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

Tamanho: px
Começar a partir da página:

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

Transcrição

1 Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 20 - Backroagation

2 Introdução Redes de uma camada resolvem aenas roblemas linearmente searáveis Solução: utilizar mais de uma camada Camada 1: uma rede Percetron ara cada gruo de entradas linearmente searáveis Camada 2: uma rede combina as saídas das redes da rimeira camada, roduzindo a classificação final

3 Introdução

4 Introdução Treinamento da Rede Treinar a rede indeendentemente Saber como dividir o roblema em subroblemas Nem semre é ossível Treinar toda a rede Qual o erro dos neurônios da camada intermediária? Qual função de ativação?

5 Introdução Função de ativação linear Cada camada comuta uma função linear Comosição de funções lineares é uma função linear Semre vai existir uma rede com uma camada equivalente a uma rede multicamadas com funções de ativação lineares

6 Introdução Função de ativação ara redes multicamadas (MLP) Não devem ser todas lineares Exemlos de função não lineares Função sigmóide logística Função tangente hierbólica Etc...

7 Rede Multi-Layer Percetron A rede MLP é a arquitetura de RNA mais utilizada Possuem uma ou mais camadas intermediárias de nós Geralmente utiliza função de ativação sigmóide logística

8 Arendizagem em uma RNA Arendizagem Processo de Arendizagem Algoritmos de Arendizagem Paradígmas de Arendizagem Arendizado or correção de Erro Arendizado cometitivo Arendizado Hebbiano Arendizado Suervisionado Arendizado or Reforço Arendizado Não - Suervisionado Arendizado de Boltzman

9 Treinamento de redes MLP Grande variedade de Algoritmos Geralmente suervisionados Estáticos Não alteram a estrutura da rede Backroagation, Função de Base Redial (RBF) Construtivos Alteram estrutura da rede Ustar, Cascade Correlation

10 Treinamento de Redes MLP Treinamento estático MLP s com formatos e tamanhos diferentes odem utilizar mesma regra de arendizado Toologias diferentes odem resolver o mesmo roblema Regra mais utilizada: Backroagation

11 Backroagation Rede é treinada com ares entradasaída Cada entrada de treinamento está associada a uma saída desejada Treinamento é feito em duas etaas, cada uma ercorrendo a rede em um sentido

12 Fases do treinamento Fase forward(sinal) Fase backward (erro)

13 MLP com Backroagation Pardrão de Dados Camada de Entrada Camada de Saída Camadas Intermadiárias

14 Fase Forward Entrada é aresentada à rimeira camada da rede Aós os neurônios da camada i calcularem seus sinais de saída, os neurônios da camada i+1 calculam seus sinais de saída Saídas roduzidas elos neurônios da última camada são comaradas com as saídas desejadas Erro ara cada neurônio da camada de saída é calculado

15 Fase Backward A artir da última camada O nó ajusta seu eso de modo a reduzir o seu erro Nós das camadas anteriores tem seu erro definidos or: Erros dos nós da camada seguinte conectados a ele onderados elos esos das conexões entre eles

16 Backroagation Processamento Forward Testa um determinado adrão Backward Treinamento Ajusta os esos da rede

17 Arendizado or Correção de Erro E= 1 2 ( ) t o j 2 E Erro ara o adrão o Saída atual do nodo j ara o adrão t Saída desejada (target)

18 Minimização do Erro Vetor que aonta na direção de decrescimo da função erro: E = E w ij wˆ ij Pela regra da Cadeia: E w ij = E net net w ij

19 Desenvolvendo net w ij = w ij k w kj o = o E net = E o o net

20 Desenvolvendo o net = net ( f ( net ) = f ( net ) j j O outro termo deende de qual camada estamos: intermediária ou final! Camada de Saída: E o = o 1 2 j ( ) 2 t o = ( t o )

21 Desenvolvendo Sendo assim E net = f j ( net )( ) t o = δ Camadas intermediárias: E o = k E net k net o k = k δ k w kj

22 Desenvolvendo Gradiente do Erro: E w ij = δ o i Onde: δ = f f j j ( net )( t o ) ( net ) k δ k w o jk i,, Se camada de Saída Se camada intemediária

