UNIVERSIDADE TUIUTI DO PARANA FACULDADE DE CIENCIAS EXATAS E TECNOLOGICAS TECNOLOGIA EM PROCESSAMENTO DE DADOS

Tamanho: px
Começar a partir da página:

Download "UNIVERSIDADE TUIUTI DO PARANA FACULDADE DE CIENCIAS EXATAS E TECNOLOGICAS TECNOLOGIA EM PROCESSAMENTO DE DADOS"

Transcrição

1 UNIVERSIDADE TUIUTI DO PARANA FACULDADE DE CIENCIAS EXATAS E TECNOLOGICAS TECNOLOGIA EM PROCESSAMENTO DE DADOS AQUISIc;:Ao DE CONHECIMENTO ATRAVES DE ALGORITMOS GENETICOS ELSO APARECIDO SILVA ROBERTO TEIXEIRA ALVES Projeto de Graduacao CURITIBA 2002

2 ELSO APARECIDO SILVA ROBERTO TEIXEIRA ALVES AQUISICAo DE CONHECIMENTO ATRAVES DE ALGORITMOS GENETICOS Trabalho de Gradua,ao apresentado como exigencia parcial para obten9ao do grau de Tecn610go em Prooessamento de Dados da Faculdade de Ciancias Exatas e Tecnol6gicas da Universidade Tuiuti do Parana. Orientadora: Prof'. Deborah Ribeiro Carvalho. CURITIBA 2002

3 ATA DE SESSAO Pll8LlCA DE EXAME DE MONOGRAFIA DO PROGRAMA DE GRADUA<;AO EM TECNOLOGIA DE PROCESSAMENTO DE DADOS DA UNIVERSIDADE TUIUTI DO PARANA. Aos 22 dias do m~s de novcmbro de 2002, reali7.0u-sc a scssao publica de dcfe..''i3. da monogrolia "AQU1SI<;AO DE CONHECIMENTO ATRAVES DE ALGORITMOS GENETICOS", aprcscnl:l.do por Elsa A Silva e Roberto T. Alves, ano de ingrcsso 1999, p:tra obtcn\;'ao de radll~u;ao em Tec.noiogia em Processamento de Dados. A Banca EX;lminadora roi composia pclos scguintes prolcssorcs MEMBROS DA BANCA ASSINATURA Prcsidcntc: Prof. Marcos Antonio Caoam Prof". Elaini Simoni Aneelotti Prof" Andrein de Jesus pror' Waleria Adriana Goncalcz Cccilia De acordo com as normas rcgimenlais :1 Banca EX:lIninadonl delibcrou sobre as conceilos a sercm alribufdos e que forum os seguinlcs: Mcmbros da Ballca CONCEITO Presidentc: Prof. Marcos Antonio CanaUi Prof". Elaini Simoni Angelotti Prof' Andreia de Jesus Prof" Walena Adriana Goncalez Cccilio Conccito Final Observ>lyoe.s dn Banca Examinadora Pror. Ricardo Olh'cirn. Pereira Coordenador

4 DEDICATORIA Dedico a Deus, que e inicio e fim de tudo, de on de todo poder emana; A minha filha Karina que e a razao de minha vida; A minha esposa, Nair cujo apoio sempre contei e poderei contar em qualquer momento de minha vida; A meus pais Orlando (em memoria) e Laura que sempre deram apoio ao meu desenvolvimento intelectual. Elso Aparecido da Silva Dedico principal mente a Deus, que durante todo este ano foi quem me deu e tem dado saude, for"", vontade e alegria para conclusao deste projeto; A meus pais Joel e Irair que foram as pessoas que me deram todo 0 respaldo necessaria para que com axito pude-se concluir esta trabalho; Nao podia esquecer tambem aos varios amigos que contribufram com seus conhecimentos para 0 desenvolvimentos desse desafio em minha vida mencionando de forma especial a Sandra R. Marcondes, que muito me apoiou e incentivqu. Roberto Teixeira Alves AGRADECIMENTO ESPECIAL Agradecemos e dedicamos de maneira especial este trabalho a Professora Deborah Ribeiro Carvalho pela orienta9ao criteriosa e dedicada, e aeirna de tudo pela compreensao e boa vontade em todas as ocasioes em que a procuramos para discutir ideias e busear esctarecimentos. Roberto T. Alves e Elso A. Silva

5 4 IN DICE LlSTA DE FIGURAS. USTADETABELAS. LlSTA DE SlGLAS. ReSUMe. ABSTRACT.. 1. INTAODUyAo Delinilj:iodo Problema. Objetivo..,.2. TAABAlHOS RELACIONADOS.. DATA MINING PROCESSO DE OESCOBERTA DE CONHECIMENTO ETAPAS 00 PROCESSO DE KOD TtCNICAS DE DATA MINING APRENOIZADO DA MAaUINA. ALGORlrlMOS GEN81COS ORIGEM E OONCE1TOS BASI<x)s TERMINOLOGIA E COMPONENTES DE UM AlGORITMO GENETICO Popu1atrio Indivrduos..., Fu~ao d. Ajulle au ~Hnu.~ Sel&9iio Cruzilmento {cros.ov." MUIACf3.o Gerar;io METOOOLOGIA PARA MODELAGEM 00 ALGORITMO GENETICO A PLATAFORMA E UNGUAGEM USADA NO DESENVOLVIMENTO A CONSTRU9Ao DO CLA5SIFICAOOR OINDIVfOUO ~ Cri~io do. Populwylo lnicial AFUrlifio de Rneu GERA<;:OES PODA 005 ATRIBUTOS

6 as Oper3dont1i GenelicO) g. Os Mecani,mol da SelOIJio DESCRIQAo DOS EXPEAIMENTOS BASE DE DAOOS", A TAXA DE ACERTO TEMPO COMPUTACIONAl OONJUNTODE REGRAS ANALISE 005 RESULTADOS ALCANQADOS. CONCLUSAO ~.1. PropoJla de TrAb~h<» Futuros.. ANEXDS.. Anexo 1 - COOigo Fonte.... REFERENC1AS BIBlIOGAAFICAS ~

