Keywords: neural networks; Gross Domestic Product; Artificial Intelligence. 1. Introdução
|
|
- Olívia Rosa Salvado Sacramento
- 7 Há anos
- Visualizações:
Transcrição
1 DETERMINAÇÃO DO PRODUTO INTERNO BRUTO ATRAVÉS DOS PADRÕES DE CONSUMO E PRODUÇÃO DE ENERGIA UTILIZANDO REDES NEURAIS ARTIFICIAIS: UMA PROPOSTA DE ESTUDO PARA A AMÉRICA LATINA Maurílio Benite Bolsista do CNPq - Brasil Escola de Engenharia de São Carlos Universidade de São Paulo Avenida Trabalhador Sãocarlense, 400 CEP: São Carlos SP Marcelo Seido Nagano Faculdade de Economia, Administração e Contabilidade Universidade de São Paulo Av. dos Bandeirantes, 3900 CEP: Ribeirão Preto SP Abstract : This paper introduces a case study related to the evaluation of use of multilayer artificial neural networks in analysis of Gross Domestic Product s (GDP) determination for Latin American Countries. We make use of database included in 2001 s Keyworld Energy Statistics from the International Energy Statistics report, and found some evidences about concerning these types of data in determinacy of GDP. The study proposes the application of alternative exploratory and clustering proceeding methods based on Artificial Intelligence to search the determinants of macroeconomic aggregates. Keywords: neural networks; Gross Domestic Product; Artificial Intelligence 1. Introdução Redes neurais artificiais são modelos matemáticos não paramétricos baseados no funcionamento do sistema nervoso, particularmente do ser humano, constituídos por sistemas paralelos distribuídos compostos de unidades de processamento simples que aproximam funções matemáticas. Estas unidades ficam dispostas em camadas que realizam operações em simetria e se interligam através de conexões ponderadas, que correspondem ao conhecimento gerado e armazenado na rede (BISHOP, 1995). Estes métodos se constituem em uma alternativa na busca de soluções para uma vasta gama de problemas, como armazenagem ou recuperação de dados, classificação e reconhecimento de padrões, mapeamento de padrões de entrada, agrupamento de padrões, solução de problemas de otimização com restrições, entre muitos outros. Algumas das características mais importantes presentes nos modelos neurais são sua capacidade de aprendizado através de exemplos, sem que seja necessária a adoção de um algoritmo específico para uma aplicação específica, e a conseqüente generalização da informação aprendida, utilizável através da extrapolação dos resultados obtidos para eventos inéditos de um mesmo problema. Isso ocorre basicamente através da detecção de características comuns contidas em conjuntos de dados, gerando grupamentos e categorias (SARLE, 2001). Muito embora existam procedimentos paramétricos consagrados utilizados para a análise de dados, como a Análise Multivariada, a Metodologia Box- Jenkins e os Modelos Heterocedásticos ARCH-GARCH, os modelos de redes neurais artificiais possuem a inegável vantagem de não exigirem do usuário a aplicação de ENEGEP 2002 ABEPRO 1
2 nenhuma teoria acerca da organização destes dados, e podem mesmo fornecer subsídios para a atualização ou mesmo formulação de novas teorias acerca do assunto em questão. A aplicação de modelos neurais tem sido objeto de estudo em diversas áreas do conhecimento, como Computação, Engenharia, Matemática, Física, Psicologia, Medicina, Filosofia, Economia, Administração e outras (BRAGA, LUDERMIR e CARVALHO, 2000; HAYKIN, 1994;ZHANG, PATUWO and HU, 1998). Tais aplicações têm se diversificado à medida que se percebe que muitos dos problemas a serem solucionados fundamentalmente consistem no reconhecimento de padrões semelhantes estatisticamente. Deste modo, apresentamos neste trabalho um estudo fundado na