23 Função de Ativação Sigmoide Logistica: 1 f = 1 + e ( net ) net λ Deriovando: f ( net ) = λf ( net )( 1 f ( net )) = ( 1 ) λo o

24 Atualização dos Pesos w ij ( t + 1) = w ( t ) + w ij ij Ajuste ara o mínimo de Erro: (η - Taxa de Arendizagem) w w ij ij = E w ij E η = w ij ηδ o i

25 Backroagation - Resumo Função de saída Função de identidade y i = a i Treinamento Suervisionado Ajuste de Pesos w ij = ηx i y i (1-y i )δ i δ j = (d i -y i ) (se última camada) δ j = Σw jk δ k ( se camadas intermediárias) Não há garantias de convergência ara o treinamento

26 Treinamento - Algorítimo 1) Iniciar Todas as conexões com valores aleatórios e equenos ([-0.5,0.5] 2) Reita Erro = 0 Para cada ara de treinamento (X, d) Para cada camda k:=1 to N Para cada Neurônio j:=1 To M Calcular Saída y jk Se Erro > ε Então ara cada camada k:=n to 1 Para cada neurônio j:=1 to M Atualizar esos Até Erro < ε

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

Aula 2 RNA Arquiteturas e Treinamento

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

Leia mais

Inteligência Artificial. Redes Neurais Artificiais

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

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

1ª PROVA ICIN 1º/2015

1ª PROVA ICIN 1º/2015 ENE/FT/UnB Deartamento de Engenharia Elétrica Faculdade de Tecnologia Universidade de Brasília Prof. Adolfo Bauchsiess Laboratório de Automação e Robótica 63848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO

Leia mais

Redes Neurais Artificiais: Funções de Base Radial

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

Leia mais

3. REDES DE CAMADA ÚNICA

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

Leia mais

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados

Leia mais

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

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

Leia mais

Algoritmos Construtivos. Prof. Júlio Cesar Nievola PPGIA PUCPR Especialização em Inteligência Computacional

Algoritmos Construtivos. Prof. Júlio Cesar Nievola PPGIA PUCPR Especialização em Inteligência Computacional Algoritmos Construtivos PPGIA PUCPR Introdução Motivação: transformar o treinamento em um problema simples de aprendizagem de uma célula: Algoritmo da torre Algoritmo da pirâmide Algoritmo de correlação

Leia mais

Modelos Pioneiros de Aprendizado

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

Leia mais

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

Atmosfera Padrão. Atmosfera Padrão

Atmosfera Padrão. Atmosfera Padrão 7631 2º Ano da Licenciatura em Engenharia Aeronáutica 1. Introdução O desemenho de aviões e de motores atmosféricos deende da combinação de temeratura, ressão e densidade do ar circundandante. O movimento

Leia mais

Redes Neurais. Profa. Flavia Cristina Bernardini

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

Leia mais

Relatório da Aula Prática sobre Redes Neurais Artificiais

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

Leia mais

RESOLUÇÃO - 1ª PROVA ICIN 2º/2012

RESOLUÇÃO - 1ª PROVA ICIN 2º/2012 Deartamento de Engenharia Elétrica Prof. Adolfo Bauchsiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 63848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 2 /22

Leia mais

out II - Algoritmo Back-Propagation II - Algoritmo BackPropagation II - Algoritmo Back-Propagation Modelo de Rede Neural com Multiplas Camadas

out II - Algoritmo Back-Propagation II - Algoritmo BackPropagation II - Algoritmo Back-Propagation Modelo de Rede Neural com Multiplas Camadas Modelo de Rede Neural com Multilas Camadas SCE 5809 REDES NEURAIS REDE NEURAL DO TIPO MULTI- CAMADAS Profa Inut First Hidden Second Roseli Hidden Romero Outut II - Algoritmo Bac-Proagation Out(x) = g(

Leia mais

Gestão de Riscos e Investimentos

Gestão de Riscos e Investimentos VAR e diversificação Normalmente, investimos simultaneamente em dois ou mais ativos Ou estamos exostos simultaneamente a dois ou mais fatores de risco VAR e diversificação (Cont.) Os fatores de risco são