7 6 LlSTA DE FIGURAS Figura 1 - xoo e urn campo mullidisciplin"r (ADRIMNS; ZANTINGE, 1996)... Figura 2 - Estrutura b,isicll de urn Algoritmo Gencilico. Figura 3 - SelEIIJio PO( "Rolela" (dad!» dol Tabela 1). Figura 4 - Cruz.tmento em um ponlo. Figura 5 - Cruzilmenlo em doi, ponlcn. Figura 6 - Cruzamento uniforme... Figura 7 - Mutwy30 ~impl~... Figura 8 - E,lrulurll de Execu~io do OaullicadOf. Figura 9 - Proceuo de conhoc:imcnlo impjlcito em oxplfcito pelo AG... Figura 10 - Proceno de valida.;,q,o do AG sobr. ". bases de treinllmento e lesle... Figura 11 - Eslrulur" do genom" de urn Individuo... Figura 12 - Procedimento para criatjio da popul~io inicial Figura 13 - Procedimento p2lril e:x«:~30 de podol atributa.s... doa Fi'ijura 14 - Procedimenlo para execuy.io do cruulmenlo enlre individuos. FigurA 15 - Procedimsnto para eltecuyao de mutayao loot. urn individuo. " 25 2' Fi!JurA 16 - Procedimento para ejteclmtio do itlililmo. Figura 17. Procedimento pllra 6U1CUyio do tomeio. Figura 18 bilsle de dados CRX compltit:l... Figura 19 ba~e de d.3dm erxdividida parll UIO do c1auificadof'... Figura 20 - ba:e de dgdos HEPATlTlScomplet... Figura 21 base de d.dcn HEPATlTlSdivididt pm"- UIO do c1usltic:ador. Figura 22 ban de tuido$ HOUSE completa... Figurll 23 - bue de dado. HOUSEdividida para WiO doclassific3dor... Figura 24 - Media d.a finess de eada ger~io e melhor individuo na base erje.. Figura 2S - MediA dll fitnlln de e.da ger0t93o B mblhor indivfduo na boa.e H"palihJ. Figura 2G - Media da fifneu de eada gar~60 e malhor indi.. iduo na bue House. 4' 4,

8 7 LlSTA DE TABELAS labela 1 - Exemplo de populatj.5o e Fu~iio de Ajuillte (MICHELL, lil97)... Tabela 2 Principals caracteri,ticu d". b3.. ~ dados utilizado.. no. exparimentos... Tabala 3 Taxu de acerto oblidm com 0 AG e C4.S. Tabala 4 Tempo computacioozll no. experimentos. Tabela 5 Parte dlls regrll) ger4da, do AG no primeiro experimento nil bu. CRX.... T3bela 6 - Parte du regr.u gerad:!ls do AG no primeiro experimenlo na base Hepsl... Tabela 7 - Parte d;u; regras geradas do AG no primeiro exparimenlo na bau Hou;e. Tabela 8 - Parte do$ regras garada. do AG no segundo experimento no.ba~e CRX.. Tabela 9 - Parte dol. regtlu gerada. do AG no segundo experimento na b:nc H'p:.lti~. Tabala 10 - Parte dn r&grills ger.das do AG no wgundo expedmento no. bate House. Tabala 11 - Parte du regru geraoo.. do AG no terceiro sxperimenlo nil bue CRX.... T abeloll 12 - Parte cbs regra. geradas do AG no lerceiro experimanlo na b..e Hepatitis... Tabela 13 - Parte das r&9ras geradat do AG nolercairo experimenlo nal»:se Hous... Tabela 14- Media da finen de cad. 9ar~o e melho( individuo '

9 8 LlSTA DE SIGLAS AG - Algoritmo Genetico ESIA - Extended Subgradient Iteration Algorfthm GABIL - Genelic Algorithm Batch-Incremental Leamer GIL - Genetic-Based Inductive Learning GLOWER - Genetic Leamer Overlaid Wfth Entropy Reduction KDD - knowledge discovery in databases REGAL - Relation Genetic Algorithm Learning SIA - Subgradient Iteration Algorithm

10 9 RESUMO Com 0 decorrer dos anos aumentou-se a necessidade do sar humane S8 valer de informa(foes e conhecimento para auxilia-io na tamada de decisoes, porem o volume de dados I muito alto. Para auxiliar 0 sar humano a solucionar esse problema 10i criado 0 Data Mining, com 0 intuito de tornar 0 conhecimento que ora era implfcito em conhecimento exphcito e principal mente uti1. a conteudo dessa monografia tern como objetivq apresentar urn cia ssifi cad or composto de regras descobertas por Algoritmo Genetico constituindo uma situa98.0 de aquisic;ao automatica de conhecimento.

11 10 ABSTRACT As the years goes by, the always-growing need for information and knowledge to help in the decision making process, the amount of data nowadays is very high. To help him in dealing with this large amount of data, the DATA MINING was created with the idea of changing the knowledge that was implicit to explicit knowledge. This monograph has the objective of presenting a classifier made of rules found by a genetic algorithm, making a situation of automatic knowledge acquisition.

12 11 1. INTRODU<;AO Com 0 decorrer dos anos aumentou-se a necessidade do sar humane S8 valer de informag6es e conhecimento para auxilia-l0 na tam ada de decis5es, porem o volume de dados e muito alto, 0 que pode resultar a impossibilidade em analisar assas informag6es manua[mente. Esse grande aumento do volume de dados, tem gerado a necessidade de novas tecnicas e ferramentas que facilmente transformem as dados armazenados em conhecimento utii na tomada de decis6es. 0 Data Mining (Minera,ao de Dados) tern S8 tornado objeto de muita pesquisa e grande interesse, tendo em vista que seu objetivo e justamente garar conhecimento que possa sar util DEFINI<;;iiO DO PROBLEMA E OBJETIVO Este trabalho tem como objetivo criar um classificador composto de regras descobertas atraves de Algoritmo Genetico constituindo uma situa,ao de aquisi,ao automatica de conhecimento. Uma dificuldade percebida nos algoritmos mais utilizados para construir classificadores e a faua de interaivaoentre as atributos, que pode ser percebido mais evidentemente em classificadores construidos atraves de tecnica de Indu9iio de Arvores de Decisao, onde a analise dos atributos e feita local mente, ou saja, um atributo por vez, um exemplo desse tipo de classificador e 0 C4.S [Quinlan 1993], que sera inclusive sera utilizado como parte de pesquisa deste projeto para compara,ao dos resultados obtidos entre Algoritmos Geneticos e Arvores de Descisao. Por sua vez os classificadores construidos a partir de Algoritmos Geneticos permitem um melhor tratamento melhor no que diz respeito a questao da intera,ao de atributos. Uma caracteristica que pode ser ressaltada e 0 fato dos Algoritmos Geneticos realizarem uma busca global fazendo uma intera'yaodos atributos.

