Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons

Tamanho: px
Começar a partir da página:

Download "Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons"

Transcrição

1 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 de múltiplas camadas solucionam essa restrição Multi-Layer Perceptrons Rede de 3 camadas: 5 / 5 / 3 / 4 Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes de múltiplas camadas solucionam essa restrição O desenvolvimento do algoritmo Back Propagation foi um dos motivos para o ressurgimento da área de Redes Neurais 1

2 Back Propagation O grande desafio foi achar um algoritmo de aprendizado para a atualização dos pesos das camadas intermediárias. Idéia Central: Os erros dos elementos processadores da camada de saída (conhecidos pelo treinamento supervisionado) são retro-propagados para as camadas intermediárias x 1 Padrão de x 2 Entrada: vetor X Back Propagation Modelo básico do Neurônio Artificial: x i +1 w j1 w j2 w ji Bias = θ j net j s j Back Propagation Back Propagation Características Básicas: Regra de Propagação net j = Σ x i.w ji + θ j Função de Ativação Função Não-Linear Linear, diferenciável em todos os pontos. Topologia Múltiplas camadas. Algoritmo de Aprendizado Supervisionado Valores de Entrada/Saída Binários e/ou Contínuos Topologia: Entrada Camadas Escondidas Camada de Saída PE j 2

3 Processo de minimização do erro quadrático pelo método do Gradiente Decrescente w ji = -η δe δw ji Cada peso sináptico i do elemento processador j é atualizado proporcionalmente ao negativo da derivada parcial do erro deste processador com relação ao peso. Na verdade, deve-se minimizar o erro de todos os processadores da camada de saída, para todos os padrões Usa-se o E SSE Sumum of Squared Errors E SSE Sum of Squared Errors E SSE = 1 Σ p Σ j (t pj -s pj ) 2 2 t pj = valor desejado de saída do padrão p para o processador j da camada de saída s pj = estado de ativação do processador j da camada de saída quando apresentado o padrão p E SSE Sum of Squared Errors Vantagem: os erros para diferentes padrões, para diferentes saídas são INDEPENDENTES 3

4 Cálculo de w ji w ji = -η δe p = - η δe p δnet j δw ji δnet j δw ji e j = - δe p δnet j w ji = η. e j. s i net j = Σ s i.w ji + θ j e j = - δe p δnet j Cálculo de e j Depende da camada à qual o processador j pertence: δe p = δe p. δs j δnet j δs j δnet j Se j Camada de Saída Se j Camada de Saída F (net s j = F(net Cálculo de e j j Camada de Saída Cálculo de e j j Camada Escondida e j = - δe p δnet j E p =Σ j 1 (t j - s 2 2 δe p = δe p. δs j δnet j δs j δnet j [ 2. 1 (t( j - s.(-1)] 2 F (net s j = F(net e j = - [ - (t j - s ]. F (net = (t j -s F (net e j = - δe p δnet j E p = f(s =? δe p = δe p. δs j δnet j δs j δnet j F (net s j = F(net 4

5 Cálculo de e j j Camada Escondida Cálculo de e j j Camada Escondida Pelo aprendizado supervisionado, só se conhece o erro na camada de saída ( ); Erro na saída ( ) é função do potencial interno do processador (net k ); O net k depende dos estados de ativação dos processadores da camada anterior (s e dos pesos das conexões (w k; Portanto, s j de uma camada escondida afeta, em maior ou menor grau, o erro de todos os processadores da camada subsequente. Processador j da camada escondida F(net) w j1 s j w j2 sj s j w jk PE 2 e 2 Cálculo de e j j Camada Escondida e j = - δe p δnet j δe p = δe p. δs j δnet j δs j δnet j Após o cálculo da derivada, tem-se: δ E p = δ [ 1 Σ k (t k -s k ) 2 ] δs j δs j 2 = 2. 1 [ Σ k (t k -s k ) ].(-1). δs k 2 δs j = - [ Σ k (t k -s k ) ]. F (net k ). δnet k δs j e j = - {- Σ k. w jk }. F (net e j = F (net. Σ k. w kj F (net s j = F(net w ji = η.s i.e j Onde: s i valor de entrada recebido pela conexão i e j valor calculado do erro do processador j 5