topologia neural de redes multicamadas orientado à busca da determinação do Produto Interno Bruto de 23 países latino-americanos baseada em dados de produção e consumo de energia. Na medida em que a energia é o principal bem intermediário em uma economia, dadas as características da matriz tecnológica industrial vigente, e seu consumo e produção implicam diretamente nos níveis de atividade econômica e bem-estar, este tema se constitui em área de interesse para várias organizações, como empresas, entidades e organismos nacionais e internacionais, tanto no plano dos negócios como no planejamento público. Procuramos assim demonstrar a possibilidade de se estudar os panoramas energéticos regionais ou mundiais a partir do uso de técnicas de Inteligência Artificial. 2. Descrição geral das redes neurais artificiais Uma rede neural artificial é um sistema de processamento de informações que apresenta certas características em comum com as redes neurais biológicas que formam o sistema nervoso dos seres vivos. Redes neurais artificiais têm sido desenvolvidas através de generalizações via modelos matemáticos inspirados na cognição humana ou na biologia neural (FAUSETT, 1994), baseados nas seguintes hipóteses primárias: - O processamento de informações ocorre em elementos simples chamados neurônios; - São transmitidos sinais entre os neurônios através de conexões existentes entre eles; - Cada conexão tem associada a si uma ponderação, a qual, em uma rede neural típica, multiplica o sinal transmitido; o conjunto destas ponderações pode ser visto como o conhecimento armazenado na rede; - Neurônios que desempenham função semelhante durante o processamento da informação recebida são dispostos em uma mesma camada; assim, camadas sucessivas são criadas na rede neural com o intuito de se realizar em cada uma delas uma fase distinta do processamento (redes multicamadas); - A cada neurônio se aplica uma função de ativação (geralmente não linear) que computa seu sinal de saída a partir dos dados recebidos. ENEGEP 2002 ABEPRO 2
3 Camada de entrada Camada intermediária Camada de saída Conexões FIGURA1: Esquema de uma rede neural genérica. Adaptado de (ZELL et al, 2001). Existem dois paradigmas de aprendizagem sob os quais os mais diversos algoritmos de processamento têm sido desenvolvidos: o aprendizado supervisionado e o aprendizado não supervisionado (SARLE, 2001). O primeiro lança mão de um supervisor externo que direciona a resposta desejada para o problema, ajustando-se assim os parâmetros da rede de acordo com sua orientação; o segundo não possui nenhuma orientação externa, o que leva a rede a gerar representações internas dos dados a partir de regularidades estatísticas detectadas nos dados de entrada. Uma rede neural é essencialmente caracterizada através dos padrões de suas conexões entre os seus neurônios (a arquitetura da rede), pelo seu método de determinação das ponderações presentes nas conexões (seu algoritmo de treinamento ou aprendizagem) e por sua função de ativação. Como forma de proceder ao treinamento das redes neurais para o desempenho da função desejada, os dados utilizados são geralmente particionados em: - Amostra de treinamento: utilizada para efetivamente treinar a rede, isto é, para ajustar as ponderações das conexões entre os neurônios de cada camada; - Amostra de validação: utilizada para verificar a consistência do aprendizado da rede e para a seleção dos parâmetros a serem utilizados; - Amostra de teste: utilizada para controle da estimativa dos erros produzidos pela rede. Por fim, especificamente no caso das arquiteturas multicamadas, estudos comprovam que duas camadas intermediárias são suficientes para aproximar qualquer função matemática (CYBENKO, 1988). Portanto, os modelos de redes neurais artificiais multicamadas se comportam como classificadores universais de funções, o que os habilita ao emprego proposto neste trabalho. ENEGEP 2002 ABEPRO 3