13 TRABALHOS RELACIONADOS A seguir sao apresentados alguns trabalhos referentes a aplicayao de algoritmos geneiticosvoltados para tarefa de classifica9ao, que e objeto de pesquisa deste trabalho. Janikow (apud CARVALHO, 2002) apresenta um algoritmo genetico, denominado GIL, para a tarefa de classifica9ao. Neste algoritmo cada individuo representa um conjunto de regras (abordagem de Pittsburg). onde cada regra e uma conjunc;aode condic;6es, ande cada condic;aoespecifica urn au mais val ores para urndeterminado atributo. Cada individuo e urncon junto de regras de tamanho fixo. Em GIL as operadores geneticos podem aluar em tres niveis: a nivel sintatico do conjunto de regras, ao nivel de regras e ao nivel das condil'oes. 0 primeiro possui os seguintes operadores: operador que realiza tracas entre conjuntos de regras; operador que capia aleatoriamente uma regra de cada con junto; operador que adiciona uma regra que cubra urn evento positiv~ nad coberto pelo conjunto de regras; operador que seleciona duas regras e as troca pala regra mais especializada e operador que seleciona duas oulras regras e as troca pel a regra mais genetica. 0 segundo nivel possui os seguintes operadores: operador que divide uma regra em outras regras, operador que remove condic;oesda regra e 0 operador para introduzir condic;oes. No terceiro nivel: operador que remove au adiciona um valor da condiyao, aumenta 0 dominio das condic;oes e diminuic;ao do dominio das condic;6es. Logo, este e um algoritmo relativamente complexo, com varios operadores projetados especificamente para minera9iio de dados. De Jong et al. (apud CARVALHO, 2002) apresenta GABIL, um Algoritmo Genetico para aquisic;ao de regras de c1assificac;ao.seguindo a abordagem de Pittsburg, cada individuo da popula9iio representa um conjunto de regras de tamanho fixo, candidatas it soluc;aodo problema, isto a, cada individuo e uma string de tamanho variavel representando urn conjunto de regras de tamanho fixo. Os operadores geneticos usados sao a mutac;aoaleat6ria de bit e 0 cruzamento ern dois pontos adaptado para individuos de tamanho variavel. Ao contrario de GIL, GABIL usa operadores geneticos simples, praticamente sem necessidade de modificar AGs convenclonais.

14 ~:Kt01l['~;~ ~'?if\l)\\\ Giordana & Neri (apud CARVALHO, 2002) apresentam REGAL, um sistenfabaseado em AG distribuido para a tarefa de classifica,ao. Uma vez que sao apresentadas tanto urnas vers6es seriais como para lela do sistema, 0 foeo sera em cima da versao serial. Para a representac;ao dos indivfduos foi utilizada uma abordagem hibrida entre Pittsburg' e Michigan 2. Cada individuo codifica uma solu,ao parcial e a popula,ao como um todo e um con junto redundante de solu,6es parciais. A diferen,a esta no fato de que cada individuo evolui de forma independente e apenas no final uma solu,ao completa e formada. A abordagem e hibrida, pois nem cada individuo representa uma solu,ao final e nem a populayao total tambem representa. Os operadores utilizados sao 0 cruzamento, muta,ao de semeamento (seeding). 0 cruzamento tem quatro tipos: cruzamento em dois pontos, uniforme, generalizado e especializado. as dais primeiros pontos sao iguais aos encontrados na literatura. Os dois ultimos tem a finalidade de gerar regras "filho" que sejam generalizac;6es au especializac;6es das regras "pais", Logo, da masma forma que 0 GIL, REGAL tambem usa operadores geneticos especializados para a minerayao de dados. Outro AG para a tarefa de classifica,ao foi proposto por Hasse & Pozo (apud CARVALHO, 2002). 0 algoritmo segue a abordagem de Michigan, e usa compartilhamento de aptidao (fitness sharing) para incentivar a diversidade de regras (individuos) na popula,ao. Os resultados da taxa de acerto sao comparados com outros 33 algoritmos em 32 bases de dados. o AG GLOWER, proposto por Dhar et al. (apud CARVALHO, 2002) procura realizar 0 aprendizado de regras de classificac;ao, no casa, previsoes financeiras para realiza,ao de investimentos. Os autores tambem levantam as vantagens do AG em comparac;ao com Qutros meies de busca local (arvdre de decisao, indu~o de regras). 0 algoritmo realiza a descoberta de regras utilizando a criac;ao de nichos(niching) sequencias. 1 Na abordagem de Pitt5burgh, cada indivfduo ira corresponclera UITlconjunto de regras para oolu~o do problema (ROMAO; FREITAS: PACHECO, 2000).! Na abordagem de Michigan, cada regra e rcpresentada par um incflvfduo,sando que urn conjunlo de regras (urna sol~o do problema) e representada por um conjunto de indivfduos (ROMAo: FREITAS: PACHECO. 20(0).

15 14 liu ekwok (apud CARVALHO, 2002) prop6em um algoritmo genetico baseado no SAl (Venturini, 1993). 0 SIA e um algoritmo baseado na ideia de dividir para conquistar, ista e, ale procura descobrir uma disjun~ao por vez, reduzindo assim 0 espa,o de busca. 0 algoritmo proposto pelos autores e uma extensao do SIA. Sao apresentadas melhorias no modo de inicializa9iio da popula,ao inicial, altera,oes nos operadores geneticos e modo de filtragem de regras. 0 ESIA (Extended SIA) gera sua popula,ao inicial garantindo um nivel de grau de aptidao para cada individuo. A muta.yao e utilizada como meio de manter a diversidade genetica, enquanto 0 operador de especializacao escolhe, de forma aleatoria, atributos a serem especializados nos indivfduos. Os novos filtros de regras introduzidos procuram eliminar regras consideradas ruidos (cobrindo mais examplos de outras classes do que a classe prevista pela regra), regras redundantes e regras altamente incompletas (cobrindo um numero inferior a um numero preestabelecido de exemplos). Congdon (apud CARVALHO, 2002) apresenta em sua tese uma compara9ao entre AGs e outros sistemas de aprendizado de maquina no desempenho de tarata de classifica9ao de doen9as. Nesta compara9ao ele contempla AGs, arvores de decisao, Autoclass e Cobweb. Seus resultados demonstram que AGs tiveram uma melhor performance em termos de habilidade descritiva, apesar de arvores de decisao tambem apresentarem urn borndesempenho. Papagelis & Kalles (apud CARVALHO, 2002) exploram 0 uso de AGs diretamente na construcao de arvores de decisao binarias, com 0 objetivo de gerar arvores mais precisas, bern como ma;s simples. Os resultados apontam que os AGs tern grande vantagem sobre outras "heurfsticas gulosas", especialmente quando 0 dominio apresenta atributos irrelevantes ou fortemente dependentes.