6 Cálculo do Erro (e( Cálculo do Erro (e( Processador j pertence à Camada de Saída: e j = (t j -s. F (net Processador j da camada de saída Processador j pertence à Camada Escondida: e j = (Σ.w k. F (net w 1j s i w ji F(net) saída: s j Valor desejado de saída: t j s i w ji Processador j da camada escondida F(net) w 2j e 2 w kj PE 2 O algoritmo Back Propagation tem portanto duas fases, para cada padrão apresentado: Feed-Forward Forward as entradas se propagam pela rede, da camada de entrada até a camada de saída. Feed-Backward os erros se propagam na direção contrária ria ao fluxo de dados, indo da camada de saída até a primeira camada escondida. Fas: Feed-Forward Entrada Valor de entrada 2 Camadas Escondidas Fluxo de Dados Camada de Saída 6

7 Fas: Feed-Forward Fluxo de Dados Fas: Feed-Forward Fluxo de Dados Entrada 2 Camadas Escondidas Camada de Saída Entrada 2 Camadas Escondidas Camada de Saída Valor de entrada Valor de entrada Fas: Feed-Forward Entrada Fluxo de Dados 2 Camadas Escondidas Camada de Saída Cálculo do erro da camada de saída Valor alvo t 1 s 1 t 2 s 2 t m s m Valor de entrada e m = (t( m -ss m ). F (net) F 7

8 Atualização dos pesos da camada de saída Cálculo do erro da 2 camada escondida w 11 w w 21 m1 e1 t 1 s 1 w 11 w w 21 m1 e1 t 1 s 1 t 2 t 2 s 2 s 2 e e m m e m t m s m e e m m e m t m s m w mk e m w mk e m w mk = η.s k.e m = (Σ e m.w mk ).F (net).w mk ). Atualização dos pesos da 2 camada escondida Cálculo do erro da 1 camada escondida w 1 1 e PE w e w 1 w 31 k1 w 11 w 21 w w 31 k1 w ki ek w ki = η.s i. w ki ek e i = (Σ.w ki ).F (net).w ki ). 8

9 Atualização dos pesos da 1 camada escondida w ji = η.s i.e j e1 e1 w w j1 j2 w j3 e e j w ji j e j PE j e j Este procedimento de aprendizado é repetido diversas vezes, até que, para todos os processadores da camada de saída e para todos os padrões de treinamento, o erro seja menor do que o especificado. Algoritmo de Aprendizado Inicialização: pesos iniciados com valores aleatórios e pequenos ( w 0.1) Treinamento: Loop até que o erro de cada processador de saída seja tolerância, para todos os padrões do conjunto de treinamento. Aplica-se um padrão de entrada X i com o respectivo vetor de saída Y i desejado. Calcula-se as saídas dos processadores, começando da primeira camada escondida até a camada de saída. Calcula-se o erro para cada processador da camada de saída. Se erro tolerância, para todos os processadores, volta ao passo. Calcula a variação dos pesos de cada processador, começando pela camada de saída, até a primeira camada escondida. Volta ao passo Avaliação do Algoritmo Foi demonstrado que a Multi-Layer Perceptron é um Aproximador Universal, isto é, pode representar qualquer função. O BP é o algoritmo de Redes Neurais mais utilizado em aplicações práticas de previsão, classificação e reconhecimento de padrões em geral. 9

10 Capacidade das MLP Capacidade das Multi-Layer Perceptrons (MLP) Mostrou-se que 2 camadas escondidas são suficientes para representar regiões de qualquer tipo. Cybenko 88 Continuos valued neural networks with two hidden layers are sufficient, Technical report, Department of Computer Science, Tufts University, Lippmann 87 An Introduction to Computing with Neural Networks, ASSP Magazine, pp. 4-22, April Capacidade das MLP AND OR Capacidade das MLP Demonstrou-se que as Multi-Layer Perceptrons com uma camada escondida são Aproximadores Universais (funções contínuas). capacidade de aproximar, com precisão arbitrária, essencialmente qualquer mapeamento contínuo nuo do hipercubo [-1, +1] no intervalo (-1, +1). Cybenko 89 Approximation by superpositions of a Sigmoidal Function, Mathematics of Control, Signals and Systems, 2,

11 BP / Aproximador Universal É somente uma prova de existência, não garantindo que: uma única camada é ótimo em termos de tempo; que é de fácil implementação; nem que um determinado algoritmo de otimização irá encontrar a necessária configuração de pesos sinápticos. BP / Aproximador Universal Verificou-se que o erro decresce na ordem de O( 1/ N ), conforme o número N de padrões aumenta. Verificou-se também que o erro decresce na ordem de O( 1/ M ) em função do número M de processadores escondidos. Rule of Thumb N > O( Mp / ε ) onde N= # de padrões; M = # de processadores escondidos; p = dimensão da entrada (Mp # de parâmetros); ε = erro mínimo desejado. 11