Leia mais

Redes Neurais Artificial. Prática. Inteligência Artificial

Redes 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 mais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais

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

Leia mais

Introdução. 128.10 Ligação direta 128.15 Ligação direta 129.7 128.15.1.3 Default 128.15.1.1

Introdução. 128.10 Ligação direta 128.15 Ligação direta 129.7 128.15.1.3 Default 128.15.1.1 Introdução Roteamento é a movimentação de informações da origem até o seu destino, sendo que essa informação deve passar por pelo menos um modo intermediário, ou seja, a origem e o destino não estão ligadas

Leia mais

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que

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

PROVA DE FÍSICA 2º ANO - ACUMULATIVA - 2º TRIMESTRE TIPO A

PROVA DE FÍSICA 2º ANO - ACUMULATIVA - 2º TRIMESTRE TIPO A PROA DE FÍSICA º ANO - ACUMULATIA - º TRIMESTRE TIPO A 0) Considere as seguintes roosições referentes a um gás erfeito. I. Na transformação isotérmica, o roduto. é roorcional à temeratura do gás. II. Na

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

UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO DEPARTAMENTO DE FÍSICA E MATEMÁTICA

UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO DEPARTAMENTO DE FÍSICA E MATEMÁTICA UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO DEPARTAMENTO DE FÍSICA E MATEMÁTICA CURSO: LICENCIATURA EM COMPUTAÇÃO DISCIPLINA: PROGRAMAÇÃO PARALELA E DISTRIBUÍDA PROFESSOR: JONES OLIVEIRA ALUNO: JONAS FRANCISCO

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

Aplicação de Técnicas de Mineração de Dados em Problemas de Classificação de Padrões

Aplicação de Técnicas de Mineração de Dados em Problemas de Classificação de Padrões Laboratório de Comutação Evolucionária Deartamento de Engenharia Elétrica UFMG Av. Pres. Antônio Carlos, 6627 CEP 31.270 010 Fone: 5531 3409 34 26 5531 3409 4826 Alicação de Técnicas de Mineração de Dados

Leia mais

Aplicações Práticas com Redes Neurais Artificiais em Java

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

Leia mais

Mineração de Dados em Biologia Molecular

Mineração de Dados em Biologia Molecular Mineração Dados em Biologia Molecular Principais tópicos André C. P. L. F. Carvalho Monitor: Valéria Carvalho Res Neurais Artificiais Introdução Arquitetura Aprendizado Principais molos Perceptron MLP

Leia mais

COMPONENTES BÁSICOS DE

COMPONENTES BÁSICOS DE COMPONENTES BÁSICOS DE REDES 2ºPARTE Prof. Me. Hélio Esperidião SWITCH O SWITCH opera de forma mais inteligente. Ele analisa os pacotes de dados que chegam a ele e descobre os endereços de origem e destino.

Leia mais

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

Multi-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 mais

Neste pequeno artigo resolveremos o problema 2 da USAMO (USA Mathematical Olympiad) 2005: (x 3 + 1)(x 3 + y) = 147 157 (x 3 + y)(1 + y) = 157 147 z 9

Neste pequeno artigo resolveremos o problema 2 da USAMO (USA Mathematical Olympiad) 2005: (x 3 + 1)(x 3 + y) = 147 157 (x 3 + y)(1 + y) = 157 147 z 9 Ésófatorar... Serámesmo? Neste equeno artigo resolveremos o roblema 2 da USAMO (USA Mathematical Olymiad) 2005: Problema. Prove que o sistema x 6 + x + x y + y = 147 157 x + x y + y 2 + y + z 9 = 157 147

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

PROJETO DE REDES www.projetoderedes.com.br PROJETO DE REDES www.projetoderedes.com.br Curso de Tecnologia em Redes de Computadores Disciplina: Redes I Fundamentos - 1º Período Professor: José Maurício S. Pinheiro AULA 6: Switching Uma rede corporativa

Leia mais

Probabilidade parte 2. Robério Satyro

Probabilidade parte 2. Robério Satyro Probabilidade arte Robério Satyro Definição de robabilidade Vamos analisar o fenômeno aleatório lançamento de uma moeda erfeita. Nesse caso, temos: = {C, C} () = Os subconjuntos de são, {C}, { C} e {C,

Leia mais

Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function

Regra 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 mais

PESQUISA OPERACIONAL -OTIMIZAÇÃO COMBINATÓRIA PROBLEMAS DE OTIMIZAÇÃO EM REDES. Prof. Angelo Augusto Frozza, M.Sc.