16 15 2. DATA MINING A descoberta do conhecimento em bases de dados tern sa tornado urn processo consideravelmente interessante para pesquisadores de diferentes areas (FRAWLEY; PIATETSKY-SHAPIRO; MATHEUS, 1991; SILBERSCHATZ; STONEBRAKER e ULLMAN, 1995; CHEN; HAN; YU, 1996; FAYYAD et al.,1996). Entre algumas das aplica,oes no processo de descoberta de conhecimento, podemos destacar: A descoberta de relacoes de associa,6es e depend~ncias entre dados. o agrupamento de um conjunto de dados selecionados a partir de bases de dados (data warehouse), podendo medir 0 grau de similaridade entre as grupos obtidos. Construir urn modele que possa sar utilizado para categorizar au classificar dados futuros. Assim, neste capitulo, serao abordadas algumas defini,oes sobre 0 processo de descoberta de conhecimento em bases de dados, bem como suas etapas. Dentre estas etapas, podemos citar 0 Data Mining como aquele de maior interesse do presente trabalho, anda serao comentadas algumas das tecnicas utilizadas para tal processo PROCESSO DE DESCOBERTA DE CONHECIMENTO Segundo FRAWLEY, PIATETSKY-SHAPIRO e MATHEUS (1991), 0 processo de descoberta do conhecimento em bases de dados, tambem conhecido como know/edge discovery in databases (KDD), significa a aplicacao de um procedimento nao trivial para identificar;ao efetiva, coerente, potencial mente util e previa, de padroes desconhecidos em grandes bases de dados. Devido a essas caracteristicas incomuns, todo 0 processo KDD depende de uma nova gera<;:ao de ferramentas e tecnicas de analise de dad os e envolve

17 16 diversas etapas. A principal etapa, nucleo deste processo, chama-sa Data Mining (CHEN; HAN; YU, 1996). Ate 1995, muitos autores consideravam os termos KDD e Minera<;ao de Dados como sinonimos, no entanto, em 1995, na Conferencia Internacional de KDD, em Montreal, 10i dada uma definiy:ao para cada urn dos term os (ADRIAANS; ZANTINGE, 1996):... KDD sera empregado para todo 0 processo de extral'ao de conhecimento dos dadas. Neste contexto, conhecimento significa relacionamento e padr5es entre elementos de dadas. 0 termo Data Mining deveria sar utilizado para as estagios de descoberta do processo de KDD'. Assim, KDD nada mais e do que realiza(:ilo da extra9ao de possiveis conhecimentos uteis em dadas, as quais S8 encontram ocultos. Terfamos a tendencia de pensar, par asta definic;:ao, em uma nova tecnica. Mas, na verctade, trata-s8 de urn campo multidisciplinar de pesquisa, envolvendo areas como aprendizado de maquina, estat/stica, tscnologia de base de dadas, sistemas especialistas e visualizac;ao de dados, os quais podem ser melhores observados na Figura 1. Figura 1 - KDDe um campo multidisciplinar (ADRIAANS; ZANTINGE, 1996).

18 ETAPAS DO PROCESSO DE KDD 1997): o procasso da KDD consista de tres lases (MANNILA, 1996; FAMILI at ai., Pre processamento Consiste de todas as ayaes a serem realizadas antes do inicio do processo da analise dos dados. FAMILI at al. (1997), postulam qua asta prooesso deva ser leito entendendo a naturaza dos dados, malhorando 0 desampenho na analise dos dados e, extraindo de maneira mais significativa as conhecimentos a partir dos dadas. Essa etapa pode tomar ate 80% do tempo necessaria para todo 0 processo (MANNILA,1996). Minera,ao dos Dados Envolve a aplica~aode algoritmos especfficos para a extralfao de padroes au regras, a partir da um conjunto de dados com uma rapresenta,ao particular. A escolha do algoritmo a sar utilizado depandera, lundamantalmente, do objativo do processo KDD, sendo utilizadas tecnicas da estatistica e aprandizado de maquina, lais como descoberta de regras, arvores de decisao, clustering, algoritmos gene-licos e programa,ao 16gica,dentre outras (MANNILA, 1996). Pos-processamento Traduz as pad roes descobertos em urna forma mais aceitavel aos seres humanos. Isto pode sar leito atraves da visualizacao dos padr6es extraidos (FAMILI at ai., 1997) TECNICAS DE DATA MINING Segundo MANNILA (1996), Data Mining combina metodos e tecnicas de, pelo menos, tres areas das anteriormente mencionadas na S8((aO *2.1 *: aprendizado da maquina, estatfstica e banco de dados, sendo que as tras areas auxiliam no reconhecimento de regularidades, padroes ou conceitos, a partir de dados empfricos.

19 18 Existem diferentes classes de tarefas em Data Mining, tais como: clustering, classifica~aoe regras de associayao. Cada uma dessas classes tern como base urn conjunto de algoritmos que serao utilizados na extra'tao de relac;6es relevantes dentro de uma massa de dados (CHEN; HAN; YU, 1996). Cada uma das classes de tarefas citadas difere quanto ao tipo de problemas que 0 algoritmo e capaz de resolver. A seguir, descrevemos algumas dessas classes de tarefas, segundo LANGLEY (1996): Clustering Esta proposta esta, basicamente relacionada a problemas que envo[vem a segmentagao de dados, ou seja, a partir de um conjunto de dados, 0 sistema tem que dividir automaticamente os mas mas em grupos, baseados em suas similaridades e diferen9as. Classificagao a processo de classificac;ao e uma tecnica que consists na aplicac;ao de urn conjunto de exam pi os pre-classificados, para desenvolver urn modele capaz de classificar uma popula<;iio maior de registros. Em geral, algoritmos de classificagao incluem arvores de decisao, algoritmos geneticos ou rades neurais. Uma vez que a algaritmo classificador tenha sido desenvolvido de forma eficiente. ele sera utilizado de forma preditiva para classificar novos registros naquelas mesmas classes pre-definidas. Regras de Associa<;iio o algoritmo de descoberta de regras de associay:ao procura identificar atinidades entre registros de um subconjunto de dados. Essas afinidades sao expressas na forma de regras: "60% de todos os registros que contem os itens A e B, tambem contsm os itens CeO". A porcentagem de ocorrencia representa um fatar de confian~ da regra, e costuma ser utilizada para eliminar tendencias fracas, mantendo apenas as regras mais fortes.