Redes Neurais Artificiais (RNA) Definições. Prof. Juan Moisés Mauricio Villanueva

Redes Neurais Artificiais (RNA) Definições. Prof. Juan Moisés Mauricio Villanueva Redes Neurais Artificiais (RNA) Definições Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br 1 Conteúdo 1. 2. 3. 4. 5. 6. Introdução Modelos básicos e regras de aprendizagem Rede neural de retro

Leia mais

Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental

Algoritmos 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 Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado

Leia mais

Algoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.

Algoritmos 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 mais

3 Redes Neurais Artificiais

3 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 mais

Redes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação

Redes Neurais: MLP. 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: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas

Leia mais

Fundamentos de Inteligência Artificial [5COP099]

Fundamentos 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 mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas

Leia mais

UM 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 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 mais

3 Redes Neurais Introdução

3 Redes Neurais Introdução 3 Redes Neurais 3.. Introdução As redes neurais artificiais, ou comumente conhecidas como Neural Networs, foram motivadas em princípio pela extraordinária capacidade do cérebro humano para executar tarefas

Leia mais

Perceptron de Múltiplas Camadas e Backpropagation

Perceptron de Múltiplas Camadas e Backpropagation Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Perceptron de Múltiplas Camadas e Backpropagation Redes Neurais Artificiais Site: http://jeiks.net

Leia mais

Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox.

Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. Universal. Teorema de Aprox. SCE-5809 - REDES NEURAIS Redes Neurais Multi-Camadas Parte 3 Profa Roseli Ap Francelin Romero Qual é o número mínimo de camadas num PMC que fornece uma aproximação para qualquer mapeamento contínuo? Cybenko,

Leia mais

4 Redes Neurais Artificiais

4 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 mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE 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 mais

Aprendizado de Máquina (Machine Learning)

Aprendizado de Máquina (Machine Learning) Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em

Leia mais

Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana

Introdução 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 mais

serotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina

serotonina (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 mais

Rede RBF (Radial Basis Function)

Rede 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 mais

Redes Neurais Artificial

Redes Neurais Artificial Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado

Leia mais

Inteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida

Inteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas

Leia mais

SCC Capítulo 5 Perceptron Multicamadas

SCC Capítulo 5 Perceptron Multicamadas Introdução Back-propagation (BP) MLPs Convolução SCC-5809 - Capítulo 5 Perceptron Multicamadas João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes

Leia mais

Classificação Linear. André Tavares da Silva.

Classificação Linear. André Tavares da Silva. Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron

Leia mais

INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA 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 mais

RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ

RECONHECIMENTO 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 mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

Redes Neurais Artificiais. Professor: Juan Moises Villanueva Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Sumário 1. Sistemas Inteligentes 2. Introdução as Redes Neurais Artificias Neurônio Biológico

Leia mais

REDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio

REDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio REDES NEURAIS Sistema Nervoso 2 O que é? É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos Engloba o cérebro Sua unidade fundamental é o neurônio Se diferencia

Leia mais

Sistemas Inteligentes

Sistemas Inteligentes Sistemas Inteligentes UNIDADE 5 Redes Neurais Artificiais (Perceptron Multicamadas Conceitos) Prof. Ivan Nunes da Silva. Rede Perceptron Multicamadas Aspectos de arquitetura Redes Perceptron de Múltiplas

Leia mais

Redes Neurais MLP: Exemplos e Características

Redes Neurais MLP: Exemplos e Características Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1

Leia mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo

Leia mais

TREINAMENTO DE REDES PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO O CONCEITO DE SPARSE DISTRIBUTED MEMORY

TREINAMENTO DE REDES PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO O CONCEITO DE SPARSE DISTRIBUTED MEMORY TREINAMENTO DE REDES PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO O CONCEITO DE SPARSE DISTRIBUTED MEMORY Leonardo Jose Silvestre, Cristiano Leite de Castro, Antônio de Padua Braga Universidade Federal de