PESQUISA OPERACIONAL -OTIMIZAÇÃO COMBINATÓRIA PROBLEMAS DE OTIMIZAÇÃO EM REDES. Prof. Angelo Augusto Frozza, M.Sc. PESQUISA OPERACIONAL -OTIMIZAÇÃO COMBINATÓRIA PROBLEMAS DE OTIMIZAÇÃO EM REDES Prof. Angelo Augusto Frozza, M.Sc. ROTEIRO Esta aula tem por base o Capítulo 6 do livro de Taha (2008): Otimização em Redes

Leia mais

OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS

OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS Trabalho de Conclusão de Curso Engenharia da Computação Adélia Carolina de Andrade Barros Orientador: Prof. Dr. Adriano Lorena Inácio de Oliveira

Leia mais

2. Redes Neurais Artificiais

2. 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 mais

Outras Técnicas que Utilizam o Escore de Propensão

Outras Técnicas que Utilizam o Escore de Propensão Técnicas Econométricas ara Avaliação de Imacto Outras Técnicas que Utilizam o Escore de Proensão Rafael Perez Ribas Centro Internacional de Pobreza Brasília, 28 de maio de 2008 Introdução O Escore de Proensão

Leia mais

Redes Neurais no MATLAB 6.1

Redes Neurais no MATLAB 6.1 Redes Neurais no MATLAB 6.1 Redes Neurais no MATLAB Duas formas de utilização: Linhas de comando, e m-files Interface gráfica (NNTool) 1 Redes Neurais no MATLAB Duas formas de utilização: Linhas de comando,,

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais Inteligência Artificial Prof. Cedric Luiz de Carvalho Instituto de Informática UFG 2006 2/164 Tópicos Introdução Redes Neurais Humanas O que são Redes Neurais Artificiais Características

Leia mais

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

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001 47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações

Leia mais

P(seleção de um elemento baixo) = p P(seleção de um elemento médio) = p. P(seleção de um elemento alto) = p

P(seleção de um elemento baixo) = p P(seleção de um elemento médio) = p. P(seleção de um elemento alto) = p . A Distribuição Multinomial - Teste Qui-Quadrado. Inferência Estatística Uma imortante generalização da rova de Bernoulli (), é a chamada rova multinomial. Uma rova de Bernoulli () ode roduzir dois resultados

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de

Leia mais

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

Redes Neurais. A IA clássica segue o paradigma da computação simbólica Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência

Leia mais

RENATO DE FREITAS LARA. Departamento de Ciência da Computação - Universidade Presidente Antônio Carlos (UNIPAC) - Barbacena - MG Brasil

RENATO DE FREITAS LARA. Departamento de Ciência da Computação - Universidade Presidente Antônio Carlos (UNIPAC) - Barbacena - MG Brasil RECONHECIMENTO DE CADEIAS DE NÚMEROS NAS ETIQUETAS IDENTIFICADORAS DOS BLOCOS DE AÇO, UTILIZANDO PROCESSAMENTO DIGITAL DE IMAGENS E REDES NEURAIS ARTIFICIAIS RENATO DE FREITAS LARA Departamento de Ciência

Leia mais

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

Multi-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 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

A metodologia utilizada neste trabalho consiste basicamente de três etapas: ensaio, pré-processamento e simulações.