20 APRENDIZADO DA MAQUINA Como comantado nas s8<;oes anteriores, urnas das areas relacionadas ao processo de mineraryao de dados e 0 aprendizado de maquina, sendo definido par ADRIAANS e ZANTINGE (1996), como urn problema de busca, ou seja, enconlrar urn modele formado por urn con junto de hip6teses (possiveis solu90es) que representem 0 conjunto de dados (espa90 de busca). Quando nos referimos ao aprendizado de maquina relacionado ao processo de minerayao de dadas, todo ests processo asta facado na tarafa de classificary8.o, a partir de observa90es ja existenles (aprendizado indutivo). De acordo com MARTINEZ-ENRIQUEZ e ESGHALADA-IMAZ (1998), os sistemas de aprendizado indutivo podem sar classificados au pela natureza da enlrada de suas informa,oes (forma de aprendizado), ou pela maneira com que seus sistemas realizam 0 processo de aprendizado. A seguir, e apresentado urn breve resumo desses sistemas. Aprendizado nao-supervisionado Gada observa,ao denlro de urn conjunto e descrita pelo mesma con junto de atributos, e isto forma a natureza da informayao de entrada. 0 resultado e urn conjunto de clusters, individualmente definidos por urn conceilo diferente e particular. Aprendizado supervisionado Os agrupamentos ja sao fornecidos pelo sistema e a fun~ao do sistema e criar urn classificador que classifique as observa,oes, atraves da apresentacao de sucessivas observa~6es, verificando S8 as mesmas foram cjassificadas corretamente se auto-ajustando. Aprendizado nao-incremental o sistema constr6i classificadores utilizando-se de todo 0 conjunto de observaq:oes simultaneamente para alcan~ar a soluyao final. Desta forma, nestes sistemas nao-incrementais, 9 posslvel determinar a complexidade de seus algoritmos, sendo uti 1 em aplicac6es reais. Contudo, se considerarmos uma nova observa~aodentro do sistema, e necessario processar novamente tode conjunto de observagoes.

21 20 Aprendizado incremental o sistema constr6i classificadores e as refina num processo interativo, observa98o por observa98o. Assim, 0 processo altera alguns agrupamentos it mad ida que cada nova observac;ao e manuseada. Oesta forma, as sistemas incrementa is podem trabalhar individual mente com novas observac6es, em qualquer tempo. Dentre as varias tecnicas existentes para 0 processo de aprendizado indutivd, a area de aprendizado de maquina pode ser dividida em 5 paradigmas segundo LANGLEY (1996): Redes Neurais As Aedes Neurais representam 0 conhecimento atrav6s de urna rede de multi-camadas de unidades de processamento, ativadas a partir de nos de entrada, percorrendo as unidades ate nodos de saida. Pesos nas ligac;6es determinam 0 quante de ativac;ao e transmit ida em cada casc. As ativac;oes dos n6s de saida podem sar traduzidas em prognosticos numericos ou decisoes discretas sobre a classe de entrada. A preocupac"ao com as rades neurais e melhorar a precisao de classifica980 atraves da modifica,8o dos pesos de liga98o. Um algoritmo tipico de aprendizado realiza uma busca do tipo hili-climbing', atraves do espa,o de pesos, modificando-os no senti do de minimizar os arras que a rede faz com os dados de treinamento. Aplica~6es utilizando redes neurais para 0 pracesso de classificay8.o podem ser encontradas em KOHONEN (1995) e STEINER (1995). Aprendizado baseado em casos ou instancias Representam 0 conhecimento a partir de casas especlficos ou instancias (exemplos) com classifica980 conhecida para classificar novos dados atraves de compara98o de similaridades. 0 caso-exemplo mais parecido com 0 dado a ser classificado, segundo algum criteria de avaliays.o, indicara a qual classe pertence este exemplo (AHA; KLiBER; ALBERT, 1991). 1 Hill-Climbing Q urn mqtodo local de busca de profundidad9, no S9nlido de qua a cada momento de busca, considere $Omenta os estados imediatamente acesslveis a partir de um astado atual (CARVALHO, 2002).

22 21 Algorilmos Genelicos Sendo urn dos ramos da Computa,ao Evolucionaria, os Algorilmos Gemiticos sao inspirados na Tearia da Evoluc;ao. Representam 0 conhecimento como a "carga genelica" de urn "individuo". Urn conjunlo de solu,oes possiveis ou individuos, chamado "popula,ao", e analisado segundo algum criterio (fun,ao de aptidao ou "(dness), e novas solu,oes sao criadas e tentadas usando como base 0 conjunto anterior, atraves de operadores de recombina,iio (crossover) e muta,ao. A popula,ao e continuamente melhorada pela sele,ao dos individuos rnais bern adaptados, e 0 processo de avalia,iio - sele,ao - cruzamento - muta,ao e repetida ate que algum criterio de termino seja atingido (MITCHELL, 1997). Indu,ao de Regras o paradigma de indu,ao de regras trabalha, particularmente com regras condic;ao-a~o, se <condic;8.o atendida> entao <ciasse X>, arvores de decisao (QUINLAN, 1993), ou alguma estrutura similar de conhecimento (HOLSHEIMER; KERSTEN; SIEBES, 1996; CLARK; NIBLETI, 1989). Algoritmos de aprendizado em estruturas de indu,ao de regras, geralmente realizam uma busca greedy' atraves do espac;o indu~o, usanda urna func;8.o de avaliac;ao estatlstica para selecionar atributos a, incorpora-ios na sua estrutura de conhecimento. A maiaria dos metodos divide 0 conjunto de dados de treinamento recursivamente, preocupando-se em sumarizar cada conjunto como condi,oes l6gicas de conjun,oes (LANGLEY, 1996). Aprendizado Analitico Representa 0 conhecimento como regras na forma logica, usanda um metoda de busca para resolver varias fases do problema. As tecnicas comuns representam sau conhecimento como regras de inferencia. 0 mecanismo de aprendizado utiliza urn conhecimento background para construir provas ou explicar;:oes da experiemcia e entao compila as provas em regras mais complexas, solucionando problemas simi lares ou com menos busca QU, em uma unica etapa. A maior parte do problema no aprendizado analitico sa preocupa com 0 melhoramento do processo de busca,

23 22 mas alguns vem trabalhando com 0 aprimoramento da precisao nas tarefas de classifica980 (LANGLEY, 1996). Apesar de toda a reievancia destas areas de pesquisa em aprendizado de maquina, optamos por centrar 0 estudo do presente trabalho em Algoritmos Geneticos. Esta area de estudo, tern merecido grande aten980 per parte de varios pesquisadores devido a sua grande capacidade de lidar com dados invalidos au imprecisos, S8 comparada a outras tecnicas. Assim, sera apresentada no capitulo seguinte, urna discussao mais detalhada sobre os conceitos e estrutura de funcionamento do masma.