Leia mais

Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão

Multi-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 mais

Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais

Classificação 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 mais

Inteligência Computacional

Inteligência 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 mais

4 Redes Neurais Artificiais RNAs

4 Redes Neurais Artificiais RNAs 66 4 Redes Neurais Artificiais RNAs Redes neurais artificial (RNA) são algoritmos que se baseiam no comportamento do cérebro humano. Dessa forma, imita a estrutura massivamente paralela do cérebro, com

Leia mais

3 REDES NEURAIS ARTIFICIAIS

3 REDES NEURAIS ARTIFICIAIS 50 3 REDES NEURAIS ARTIFICIAIS Este capitulo apresenta uma descrição sucinta da teoria básica de Redes Neurais Artificiais e sobre a criação do Comitê de Redes Neurais. Se o leitor estiver familiarizado

Leia mais

Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN

Previsão 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 mais

Redes Neurais não Supervisionadas: SOM

Redes Neurais não Supervisionadas: SOM Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos

Leia mais

PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL

PREVISÃO 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 mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

Redes Neurais Artificiais. Professor: Juan Moises Villanueva Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em

Leia mais

Protótipo de Software para Reconhecimento de Impressões Digitais

Protótipo de Software para Reconhecimento de Impressões Digitais Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS

Leia mais

Redes Neurais Artificiais. Capítulos 1 e 2

Redes Neurais Artificiais. Capítulos 1 e 2 Redes Neurais Artificiais Introdução Capítulos 1 e 2 Redes Neurais Artificiais (RNA) São modelos computacionais inspirados nos mecanismos de aprendizagem do cérebro humano. São modelos computacionais que

Leia mais

Professor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO

Professor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Redes Neurais Artificiais ou simplesmente Redes Neurais (também conhecidas como modelos conexionistas) têm sido, ao longo dos últimos anos, uma área de

Leia mais

3 Inteligência Computacional

3 Inteligência Computacional 3 Inteligência Computacional Inteligência Computacional (IC) é um ramo da ciência da computação que desenvolve, através de técnicas inspiradas na natureza, algoritmos capazes de imitar algumas habilidades

Leia mais

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME 1 Conceitos básicos Naive Bayes K-vizinhos mais

Leia mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

Redes Neurais Artificiais. Professor: Juan Moises Villanueva Redes eurais Artificiais Mestrando: Lucas icolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Sumário 1. Redes Adaline e Madaline 2. Redes eurais Diretas 3. Funções de Ativação Discreta

Leia mais

Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy

Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy C. M. Oliveira, A. D. P. Lotufo Departamento de Engenharia Elétrica Universidade Estadual Paulista, UNESP Ilha Solteira, São

Leia mais

RECONSTRUÇÃO E RECONHECIMENTO DE IMAGENS BINÁRIAS UTILIZANDO O ALGORITMO MÁQUINA DE BOLTZMANN

RECONSTRUÇÃO E RECONHECIMENTO DE IMAGENS BINÁRIAS UTILIZANDO O ALGORITMO MÁQUINA DE BOLTZMANN UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA GUSTAVO BRUNO DO VALE RECONSTRUÇÃO E RECONHECIMENTO DE IMAGENS BINÁRIAS UTILIZANDO O ALGORITMO MÁQUINA

Leia mais

Aprendizado de Máquinas. Multi-Layer Perceptron (MLP)

Aprendizado de Máquinas. Multi-Layer Perceptron (MLP) Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.

Leia mais

3 Modelos Comparativos: Teoria e Metodologia

3 Modelos Comparativos: Teoria e Metodologia 3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito

Leia mais

2 Aprendizado de Máquina

2 Aprendizado de Máquina 2 Aprendizado de Máquina Desde que os computadores foram inventados, sempre nos perguntamos se eles poderiam ser feitos para aprender. Se pudéssemos compreender como programá-los para aprender e melhorar

Leia mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem

Leia mais

UNIVERSIDADE ESTADUAL PAULISTA UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

UNIVERSIDADE ESTADUAL PAULISTA UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE ESTADUAL PAULISTA UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Introdução e Principais Conceitos Carlos Roberto Minussi Anna Diva Plasencia

Leia mais

Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO

Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva

Leia mais

Ricardo Cavalcanti Costa Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos Baseados em Redes Neurais Artificiais

Ricardo Cavalcanti Costa Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos Baseados em Redes Neurais Artificiais UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE ENERGIAS ALTERNATIVAS E RENOVÁVEIS DEPARTAMENTO DE ENGENHARIA ELÉTRICA Ricardo Cavalcanti Costa Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos

Leia mais

Introdução às Redes Neurais Artificiais

Introdução 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 mais

Inteligência Artificial

Inteligência Artificial Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis

Leia mais

AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO

AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO AVALIAÇÃO DE CONFIGURAÇÕES DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE CONSUMO DE ENERGIA DE SISTEMAS DE CLIMATIZAÇÃO Esteban Fernandez Arancibia ep.fdez@gmail.com Resumo:Este trabalho apresenta um estudo

Leia mais

Paradigmas de Aprendizagem

Paradigmas de Aprendizagem Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com

Leia mais

Um ambiente de Redes Neurais para Web

Um ambiente de Redes Neurais para Web Universidade Federal de Pernambuco Centro de Ciências Exatas e da Natureza Departamento de Informática Um ambiente de Redes Neurais para Web Autor: Fausto Dias Oliveira de Queiroz Orientadores: Teresa

Leia mais

Modelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:

Modelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis: Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização

Leia mais

Fundamentos das Redes Neurais: exemplos em Java

Fundamentos das Redes Neurais: exemplos em Java Fundamentos das Redes Neurais: exemplos em Java Recife 2008 Copyringt by 2007 Mêuser Valença Impresso no Brasil Printed in Brazil Editor Tarcísio Pereira Diagramação Maria do Carmo de Oliveira Capa Valeska

Leia mais

Um Sistema Distribuído para Treinamento de Redes Neurais

Um Sistema Distribuído para Treinamento de Redes Neurais Um Sistema Distribuído para Treinamento de Redes Neurais JOSÉ REINALDO LEMES JÚNIOR UFLA - Universidade Federal de Lavras DCC Departamento de Ciência da Computação Cx Postal 3037 CEP 37200-000 Lavras (MG)

Leia mais

ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS

ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS Gustavo Matheus de Almeida 1, Marcelo Cardoso 1, Éder Domingos de

Leia mais

Modelo de Hopfield. Modelo de Hopfield. Modelo de Hopfield. Modelo de Hopfield. Redes Neurais Auto-organizáveis Modelo de Hopfield

Modelo de Hopfield. Modelo de Hopfield. Modelo de Hopfield. Modelo de Hopfield. Redes Neurais Auto-organizáveis Modelo de Hopfield (1982) Redes Neurais Auto-organizáveis Profa. Roseli Ap. Francelin Romero O problema de Memória Associativa Armazene um conj. de p padrões x iλ de tal forma que quando uma nova entrada x i é apresentada,

Leia mais

Inteligência Artificial Redes Neurais Artificiais

Inteligência Artificial Redes Neurais Artificiais Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta

Leia mais

5 Redes Neurais Artificiais

5 Redes Neurais Artificiais 5 Redes Neurais Artificiais 5.1. Introdução A motivação original desta metodologia 1 foi a tentativa de modelar a rede de neurônios humanos visando compreender o funcionamento do cérebro. Portanto, como

Leia mais

Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais

Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais Revista Tecnologias em Proeção v n p 8-5 dez 8 Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais Ircílio Chissolucombe Resumo A Inteligência Artificial tem sido muito utilizada

Leia mais

ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.

ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.

Leia mais

Introdução às Redes Neurais Artificiais

Introdução 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 mais

CONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING

CONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING CONSTRUINDO INTERVALOS DE CONFIANÇA NA PREVISÃO DA POTÊNCIA DO VENTO UTILIZANDO RESERVOIR COMPUTING Breno Menezes Escola Politécnica de Pernambuco Universidade de Pernambuco Recife, Brasil E-mail: bamm@ecomp.poli.br

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais rtificiais Histórico, Modelos e prendizado Neural Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando Osório Centro de Ciências Exatas e Tecnológicas - C6 / E-mail:

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais André Ricardo Gonçalves andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Sumário 1 Redes Neurais Artificiais p. 3 1.1 Inspiração Biológica..............................