4 3. Aplicação de Modelo Neurais Multicamadas no Estudo da Determinação do PIB de Países Latino-Americanos Redes neurais artificiais capturam relacionamentos não lineares subjacentes entre as variáveis explicativas e as variáveis explicadas, em uma amostra ou população. Comparadas a modelos lineares, as redes neurais artificiais possuem uma estrutura consideravelmente mais complexa, e são aptas a capturar relacionamentos não identificados pelas ferramentas tradicionais (ZHANG, PATUWO and HU, 1998). Contudo, como não especificam os mecanismos com as quais os resultados foram obtidos, as redes neurais artificiais são vistas como caixas-pretas nas quais não há nenhuma estrutura teórica imposta ao modelo, e o efeito exato de uma variável qualquer é difícil de ser identificado (MACLEAN, 2001). Além disso, os modelos paramétricos geralmente utilizados, e mais notadamente os modelos baseados nos trabalhos de Box e Jenkins, são bem aceitos e amplamente estabelecidos nesta área, e geralmente pesquisadores envolvidos com temas econômicos necessitam analisar não somente a variável dependente, mas também as variáveis independentes, como forma de detecção prévia de alguma modificação estrutural importante através do comportamento dos parâmetros do modelo, o que as técnicas não paramétricas não conseguem sinalizar. Contudo, sob um aspecto prático, muitas vezes modelos neurais apresentam resultados mais precisos do que os modelos paramétricos, o que tornaria atraente sua utilização, ao menos como instrumento de controle da qualidade dos estimadores. Este é o principal aspecto motivador deste estudo. O objetivo do trabalho apresentado é demonstrar a viabilidade do uso desta ferramenta na análise dos determinantes do Produto Interno Bruto relacionados ao consumo e produção de energia. Utilizamos neste estudo dados estatísticos fornecidos pela International Energy Agency em relatório do ano de 2001, para 23 países latino-americanos. Estes dados são os seguintes: - Produto Interno Bruto (GDP), expresso em bilhões de dólares, ano base 1995, utilizada como variável dependente; - População (Pop), oficial de cada país para o ano de 2001; - Energia Produzida (EnP), expressa em Mtoe (Equivalente em Milhões de Toneladas de Petróleo); - Importações Líquidas (NeI), relativas a combustível fóssil, expressas em Mtoe; - Oferta Primária Total de Energia (TPES), formada pela produção local + importações exportações depósitos internacionais marinhos + variação dos estoques, expressas em Mtoe; - Consumo de Eletricidade (ElC), formada pela geração bruta local + importações exportações + perdas na transmissão, expressas em TWh (Tera Watts por hora); - Emissão de CO2 (CO2), oriunda exclusivamente de combustíveis fósseis, expressas em Mt (Mega Toneladas) lançadas no meio ambiente. ENEGEP 2002 ABEPRO 4
5 Os países considerados no estudo são: Argentina, Bolívia, Brasil, Chile, Colômbia, Costa Rica, Cuba, República Dominicana, Equador, El Salvador, Guatemala, Haiti, Honduras, Jamaica, México, Antilhas Holandesas, Nicarágua, Panamá, Paraguai, Peru, Trinidad e Tobago, Uruguai e Venezuela. As topologias neurais testadas foram topologias multicamadas, respectivamente redes Multi Layer Perceptron - MLP (RUMELHART, HINTON and WILLIAMS, 1986), Radial Basis Function RBF (HE & LAPEDES, 1991) e Probabilistic Neural Networks - PNN (SPECKT, 1990), com o uso do programa Statistica Neural Networks 4.0, produzido pela empresa Statsoft Inc, em um microcomputador pessoal