24 23 3. ALGORiTIMOS GENETICOS Neste capitulo sera apresentada uma breve explica,ao sobre a origem, funcionamento basi co e principais componentes do Algoritmo Genetico ORIGEM E CONCEITOS saslcos Os AG's foram concebidos a partir da analogia natural, sendo portando um dos ramos da computar;ao evolucionaria. A computac;ao evoluciomiria e 0 nome gene rico dado a metodos computacionais inspirados na teoria da evoluyao. Os algoritmos usados em Computac;ao Evolutiva sa chamam Algoritmos Evolutivos. Atualmente quando se menciona algoritmos inspirados na teoria da evolu,ao vem freqiientemente a mente os Algoritmos Geneticos propostos por [Holland 1975J. o funcionamento destes algoritmos envolve toda uma gama de mecanismos inspirados na evolucao biologica, a maiaria deles considerando principalmente os mecanismos de sele~o natural. Estes algoritmos estao sando usados, palos membros da comunidade da Inteligencia Artificial para abler modelos de inteligencia computacional. A motiva,ao para tomar esta inspira,ao biol6gica vem da suposiyao de que a Natureza com seus mecanismos buscou resolver um problema de otimizay8.o. Assim, pode-se dizer que a Natureza resolveu um problema de complexidade: determinar a quantidade de "recursos" para resolver um "problema", a sobrevivencia. Os dados dos algoritmos evolutivos consistem em uma popula9iio de objetos abstratos. Estes objetos sao manipulados por operadores inspirados nas regras de seleyao e outros aperadores inspirados na evolw;aa biologica, au aperadares geneticas que agem como operadores de busca na soluy8.o de um determinada problema. Os mais comuns sao cruzamento ou mutayao. Cada indivfdua da popula,ao tem um certo grau de aptidao, 0 qual depende do ambiente. Os individuos de mais aptidao podem se reproduzir mais facilmente. Oesta forma a popula,ao tem uma tendencia de ap6s varias gera,oes, ter elementos com altos

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

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

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

ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA

ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA 136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização

Leia mais

SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos

SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos Fredson Vieira Costa 1, Fábio Silveira Vidal 1, Claudomiro Moura Gomes André 1 1 Curso de Bacharelado em Ciência da Computação

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

- Computação Evolutiva -

- Computação Evolutiva - - Computação Evolutiva - Prof. Dr. Cícero Garrozi DEINFO - UFRPE PPGIA@UFRPE cicerog@gmail.com Site da disciplina: http://cicerog.blogspot.com Sumário Situando a Computação Evolucionária Metáfora principal

Leia mais

Algoritmos Genéticos (GA s)

Algoritmos Genéticos (GA s) Algoritmos Genéticos (GA s) 1 Algoritmos Genéticos (GA s) Dado um processo ou método de codificar soluções de um problema na forma de cromossomas e dada uma função de desempenho que nos dá um valor de

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

Extração de Conhecimento a partir dos Sistemas de Informação Extração de Conhecimento a partir dos Sistemas de Informação Gisele Faffe Pellegrini & Katia Collazos Grupo de Pesquisa em Eng. Biomédica Universidade Federal de Santa Catarina Jorge Muniz Barreto Prof.

Leia mais

Técnicas de Seleção de Atributos utilizando Paradigmas de Algoritmos Disciplina de Projeto e Análise de Algoritmos

Técnicas de Seleção de Atributos utilizando Paradigmas de Algoritmos Disciplina de Projeto e Análise de Algoritmos Técnicas de Seleção de Atributos utilizando Paradigmas de Algoritmos Disciplina de Projeto e Análise de Algoritmos Theo Silva Lins, Luiz Henrique de Campos Merschmann PPGCC - Programa de Pós-Graduação

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

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

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras

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

Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática

Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática Thatiane de Oliveira Rosa 1, Hellen Souza Luz 2 1 Curso de Sistemas de Informação Centro Universitário Luterano de Palmas (CEULP/ULBRA) Caixa

Leia mais

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO Renan de Oliveira Yamaguti Faculdade de Engenharia de Computação / CEATEC renan.yamaguti@terra.com.br

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

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

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

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

Evolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest )

Evolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest ) Generalidades A metáfora Biológica Evolução via Selecção Natural (Darwin) - sobrevivem os mais aptos (fittest ) Operadores Genéticos (Mendel) - recombinação (crossover ) - mutação (mutation ) Algoritmos

Leia mais

Avaliando o que foi Aprendido

Avaliando o que foi Aprendido Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função

Leia 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

COMPUTAÇÃO EVOLUTIVA

COMPUTAÇÃO EVOLUTIVA COMPUTAÇÃO EVOLUTIVA Grupo de Pesquisas em Computação Evolutiva Aurora Pozo Andrea de Fatima Cavalheiro Celso Ishida Eduardo Spinosa Ernesto Malta Rodrigues Departamento de Informática Universidade Federal

Leia mais

KDD UMA VISAL GERAL DO PROCESSO

KDD UMA VISAL GERAL DO PROCESSO KDD UMA VISAL GERAL DO PROCESSO por Fernando Sarturi Prass 1 1.Introdução O aumento das transações comerciais por meio eletrônico, em especial as feitas via Internet, possibilitou as empresas armazenar

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

IC Inteligência Computacional Redes Neurais. Redes Neurais Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

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

Evolução Biológica e Algoritmos Genéticos. Fábio Lima Custódio flc@lncc.br

Evolução Biológica e Algoritmos Genéticos. Fábio Lima Custódio flc@lncc.br Evolução Biológica e Algoritmos Genéticos Fábio Lima Custódio flc@lncc.br Sumário Conceitos gerais O que é evolução? Forças Evolutivas Mutação Deriva Gênica Fluxo gênico Seleção Natural A teoria evolutiva

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

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS Hugo Marques Casarini Faculdade de Engenharia de Computação

Leia mais

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS INTRODUÇÃO São métodos adaptativos que podem ser usados para resolver problemas de busca e otimização. Na natureza a combinação de boas características provenientes de diferentes indivíduos

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

SISTEMAS DE APOIO À DECISÃO SAD SISTEMAS DE APOIO À DECISÃO SAD Conceitos introdutórios Decisão Escolha feita entre duas ou mais alternativas. Tomada de decisão típica em organizações: Solução de problemas Exploração de oportunidades

Leia mais

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento

Leia mais

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011 Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,

Leia mais

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

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

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

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Computação BioInspirada

Computação BioInspirada Computação BioInspirada Os Engenheiros da Natureza Fabrício Olivetti de França The reasonable man adapts himself to the world; the unreasonable one persists in trying to adapt the world to himself. Therefore

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

Mineração de Dados Utilizando Algoritmos Genéticos

Mineração de Dados Utilizando Algoritmos Genéticos Universidade Federal da Bahia Instituto de Matemática Departamento de Ciência da Computação Mineração de Dados Utilizando Algoritmos Genéticos Joilma Souza Santos Orientadora: Profª. Daniela Barreiro Claro

Leia mais

Inteligência Computacional Aplicada a Engenharia de Software

Inteligência Computacional Aplicada a Engenharia de Software Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA Lizianne Priscila Marques SOUTO 1 1 Faculdade de Ciências Sociais e Aplicadas

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia

Leia mais

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Tarefas desempenhadas por Técnicas de 4 Mineração de Dados...