Leia mais

DESEMPENHO DO ALGORÍTMO DE BACKPROPAGATION COM A FUNÇÃO DE ATIVAÇÃO BI-HIPERBÓLICA

DESEMPENHO DO ALGORÍTMO DE BACKPROPAGATION COM A FUNÇÃO DE ATIVAÇÃO BI-HIPERBÓLICA September 4-8, DESEMPENHO DO ALGORÍTMO DE BACKPROPAGATION COM A FUNÇÃO DE ATIVAÇÃO BI-HIPERBÓLICA Geraldo Miguez COPPE / PESC, Universidade Federal do Rio de Janeiro, Brasil geraldomiguez@gmail.com Nelson

Leia mais

O Uso de Redes Neurais na Engenharia de Avaliações: Determinação dos Valores Venais de Imóveis Urbanos

O Uso de Redes Neurais na Engenharia de Avaliações: Determinação dos Valores Venais de Imóveis Urbanos O Uso de Redes Neurais na Engenharia de Avaliações: Determinação dos Valores Venais de Imóveis Urbanos Neural Network Use in Evaluation Engineering: Figuring Out the Value of Urban Real Estate Tax Marisa

Leia mais

SELEÇÃO DE CARACTERÍSTICAS DE DADOS UTILIZANDO REDES NEURAIS ARTIFICIAIS

SELEÇÃO DE CARACTERÍSTICAS DE DADOS UTILIZANDO REDES NEURAIS ARTIFICIAIS ÁLVARO HENRIQUE NOGUEIRA DE LIMA SELEÇÃO DE CARACTERÍSTICAS DE DADOS UTILIZANDO REDES NEURAIS ARTIFICIAIS LAVRAS MG 2012 ÁLVARO HENRIQUE NOGUEIRA DE LIMA SELEÇÃO DE CARACTERÍSTICAS DE DADOS UTILIZANDO

Leia mais

Rede Neural Artificial Aplicada em um Reconhecimento Automático de Voz Independentemente do Locutor

Rede Neural Artificial Aplicada em um Reconhecimento Automático de Voz Independentemente do Locutor PAPER 131 Rede Neural Artificial Aplicada em um Reconhecimento Automático de Voz Independentemente do Locutor Luiz Eduardo da SILVA 1, Germano LAMBERT-TORRES 2, Wagner S. VIEIRA 2, Ciro R. SANTOS 2, Rômulo

Leia mais

Introdução às Redes Neurais Artificiais. Eduardo Simas

Introdução às Redes Neurais Artificiais. Eduardo Simas Introdução às Redes Neurais Artificiais Eduardo Simas (eduardo.simas@ufba.br) Sumário O que são as Redes Neurais Artificiais? Para que servem? Processamento da Informação Tipos de Redes Neurais Modos de

Leia mais

3 Aprendizado por reforço

3 Aprendizado por reforço 3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina

Leia mais

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 20 - Backpropagation

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 20 - Backpropagation Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 20 - Backroagation Introdução Redes de uma camada resolvem aenas roblemas linearmente searáveis Solução: utilizar mais de uma camada Camada 1: uma

Leia mais

Mapas Auto-Organizáveis de Kohonen SOM

Mapas Auto-Organizáveis de Kohonen SOM Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com

Leia mais

Inteligência Artificial

Inteligência Artificial Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis

Leia mais

Introdução às Redes Neurais Artificiais

Introdução 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 mais

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE PREÇOS DE FRUTAS E HORTALIÇAS

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE PREÇOS DE FRUTAS E HORTALIÇAS UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE PREÇOS DE FRUTAS E HORTALIÇAS 1 Leandro Oliveira Araujo; 1 Heder Saito Nunes; 1 Alex Vinicius de Bastos Rangel; 1 Thiago Santiago Barbosa; 1 Aluno

Leia mais

MODELO DE PREVISÃO DE DEMANDA BASEADO EM REDES NEURAIS: OTIMIZANDO A CADEIA DE SUPRIMENTOS

MODELO DE PREVISÃO DE DEMANDA BASEADO EM REDES NEURAIS: OTIMIZANDO A CADEIA DE SUPRIMENTOS MODELO DE PREVISÃO DE DEMANDA BASEADO EM REDES NEURAIS: OTIMIZANDO A CADEIA DE SUPRIMENTOS Área temática: Gestão da Produção Ramon Cunha de Farias ramoncfarias@gmail.com Giovane Quadrelli Giovane.quadrelli@ucp.br

Leia mais

Redes Neurais Artificiais ( Neural(

Redes Neurais Artificiais ( Neural( Redes Neurais Artificiais ( Neural( Netwrks ) Definiçã (Segund Haykin em [HAYKIN 200] ) Uma rede neural é um prcessadr maciçamente paralelamente distribuíd cnstituíd de unidades de prcessament simples,

Leia mais

ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS

ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS David Gabriel de Barros Franco Pontifícia Universidade Católica do Paraná david.barros@pucpr.br Maria Teresinha