equipado com um processador AMD Athlon 1 GHz e 256 Mbytes de memória RAM. A configuração utilizada para a busca das soluções permitiu a utilização de todas as combinações possíveis entre as variáveis independentes, para que fosse possível a seleção das variáveis independentes mais relevantes, e não somente o uso compulsório da base de dados completa. O caso exibido por cada país foi considerado como um vetor de características independente dos outros para efeito de simulação das redes, e como controle da estimativa de erro foi utilizada a técnica de seleção aleatória das amostras (PRECHELT, 1994). Ao todo, foram testadas 564 redes neurais artificiais. Os resultados obtidos pelas dez melhores redes foram os seguintes: Rank Topologia Entrada Escondida Escondida Desempenho (1) (2) (%) 1 PNN , PNN , PNN , RBF ,107 5 RBF ,087 6 RBF , MLP , MLP , MLP , MLP ,5563 TABELA 1: Desempenho das 10 melhores redes neurais multicamadas obtidas. As colunas da Tabela 1 mostram, respectivamente, o ranking das redes neurais obtidas, a topologia da rede, o número de variáveis independentes considerada na camada de entrada da rede, o número de neurônios na primeira camada escondida (ou intermediária), o número de neurônios na segunda camada escondida e o desempenho percentual da rede em relação ao acerto da resposta ao problema apresentado. As melhores redes encontradas são baseadas na topologia PNN, ou seja, se tratam redes Bayesianas que conseguem detectar a causalidade da variável dependente em relação às variáveis independentes. Neste caso, a melhor rede não utilizou a variável NeI (importações líquidas de combustível fóssil), e retornou uma taxa de erro menor que 2%, indicando que, segundo as redes neurais multicamadas obtidas na simulação, esta variável não é relevante na determinação do Produto Interno Bruto. De acordo com a topologia PNN, a classificação das variáveis independentes, relativa à sua capacidade explicativa na determinação do PIB foi a seguinte: ENEGEP 2002 ABEPRO 5
6 Rank Variável Explicativa 1 ElC 2 Pop 3 EnP 4 TPES 5 CO2 6 NeI TABELA 2: Grau de importância das variáveis explicativas segundo redes neurais PNN Desta forma, fundamentados no bom desempenho percentual alcançado pelas redes neurais multicamacadas obtidas, acreditamos que houve êxito em encontrar uma relação de causalidade entre o PIB latino-americano e os dados de produção e consumo de energia da região, indicando que variáveis explicativas baseadas em dados de produção, consumo e geração de energia se mostram relevantes na determinação da atividade econômica. Segundo os resultados obtidos pela melhor topologia rede neural observada, a característica mais importante para a determinação do PIB latino-americano é o consumo de energia elétrica, seguida pela população do país e pela quantidade de energia produzida localmente. 4. Conclusões e Limitações Procuramos demonstrar neste trabalho que a aplicação de modelos não paramétricos na análise de problemas macroeconômicos é uma alternativa viável, tanto sob o aspecto matemático, quanto relativo ao custo computacional. Porém, mesmo para a rede neural artificial com o melhor resultado, houve uma diferença significante entre as taxas de erros verificadas entre as amostras de validação e teste. Isso é um forte indicativo de que as redes obtidas podem ter ficado super-treinadas, ou seja, a topologia pode ter decorado os dados ao invés de extrair conhecimento destes, de modo que de um novo de treinamento pode alterar todo o resultado obtido. Idealmente, em termos da utilização da técnica, seria necessária a obtenção de mais dados para o treinamento. Entretanto, a adição de mais variáveis pode modificar o aprendizado contido na