Leia mais

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1. O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar

Leia mais

Paradigmas da IA. Eixos centrais (das diferenças)

Paradigmas da IA. Eixos centrais (das diferenças) Paradigmas da IA Paradigmas da IA Simbólico: metáfora lingüística/lógica Sistemas de produção Conexionista: metáfora cérebro Redes neurais Evolucionista: metáfora teoria da evolução natural Algoritmos

Leia mais

A Computação e as Classificações da Ciência

A Computação e as Classificações da Ciência A Computação e as Classificações da Ciência Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Classificações da Ciência A Computação

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo

Leia mais

Explorer Pattern Tools: Uma Ferramenta para Mineração de Dados Utilizando Algoritmos Genéticos

Explorer Pattern Tools: Uma Ferramenta para Mineração de Dados Utilizando Algoritmos Genéticos Explorer Pattern Tools: Uma Ferramenta para Mineração de Dados Utilizando Algoritmos Genéticos Joilma S. Santos 1, Daniela Barreiro Claro 1 1 Laboratorio de Sistemas Distribuidos (LaSiD) Departamento de

Leia mais

Web Data mining com R: aprendizagem de máquina

Web Data mining com R: aprendizagem de máquina Web Data mining com R: aprendizagem de máquina Fabrício Jailson Barth Faculdade BandTec e VAGAS Tecnologia Junho de 2013 Sumário O que é Aprendizagem de Máquina? Hierarquia de aprendizado. Exemplos de

Leia mais

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos.

Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Thiago da Mota Souza Coordenação de Pós-Graduação e Pesquisa de Engenharia Centro de Tecnologia Universidade Federal do Rio de

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

PROJETO DE REDES www.projetoderedes.com.br PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes

Leia mais

MINERAÇÃO DE DADOS PARA MODELAGEM DE DEPENDÊNCIA USANDO ALGORITMOS GENÉTICOS

MINERAÇÃO DE DADOS PARA MODELAGEM DE DEPENDÊNCIA USANDO ALGORITMOS GENÉTICOS UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Aruanda Simões Gonçalves MINERAÇÃO DE DADOS PARA MODELAGEM DE DEPENDÊNCIA USANDO ALGORITMOS GENÉTICOS Dissertação

Leia mais

Professor: Disciplina:

Professor: Disciplina: Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais

Leia mais

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

Paralelização do algoritmo SPRINT usando MyGrid

Paralelização do algoritmo SPRINT usando MyGrid Paralelização do algoritmo SPRINT usando MyGrid Juliana Carvalho, Ricardo Rebouças e Vasco Furtado Universidade de Fortaleza UNIFOR juliana@edu.unifor.br ricardo@sspds.ce.gov.br vasco@unifor.br 1. Introdução

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

Na medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.

Na medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia. 1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

SISTEMAS INTELIGENTES DE APOIO À DECISÃO

SISTEMAS INTELIGENTES DE APOIO À DECISÃO SISTEMAS INTELIGENTES DE APOIO À DECISÃO As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas

Leia mais

SAM GERENCIAMENTO DE ATIVOS DE SOFTWARE

SAM GERENCIAMENTO DE ATIVOS DE SOFTWARE SAM GERENCIAMENTO DE ATIVOS DE SOFTWARE Modelo de Otimização de SAM Controle, otimize, cresça Em um mercado internacional em constante mudança, as empresas buscam oportunidades de ganhar vantagem competitiva

Leia mais

Aula 02: Conceitos Fundamentais

Aula 02: Conceitos Fundamentais Aula 02: Conceitos Fundamentais Profa. Ms. Rosângela da Silva Nunes 1 de 26 Roteiro 1. Por que mineração de dados 2. O que é Mineração de dados 3. Processo 4. Que tipo de dados podem ser minerados 5. Que

Leia mais

Inteligência Artificial

Inteligência Artificial Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas

Leia mais

O Processo de KDD Knowledge Discovery in Database para Aplicações na Medicina

O Processo de KDD Knowledge Discovery in Database para Aplicações na Medicina SEMINC 2001 57 O Processo de KDD Knowledge Discovery in Database para Aplicações na Medicina MARIZA FERRO HUEI DIANA LEE UNIOESTE - Universidade Estadual do Oeste do Paraná CECE Centro de Engenharias e

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

CONHECENDO O ALGORITMO GARP. Adair Santa Catarina Curso de Informática Unioeste Campus de Cascavel PR

CONHECENDO O ALGORITMO GARP. Adair Santa Catarina Curso de Informática Unioeste Campus de Cascavel PR CONHECENDO O ALGORITMO GARP Adair Santa Catarina Curso de Informática Unioeste Campus de Cascavel PR INPE Set/2006 Roteiro Introdução Algoritmos Genéticos (AG) GMS e DesktopGARP Avaliação dos Modelos Ajustados

Leia mais

Verificação de Impressões Digitais usando Algoritmos Genéticos

Verificação de Impressões Digitais usando Algoritmos Genéticos 1. Introdução Verificação de Impressões Digitais usando Algoritmos Genéticos Matheus Giovanni Pires, Fernando Vieira Duarte, Adilson Gonzaga Escola de Engenharia de São Carlos Universidade de São Paulo

Leia mais

CAPÍTULO 7. SISTEMAS DE APOIO À DECISÃO (SAD) SISTEMAS DE SUPORTE À DECISÃO (SSD)

CAPÍTULO 7. SISTEMAS DE APOIO À DECISÃO (SAD) SISTEMAS DE SUPORTE À DECISÃO (SSD) 1 CAPÍTULO 7. SISTEMAS DE APOIO À DECISÃO (SAD) SISTEMAS DE SUPORTE À DECISÃO (SSD) A necessidade dos SAD surgiu em decorrência de diversos fatores, como, por exemplo: Competição cada vez maior entre as

Leia mais

SAD orientado a MODELO

SAD orientado a MODELO Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER

Leia mais

Guia Técnicas de Teste Metodologia Celepar

Guia Técnicas de Teste Metodologia Celepar Guia Técnicas de Teste Metodologia Celepar Agosto de 2009 Sumário de Informações do Documento Documento: guiatecnicasteste.odt Número de páginas: 22 Versão Data Mudanças Autor 1.0 17/09/07 Criação. Ariel

Leia mais

DESENVOLVIMENTO DE SISTEMA DE VIDA ARTIFICIAL BASEADO EM AGENTES DE COMPORTAMENTOS COMPLEXOS

DESENVOLVIMENTO DE SISTEMA DE VIDA ARTIFICIAL BASEADO EM AGENTES DE COMPORTAMENTOS COMPLEXOS DESENVOLVIMENTO DE SISTEMA DE VIDA ARTIFICIAL BASEADO EM AGENTES DE COMPORTAMENTOS COMPLEXOS RELATÓRIO FINAL DE PROJETO DE INICIAÇÃO CIENTÍFICA (PIBIC/CNPq/INPE) Juliana Martins Maia Pereira (UNIVAP, Bolsista

