning Machines UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Predição de links em redes sociais utilizando Extreme Learning Machines TRABALHO DE GRADUAÇÃO Aluno: Hugo Neiva

Leia mais

TEORIA DOS JOGOS E APRENDIZADO

TEORIA 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 mais

Inteligência Computacional [2COP229]

Inteligência Computacional [2COP229] Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos

Leia mais

1 Centro Universitário de Belo Horizonte - UNI-BH Av. Prof. Mário Werneck, 1685 - Estoril, 30455-610 Belo Horizonte, MG

1 Centro Universitário de Belo Horizonte - UNI-BH Av. Prof. Mário Werneck, 1685 - Estoril, 30455-610 Belo Horizonte, MG Aplicação de um Modelo Ensemble de Redes Neurais Artificiais para Previsão de Séries Temporais não Estacionárias Cristiano Leite de Castro 1, Antônio de Pádua Braga 2, Alessandro Vivas Andrade 1 1 Centro

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto 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 mais

Seleção de Variáveis: Um Sistema Híbrido Baseado em Colônia de Formigas e Rede Neural MLP

Seleção de Variáveis: Um Sistema Híbrido Baseado em Colônia de Formigas e Rede Neural MLP Trabalho de Conclusão de Curso Engenharia de Computação Seleção de Variáveis: Um Sistema Híbrido Baseado em Colônia de Formigas e Rede Neural MLP Autor: Arthur Fernandes Minduca de Sousa Orientador: Mêuser

Leia mais

Rede de Elementos Caóticos Acoplados Globalmente

Rede de Elementos Caóticos Acoplados Globalmente Rede de Elementos Caóticos Acoplados Globalmente Rosagela Follmann 1, Elbert E. N. Macau 2 1 Programa de Pós-graduação em Computação Aplicada - CAP Instituto Nacional de Pesquisas Espaciais - INPE 2 Laboratório

Leia mais

CLAUDIO VASCONCELOS RIBEIRO UM AMBIENTE PARA PREVISÃO DE SÉRIES TEMPORAIS UTILIZANDO COMITÊS DE APRENDIZADO

CLAUDIO VASCONCELOS RIBEIRO UM AMBIENTE PARA PREVISÃO DE SÉRIES TEMPORAIS UTILIZANDO COMITÊS DE APRENDIZADO MINISTÉRIO DA DEFESA EXÉRCITO BRASILEIRO DEPARTAMENTO DE CIÊNCIA E TECNOLOGIA INSTITUTO MILITAR DE ENGENHARIA CURSO DE MESTRADO EM SISTEMAS E COMPUTAÇÃO CLAUDIO VASCONCELOS RIBEIRO UM AMBIENTE PARA PREVISÃO

Leia mais

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais.

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais. 80,7(0$'(9, 23$5$5(&21+(&,0(172'(3(d$(080 7$%8/(,52'(;$'5(= Sérgio Faustino Ribeiro Juracy Emanuel M. da França Marcelo Alves de Barros José Homero Feitosa Cavalcanti Universidade Federal da Paraíba CCT/COPIN/NEUROLAB-CT/DTM

Leia mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

Aula 5 - Classificação

Aula 5 - Classificação AULA 5 - Aula 5-1. por Pixel é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente

Leia mais

Detecção de danos em estruturas por meio de técnicas de redes neurais artificiais e algoritmos genéticos

Detecção de danos em estruturas por meio de técnicas de redes neurais artificiais e algoritmos genéticos UNIVERSIDADE FEDERAL DE ITAJUBÁ INSTITUTO DE ENGENHARIA MECÂNICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA DISSERTAÇÃO DE MESTRADO Detecção de danos em estruturas por meio de técnicas de redes neurais

Leia mais

3 Estratégia para o enriquecimento de informações

3 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 mais

Nota 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 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 mais

Como os Modelos Atuais Podem Combater Novas Formas de Fraude?

Como os Modelos Atuais Podem Combater Novas Formas de Fraude? Como os Modelos Atuais Podem Combater Novas Formas de Fraude? Uma camada adaptativa, que aprende novos padrões de fraude, pode ser adicionada ao modelo para melhorar a sua capacidade de detecção Número

Leia mais

Estudos para Localização de Faltas em Redes Subterrâneas Integrando o Software PSCAD/EMTDC e Ferramentas Inteligentes

Estudos para Localização de Faltas em Redes Subterrâneas Integrando o Software PSCAD/EMTDC e Ferramentas Inteligentes 1 Estudos para ização de Faltas em Redes Subterrâneas Integrando o Software PSCAD/EMTDC e Ferramentas Inteligentes D. S. Gastaldello, A. N. Souza, H. L. M. do Amaral, M. G. Zago e C. C. O. Ramos Resumo--

Leia mais

Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados

Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas Departamento de Ciências

Leia mais

Algoritmos Genéticos

Algoritmos Genéticos UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br

Leia mais

Relatório de uma Aplicação de Redes Neurais

Relatório de uma Aplicação de Redes Neurais UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS

Leia mais

Redes Neurais Artificiais para Reconhecimento de Faces: Uma Análise Comparativa do Compromisso entre Desempenho e Custo Computacional.