A metodologia utilizada neste trabalho consiste basicamente de três etapas: ensaio, pré-processamento e simulações. SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GCE 20 14 a 17 Outubro de 2007 Rio de Janeiro - RJ GRUPO XIV GRUPO DE ESTUDO DE CONSERVAÇÃO DE ENERGIA ELÉTRICA UTILIZAÇÃO DE REDES

Leia mais

Modelos não recorrentes RNA Feed-Forward: MLP - Backpropagation, RProp,CasCor (HiperPlanos) RBF Radial Basis Function (Clusters)

Modelos não recorrentes RNA Feed-Forward: MLP - Backpropagation, RProp,CasCor (HiperPlanos) RBF Radial Basis Function (Clusters) Modelos não recorrentes RNA Feed-Forward: MLP - Backpropagation, RProp,CasCor (HiperPlanos) RBF Radial Basis Function (Clusters) 2. Outros modelos Mapas de Kohonen SOM, SOFM (Self-Organizing Feature Maps)

Leia mais

Segunda aula de mecânica dos fluidos básica. Estática dos Fluidos capítulo 2 do livro do professor Franco Brunetti

Segunda aula de mecânica dos fluidos básica. Estática dos Fluidos capítulo 2 do livro do professor Franco Brunetti Segunda aula de mecânica dos fluidos básica Estática dos Fluidos caítulo 2 do livro do rofessor Franco Brunetti NO DESENVOLVIMENTO DESTA SEGUNDA AULA NÃO IREI ME REPORTAR DIRETAMENTE AO LIVRO MENCIONADO

Leia mais

Inteligência Artificial Redes Neurais

Inteligência 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 mais

Há dois tipos de configurações bidirecionais usados na comunicação em uma rede Ethernet:

Há dois tipos de configurações bidirecionais usados na comunicação em uma rede Ethernet: Comunicação em uma rede Ethernet A comunicação em uma rede local comutada ocorre de três formas: unicast, broadcast e multicast: -Unicast: Comunicação na qual um quadro é enviado de um host e endereçado

Leia mais

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS

Leia mais

Relatório Iniciação Científica

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

Leia mais

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

Redes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005 Redes Neurais Artificiais na Engenharia Nuclear 1 - Apresentação do Professor: dados, lista de E-mail s, etc. - Apresentação da Turma: Estatística sobre origem dos alunos para adaptação do curso - Apresentação

Leia mais

Introdução às Redes Neurais Artificiais

Introdução 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 mais

O USO DE REDES NEURAIS ARTIFICIAIS NO DIAGNÓSTICO PREDITIVO DOS TIPOS MAIS FREQÜENTES DE CEFALÉIA

O USO DE REDES NEURAIS ARTIFICIAIS NO DIAGNÓSTICO PREDITIVO DOS TIPOS MAIS FREQÜENTES DE CEFALÉIA O USO DE REDES NEURAIS ARTIFICIAIS NO DIAGNÓSTICO PREDITIVO DOS TIPOS MAIS FREQÜENTES DE CEFALÉIA KARINA BORGES MENDES O USO DE REDES NEURAIS ARTIFICIAIS NO DIAGNÓSTICO PREDITIVO DOS TIPOS MAIS FREQÜENTES

Leia mais

Árvores Binárias de Pesquisa. Programação II Prof. Mateus Raeder. Árvores Binárias de Pesquisa. Árvores Binárias de Pesquisa. Classe Nodo Binário

Árvores Binárias de Pesquisa. Programação II Prof. Mateus Raeder. Árvores Binárias de Pesquisa. Árvores Binárias de Pesquisa. Classe Nodo Binário Programação II Conhecida também como: Árvore binária ordenada Árvore binária de busca Aresenta relação de ordem entre os nodos Ordem definida através do camo chamado chave CHAVE Prof. Mateus Raeder Chaves

Leia mais

5º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS

5º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS 5º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS TÍTULO DO TRABALHO: REDES NEURAIS APLICADAS EM INDÚSTRIAS PETROQUÍMICAS DE FABRICAÇÃO DE FIBRAS DE POLIÉSTER. AUTORES: Lívia Maciel

Leia mais

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

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

Leia mais

3)Seno de alguns arcos importantes

3)Seno de alguns arcos importantes Aula 4-A -Funções trigonométricas no ciclo trigonométrico ) Função seno (definição) )Gráfico da função seno )Seno de alguns arcos imortantes 4) Equações e inequações 5) Resolução de exercícios ) Função