Leia mais

Regressão. Prof. Fabrício Olivetti de França Universidade Federal do ABC

Regressão. Prof. Fabrício Olivetti de França Universidade Federal do ABC Regressão Prof. Fabrício Olivetti de França Universidade Federal do ABC Aprendendo com Exemplos Uma das formas de aprendizado de máquina é definido como: Dado um conjunto de exemplos X, com cada x sendo

Leia mais

ESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO

ESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 ESTUDO DE ALGORITMO MLP COMO APROXIMADOR

Leia mais

Reconhecimento de Padrões

Reconhecimento de Padrões Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção

Leia mais

Avaliação 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 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 mais

UNIVERSIDADE FEDERAL DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO

UNIVERSIDADE FEDERAL DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO UNIVERSIDADE FEDERAL DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO O USO DE REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE TENDÊNCIAS NO MERCADO DE AÇÕES DISSERTAÇÃO SUBMETIDA À UFPE PARA

Leia mais

BACHARELADO EM ENGENHARIA DE CONTROLE E AUTOMAÇÃO LETÍCIA NUNES CARVALHO THAYANE DA SILVA CANTARINO

BACHARELADO EM ENGENHARIA DE CONTROLE E AUTOMAÇÃO LETÍCIA NUNES CARVALHO THAYANE DA SILVA CANTARINO BACHARELADO EM ENGENHARIA DE CONTROLE E AUTOMAÇÃO LETÍCIA NUNES CARVALHO THAYANE DA SILVA CANTARINO REDES NEURAIS EM CONTROLE: COMPARAÇÃO DE DESEMPENHO DE DIFERENTES MODELOS Campos dos Goytacazes 2016

Leia mais

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS 1 RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS Giovanni Crestan Leonardo Enomoto Araki Thiago Antonio Grandi De Tolosa Wânderson de Oliveira Assis Wilson Carlos Siqueira Lima Júnior IMT Instituto Mauá

Leia mais

Soluções de Equações Diferenciais Usando Redes Neurais de Múltiplas camadas com os métodos da Descida mais íngreme e Levenberg-Marquardt.

Soluções de Equações Diferenciais Usando Redes Neurais de Múltiplas camadas com os métodos da Descida mais íngreme e Levenberg-Marquardt. UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA E ESTATÍSTICA Brigida Cristina Fernandes Batista Soluções de Equações Diferenciais Usando Redes

Leia mais

Redes Neurais Convolucionais

Redes Neurais Convolucionais André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais

Leia mais

FABIANO CORDEIRO MOREIRA

FABIANO CORDEIRO MOREIRA 1 FABIANO CORDEIRO MOREIRA RECONHECIMENTO E CLASSIFICAÇÃO DE PADRÕES DE IMAGENS DE NÚCLEOS DE LINFÓCITOS DO SANGUE PERIFÉRICO HUMANO COM A UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS FLORIANÓPOLIS - SC 2002

Leia mais

XII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002

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 mais

NOÇÕES DE REDES NEURAIS ARTIFICIAIS

NOÇÕES DE REDES NEURAIS ARTIFICIAIS UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ CAMPUS CORNÉLIO PROCÓPIO COORDENAÇÃO DE ELETROTÉCNICA - ENGENHARIA ELÉTRICA LABORATORIO DE SEGURANÇA ILUMINAÇÃO E EFICIÊNCIA ENERGÉTICA NOÇÕES DE REDES NEURAIS

Leia mais

Híbrido Baseado em Rede e Colônia de Formigas

Híbrido Baseado em Rede e Colônia de Formigas Um Sistema Híbrido Baseado em Rede Neural e Colônia de Formigas Trabalho de Conclusão de Curso Engenharia da Computaçãoo Aluno: Saulo Medeiros de Oliveira Corrêa dos Santos Orientador: Prof. Dr. Mêuser

Leia mais

Uma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law

Uma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não

Leia mais

Uso de Redes Neurais Artificiais na Descoberta de Conhecimento a partir de Dados e Imagens de Sensores

Uso de Redes Neurais Artificiais na Descoberta de Conhecimento a partir de Dados e Imagens de Sensores Uso de Redes Neurais Artificiais na Descoberta de Conhecimento a partir de Dados e Imagens de Sensores Clodis Boscarioli 1,2, Leandro Augusto da Silva 2, Emílio Del Moral Hernandez 2 {boscarioli, leandro,

Leia mais