Redes Neurais Artificiais para Reconhecimento de Faces: Uma Análise Comparativa do Compromisso entre Desempenho e Custo Computacional. Universidade Federal do Ceará Departamento de Engenharia de Teleinformática Programa de Pós Graduação em Engenharia de Teleinformática Redes Neurais Artificiais para Reconhecimento de Faces: Uma Análise

Leia mais

Computação Bioinspirada aplicada à Robótica

Computação Bioinspirada aplicada à Robótica Capítulo 4 Computação Bioinspirada aplicada à Robótica Talles Henrique de Medeiros, Luís Fabrício Wanderley Góes, Milene Barbosa Carvalho e Ilg Menezes Abstract The Bio-Inspired Computing is new paradigm

Leia mais

Utilização da programação de computadores em Estatística

Utilização da programação de computadores em Estatística Universidade Federal de Minas Gerais Luana Sílvia dos Santos Utilização da programação de computadores em Estatística Belo Horizonte Dezembro, 2012 O computador tem desempenhado um papel muito importante

Leia mais

ESCOLA NAVAL DIRETORIA DE ENSINO DA MARINHA DEPARTAMENTO DE ENGENHARIA CONTROLE E AUTOMAÇÃO. Professor Leonardo Gonsioroski

ESCOLA NAVAL DIRETORIA DE ENSINO DA MARINHA DEPARTAMENTO DE ENGENHARIA CONTROLE E AUTOMAÇÃO. Professor Leonardo Gonsioroski ESCOLA NAVAL DIRETORIA DE ENSINO DA MARINHA DEPARTAMENTO DE ENGENHARIA CONTROLE E AUTOMAÇÃO Na aula passada vimos Compensação de sistemas Efeitos da Adição de pólos e zeros Compensadores de Avanço de Fase

Leia mais

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron. 1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando

Leia mais

Otimização de Recuperação de Informação usando Algoritmos Genéticos

Otimização de Recuperação de Informação usando Algoritmos Genéticos Otimização de Recuperação de Informação usando Algoritmos Genéticos Neide de Oliveira Gomes, M. Sc., nog@inpi.gov.br Prof. Marco Aurélio C. Pacheco, PhD Programa de Doutorado na área de Métodos de Apoio

Leia mais

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

4 Estudo de caso: Problema de seqüenciamento de carros

4 Estudo de caso: Problema de seqüenciamento de carros 4 Estudo de caso: Problema de seqüenciamento de carros O problema de seqüenciamento de carros em linhas de produção das indústrias automobilísticas é um tipo particular de problema de escalonamento que

Leia mais

FORMAÇÃO DE CÉLULAS DE MANUFATURA COM

FORMAÇÃO DE CÉLULAS DE MANUFATURA COM CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS CURSO DE ENGENHARIA DE COMPUTAÇÃO FORMAÇÃO DE CÉLULAS DE MANUFATURA COM ABORDAGEM BASEADA EM UM ALGORITMO GENÉTICO GLAUBER CAMARGO CAMPOS ROCHA Orientador:

Leia mais

Introdução. A Informação e sua Representação (Parte II) Universidade Federal de Campina Grande. Unidade Acadêmica de Sistemas e Computação

Introdução. A Informação e sua Representação (Parte II) Universidade Federal de Campina Grande. Unidade Acadêmica de Sistemas e Computação Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Introdução à Computação A Informação e sua Representação (Parte II) Prof. a Joseana Macêdo Fechine Régis de Araújo joseana@computacao.ufcg.edu.br

Leia mais

COPPE/UFRJ. CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba

COPPE/UFRJ. CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba COPPE/UFRJ CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba PROGRAMA PARA DEMONSTRAÇÃO DO PROCESSO DE APRENDIZADO DOS NEURÔNIOS DA CAMADA INTERMEDIÁRIA DE UMA REDE NEURAL FEEDFORWARD DE 2 CAMADAS,

Leia mais

APRENDIZADO DE COMPORTAMENTO POR REFORÇO DO AMBIENTE

APRENDIZADO DE COMPORTAMENTO POR REFORÇO DO AMBIENTE 4o. SBAr- SimpósioBrasileirode Automação Inteligente, São Paulo, Sp,08-10 de Setembro de 1999 APRENDIZADO DE COMPORTAMENTO POR REFORÇO DO AMBIENTE Leonardo A. Scárdua scardua@pcs.usp.br. José J. da Cruz

Leia mais

Controle NeuroFuzzy 1) Introdução 3) Plataforma de testes 2) Objetivo

Controle NeuroFuzzy 1) Introdução 3) Plataforma de testes 2) Objetivo Controle NeuroFuzzy Guilherme Rutzen Leonardo Adams Roni Rigoni {guirutzen,leonardoadams,ronirigoni}@gmail.com 1) Introdução Em robótica móvel, robótica industrial, máquinas-ferramenta, elevadores e muitos

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda

Leia mais

[1] Na terceira sessão, analisamos o Perceptron de Múltiplas Camadas inclusive um problema típico como o XOR.

[1] Na terceira sessão, analisamos o Perceptron de Múltiplas Camadas inclusive um problema típico como o XOR. Deolinda M. P. Aguieiras de Lima Nilton Alves Jr. naj@cat.cbpf.br [1] Resumo Este trabalho tem como finalidade servir de primeira leitura para aqueles alunos que desejam iniciar se no estudo de Redes Neurais.

Leia mais