Leia mais

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas 22 - Encontro Anual de Tecnologia da Informação Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas Elisa Maria Vissotto1, Adriane Barbosa Camargo2 1 Universidade Regional Integrada

Leia mais

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento

Leia mais

Uso de Técnicas de Data mining no Monitoramento de Alunos On-line *

Uso de Técnicas de Data mining no Monitoramento de Alunos On-line * Uso de Técnicas de Data mining no Monitoramento de Alunos On-line * Fabrício Rangel Cunha Rafael Lucena Pessoa de Araújo Neide dos Santos neide@ime.uerj.br Resumo A Internet oferece amplas possibilidades

Leia mais

3 OOHDM e SHDM 3.1. OOHDM

3 OOHDM e SHDM 3.1. OOHDM 32 3 OOHDM e SHDM Com a disseminação em massa, desde a década de 80, de ambientes hipertexto e hipermídia, principalmente a Web, foi identificada a necessidade de elaborar métodos que estruturassem de

Leia mais

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5 Para entender bancos de dados, é útil ter em mente que os elementos de dados que os compõem são divididos em níveis hierárquicos. Esses elementos de dados lógicos constituem os conceitos de dados básicos

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

http://www.publicare.com.br/site/5,1,26,5480.asp

http://www.publicare.com.br/site/5,1,26,5480.asp Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário

Leia mais

Padronização de Processos: BI e KDD

Padronização de Processos: BI e KDD 47 Padronização de Processos: BI e KDD Nara Martini Bigolin Departamento da Tecnologia da Informação -Universidade Federal de Santa Maria 98400-000 Frederico Westphalen RS Brazil nara.bigolin@ufsm.br Abstract:

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Sistemas Distribuídos. Professora: Ana Paula Couto DCC 064

Sistemas Distribuídos. Professora: Ana Paula Couto DCC 064 Sistemas Distribuídos Professora: Ana Paula Couto DCC 064 Consistência e Replicação Capítulo 7 Agenda Razões para Replicação Replicação como técnica de escalabilidade Modelos de Consistência centrados

Leia mais

ESTUDO PARA A GERAÇÃO DE REGRAS FUZZY PARA A CLASSIFICAÇÃO DE DADOS UTILIZANDO ALGORITMOS GENÉTICOS Jefferson Adriano do Rosario

ESTUDO PARA A GERAÇÃO DE REGRAS FUZZY PARA A CLASSIFICAÇÃO DE DADOS UTILIZANDO ALGORITMOS GENÉTICOS Jefferson Adriano do Rosario Unioeste - Universidade Estadual do Oeste do Paraná CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS Colegiado de Ciência da Computação Curso de Bacharelado em Ciência da Computação ESTUDO PARA A GERAÇÃO DE REGRAS

Leia mais

Mineração de Dados: Introdução e Aplicações

Mineração de Dados: Introdução e Aplicações Mineração de Dados: Introdução e Aplicações Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br Apresentação Luiz Merschmann Engenheiro

Leia mais

ÁRVORE DE DECISÃO / ALGORITMO GENÉTICO PARA TRATAR O PROBLEMA DE PEQUENOS DISJUNTOS EM CLASSIFICAÇÃO DE DADOS. Deborah Ribeiro Carvalho

ÁRVORE DE DECISÃO / ALGORITMO GENÉTICO PARA TRATAR O PROBLEMA DE PEQUENOS DISJUNTOS EM CLASSIFICAÇÃO DE DADOS. Deborah Ribeiro Carvalho ÁRVORE DE DECISÃO / ALGORITMO GENÉTICO PARA TRATAR O PROBLEMA DE PEQUENOS DISJUNTOS EM CLASSIFICAÇÃO DE DADOS Deborah Ribeiro Carvalho Orientador: Nelson Francisco Favilla Ebecken Co-Orientador: Alex Alves

Leia mais

Modelagem de Requisitos com Casos de Uso. Descrever em detalhe a técnica de Modelagem com Use Cases

Modelagem de Requisitos com Casos de Uso. Descrever em detalhe a técnica de Modelagem com Use Cases Engenharia de Software Modelagem de Requisitos com Casos de Uso 1 Objetivos Descrever em detalhe a técnica de Modelagem com Use Cases 2 1 Use Case É uma forma específica de uso do sistema através da execução

Leia mais

Transcrição Automática de Música

Transcrição Automática de Música Transcrição Automática de Música Ricardo Rosa e Miguel Eliseu Escola Superior de Tecnologia e Gestão do Instituto Politécnico de Leiria Departamento de Engenharia Informática A transcrição automática de

Leia mais

Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia

Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia Aluno: Gabriel Leite Mariante Orientador: Marley Maria Bernardes Rebuzzi Vellasco Introdução e

Leia mais

Aumentando a segurança do MD6 em relação aos ataques diferenciais

Aumentando a segurança do MD6 em relação aos ataques diferenciais Aumentando a segurança do MD6 em relação aos ataques diferenciais Valdson S. Cleto 1, Routo Terada 1 1 Instituto de Matemática e Estatística Universidade de São Paulo (USP) São Paulo SP Brazil vcleto@gmail.com,

Leia mais

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: Bacharelado em Sistemas de Informação DISCIPLINA: Fundamentos de Sistemas de Informação PROFESSOR: Paulo de Tarso Costa de Sousa TURMA: BSI 2B

Leia mais

2 Auto-sintonia de Bancos de Dados e Agentes de Software

2 Auto-sintonia de Bancos de Dados e Agentes de Software 2 Auto-sintonia de Bancos de Dados e Agentes de Software A uso da abordagem de agentes de software 1 pode trazer benefícios a áreas de aplicação em que é necessário construir sistemas autônomos, ou seja,

Leia mais

Extração de Conhecimento & Mineração de Dados

Extração de Conhecimento & Mineração de Dados Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática

Leia 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

MANUAL DO PROFESSOR MODERNO: 15 FERRAMENTAS TECNOLÓGICAS PARA MELHORAR A SUA PRODUTIVIDADE

MANUAL DO PROFESSOR MODERNO: 15 FERRAMENTAS TECNOLÓGICAS PARA MELHORAR A SUA PRODUTIVIDADE MANUAL DO PROFESSOR MODERNO: 15 FERRAMENTAS TECNOLÓGICAS PARA MELHORAR A SUA PRODUTIVIDADE SUMÁRIO >> Introdução... 3 >> Não confie em sua memória: agendas e calendários online estão a seu favor... 5 >>

Leia mais