rede, fazendo-se necessário um novo procedimento de simulação. Esta limitação é particularmente importante quando dispomos de resultados de desempenho bastante elevados. Uma alternativa interessante no sentido de minimizar estes problemas seria efetuar um estudo mais aprofundado e diversificado, como por exemplo realizar-se uma comparação entre países com o uso de dados para anos diferentes, tentando-se encontrar analogias e a partir daí então abrir a possibilidade de se traçar cenários, apontar-se problemas potenciais e utilizar soluções bem-sucedidas de maneira mais pontual e específica. Esclarecemos que se trata o presente estudo apenas de um estágio inicial de análise do problema, mostrado com o intuito de se externar as potencialidades de aplicação de ferramentas de Inteligência Artificial na análise de temas macroeconômicos. 6. Bibliografia BISHOP, C. M. (1995). Neural Networks for Pattern Recognition. Birmingham, Oxford University Press. ENEGEP 2002 ABEPRO 6
7 BRAGA, A. P.; LUDERMIR, T. B.; CARVALHO, A C. P. L. F.(2000). Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro, Livro Técnico e Científico. CYBENKO, G. (1988). Continuous valued neural networks with two hidden layers are sufficient. Medford, Department of Computer Science, Tufts University (Technical Report). FAUSETT, L. (1994). Fundamentals of Neural Networks: Architectures, Algorhitms, and Applications. Englewood Cliffs, Prentice Hall. HAYKIN, S. (1994). Neural Networks: A Comprehensive Foundation. Hamilton, Prentice- Hall. HE, X.; LAPEDES, A. (1991). Nonlinear Modelling and Prediction by Sucessive Approximations Using Radial Basis Functions. Los Alamos National Laboratory (Technical Report). INTERNATIONAL ENERGY AGENCY. (2001). Keyworld Energy Statistics from the IEA. (08 Nov). MACLEAN, D. (2001). Analyzing the Monetary Aggregates. Bank of Canada Review, Summer, p PRECHELT, L. (1994). PROBEN 1 A Set of Benchmarks and Benchmarking Rules for Neural Networks Training Algorhitms. Karlsruhe, University of Karlsruhe (Technical Report 21/94). RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. (1986). Learning Representations by Back-propagation Errors. Nature, v. 323, p SARLE, W. S., ed. (2001). Neural Network FAQ. ftp://ftp.sas.com/pub/neural/faq.txt.zip (18 Sep). SPECKT, D.F. (1990). Probabilistic Neural Networks. Neural Networks, v.3, n.1, p ZHANG, G.; PATUWO, B. E.; HU, M.Y. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, v. 14, p ZELL, A. et al. (2001). SNNS - Stuttgart Neural Networks Simulator: User manual, version (27 Aug). ENEGEP 2002 ABEPRO 7
XII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisUtilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Introdução Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisNaladi/SH 96 ARGENTINA BOLÍVIA BRASIL CHILE COLÔMBIA CUBA EQUADOR MÉXICO PARAGUAI PERU URUGUAI VENEZUELA E E E E E E E
Naladi/SH 96 ARGENTINA BOLÍVIA BRASIL CHILE COLÔMBIA CUBA EQUADOR MÉXICO PARAGUAI PERU URUGUAI VENEZUELA 01011100 E 01011910 E E E 01011990 E E E 01012000 E 01021000 E 01029000 E E E 01031000 E 01039100
Leia maisTributação dos Salários Transfiguração (do emprego em capital) Vilma da Conceição Pinto José Roberto Afonso
Tributação dos Salários Transfiguração (do emprego em capital) Vilma da Conceição Pinto José Roberto Afonso 10 de Outubro de 2017 Sumário Diagnóstico Carga sobre salários é muito elevada e complexa Empresas
Leia maisAvaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisOescore referente à média de liberdade
Capítulo 5 Liberdade Econômica nas Cinco Regiões James M. Roberts e Anthony B. Kim Oescore referente à média de liberdade econômica global é de 60,3, de acordo com o levantamento do nosso Índice de 2008.
Leia mais152 a SESSÃO DO COMITÊ EXECUTIVO
ORGANIZAÇÃO PAN-AMERICANA DA SAÚDE ORGANIZAÇÃO MUNDIAL DA SAÚDE 152 a SESSÃO DO COMITÊ EXECUTIVO Washington, D.C., EUA, 17 a 21 de junho de 2013 ORIGINAL: INGLÊS RESOLUÇÃO CE152.R17 CONTRIBUIÇÕES FIXAS
Leia mais49 o CONSELHO DIRETOR 61 a SESSÃO DO COMITÊ REGIONAL
ORGANIZAÇÃO PAN-AMERICANA DA SAÚDE ORGANIZAÇÃO MUNDIAL DA SAÚDE 49 o CONSELHO DIRETOR 61 a SESSÃO DO COMITÊ REGIONAL Washington, D.C., EUA, 28 de setembro a 2 de outubro de 2009 Tema 4.3 da agenda provisória
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia mais28 a CONFERÊNCIA SANITÁRIA PAN-AMERICANA 64 a SESSÃO DO COMITÊ REGIONAL
ORGANIZAÇÃO MUNDIAL DA SAÚDE 28 a CONFERÊNCIA SANITÁRIA PAN-AMERICANA 64 a SESSÃO DO COMITÊ REGIONAL Washington, D.C., EUA, 17 a 21 de setembro de 2012 Tema 5.1 da Agenda Provisória 2 de agosto de 2012
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Multi-layer Perceptrons e Backpropagation Marcílio Souto DIMAp/UFRN Redes de várias camadas MLP - Multi-Layer Perceptron (Adaline?!) Backpropagation network Superar as limitações
Leia maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia maisAPRESENTAÇÃO DA EMPRESA PENSANDO EM VOCÊ
APRESENTAÇÃO DA EMPRESA PENSANDO EM VOCÊ SOBRE A EMPRESA Fundada em 1985, a Zanardo atua no mercado de válvulas, atendendo as necessidades de seus clientes em diversos segmentos com qualidade e eficiência,
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisReconhecimento de Alvos utilizando Redes Neurais Construtivas
Reconhecimento de Alvos utilizando Redes Neurais Construtivas ERNESTO CUADROS VARGAS HUMBERTO COSTA DE SOUSA ANDRÉ CARLOS PONCE DE LEON FERREIRA DE CARVALHO LABIC-- Laboratório de Inteligência Computacional
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisV SEMINÁRIO DE INTERNACIONALIZAÇÃO UNIVERSITÁRIA E VI WORKSHOP DE TRABALHO PAEC OEA-GCUB Brasília 17 a 19 de maio de 2017
V SEMINÁRIO DE INTERNACIONALIZAÇÃO UNIVERSITÁRIA E VI WORKSHOP DE TRABALHO PAEC OEA-GCUB 2017 FORMAÇÃO DE MESTRES E DOUTORES COMO VETOR PARA O DESENVOLVIMENTO DA REGIÃO DAS AMÉRICAS Brasília 17 a 19 de
Leia maisPROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisDiagnóstico de falha em transformadores de alta tensão com Redes Neurais Artificiais
Diagnóstico de falha em transformadores de alta tensão com Redes Neurais Artificiais Ricardo Luiz Nacarato, Dorotéa Vila nova Garcia, Maurício Conceição Mário, João Inácio da Silva Filho Unisanta- Universidade
Leia maisSNP33D90 REDES NEURAIS ARTIFICIAIS
SNP33D90 REDES NEURAIS ARTIFICIAIS Engenharia Elétrica Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 1. IDENTIFICAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Disciplina: REDES NEURAIS ARTIFICIAIS
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisREDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisAprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
Leia maisMulti-Layer. Perceptron. Sumário. Previsão de Séries Temporais
Multi-Layer Perceptron Previsão de Séries Temporais Sumário O problema de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Resultados 11 Previsão de Carga Um sistema preciso de previsão
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia mais3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Redes Neurais
3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Motivado pela importância do estabelecimento de um sistema de apoio à decisão que auxiliasse o operador de tempo real durante
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Multi-Layer Perceptrons (Back Propagation Radial Basis Functions (RBFs Competitive Learning Hopfield Formas de Aprendizado
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia maisDIRETORIA DE ESTUDOS SOCIOECONÔMICOS, INFORMAÇÕES E DESENVOLVIMENTO URBANO E RURAL DEPARTAMENTO DE SISTEMA DE INFORMAÇÕES
PRINCIPAIS PAÍSES DE DESTINO DA EXPORTAÇÃO DO MUNICÍPIO DE PIRACICABA - 2005 2005 Estados Unidos 421.693.481 25,29 México 124.421.946 7,46 Argentina 73.091.226 4,38 Federação da Rússia 59.379.834 3,56
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia mais