Leia mais

-10 0 10 20 30 40 50 60 70 80

-10 0 10 20 30 40 50 60 70 80 . Uma artícula desloca-se sobre uma reta na direção x. No instante t =, s, a artícula encontra-se na osição e no instante t = 6, s encontra-se na osição, como indicadas na figura abaixo. Determine a velocidade

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

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma

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

RNAs, Classificação de Padrões e Motivação Geométrica. Conteúdo

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

Leia mais

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

MÓDULO 7 Modelo OSI. 7.1 Serviços Versus Protocolos

MÓDULO 7 Modelo OSI. 7.1 Serviços Versus Protocolos MÓDULO 7 Modelo OSI A maioria das redes são organizadas como pilhas ou níveis de camadas, umas sobre as outras, sendo feito com o intuito de reduzir a complexidade do projeto da rede. O objetivo de cada

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

CAPÍTULO 3 - RETIFICAÇÃO

CAPÍTULO 3 - RETIFICAÇÃO CAPÍTULO 3 - RETFCAÇÃO A maioria dos circuitos eletrônicos recisa de uma tensão cc ara oder trabalhar adequadamente Como a tensão da linha é alternada, a rimeira coisa a ser feita em qualquer equiamento

Leia mais

Do neurônio biológico ao neurônio das redes neurais artificiais

Do neurônio biológico ao neurônio das redes neurais artificiais Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais

Leia mais

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

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

Leia mais

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

Modelagem Conceitual parte II

Modelagem Conceitual parte II Modelagem Conceitual arte II Vitor Valerio de Souza Camos Objetivos Aresentar o conceito de. Mostrar a cardinalidade de. Aresentar os tios de s. Aresentar o conceito de entidade fraca Aresentar o conceito

Leia mais

Colégio Politécnico da UFSM DPADP0024 : Processamento Digital de Imagens (Prof. Dr. Elódio Sebem)

Colégio Politécnico da UFSM DPADP0024 : Processamento Digital de Imagens (Prof. Dr. Elódio Sebem) Para melhor aroveitamento das informações roduzidas or diferentes sensores, alguns métodos de rocessamento de imagens têm sido roostos. Estes métodos combinam imagens de diferentes características esectrais

Leia mais

Capítulo 7. Limitações

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

Leia mais

O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2

O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 3.2 O Espaço Nulo de A: Resolvendo Ax = 0 11 O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 Esta seção trata do espaço de soluções para Ax = 0. A matriz A pode ser quadrada ou retangular. Uma solução imediata

Leia mais

1. Introdução 2. OMCC e a Pesquisa Perfil-Opinião

1. Introdução 2. OMCC e a Pesquisa Perfil-Opinião Perfil Socioeconômico e Cultural dos Visitantes dos Museus Fluminenses e Paulistas: Uma Análise Comarativa. Camila Pereira Koehler (ENCE); José Matias de Lima (ENCE); Leandro Lins Marino (Fundação Cesgranrio)

Leia mais

Fluxo de Potência em Redes de Distribuição Radiais

Fluxo de Potência em Redes de Distribuição Radiais COE/UFRJ rograma de Engenharia Elétrica COE 751 Análise de Redes Elétricas Fluxo de otência em Redes de Distribuição Radiais 1.1 Formulação do roblema Os métodos convencionais de cálculo de fluxo de otência

Leia mais

Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.

Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental. 2º ENCONTRO DE PÓS-GRADUAÇÃO EM INVESTIGAÇÃO E ENSINO DAS CIÊNCIAS FÍSICAS E DA TERRA DA UNIVERSIDADE DE ÉVORA Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.

Leia mais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais . O Mapa Auto-Organizável (SOM) Redes Neurais Mapas Auto-Organizáveis Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos respondem a freqüências

Leia mais

Roteamento em Redes de Computadores

Roteamento em Redes de Computadores Roteamento em Redes de Computadores José Marcos Câmara Brito INATEL - Instituto Nacional de Telecomunicações INATEL - Instituto Nacional de Telecomunicações 01/08/00 1 Introdução Objetivo Tipos de rede

Leia mais

Fundamentos de Redes de Computadores. Elementos de Redes Locais

Fundamentos de Redes de Computadores. Elementos de Redes Locais Fundamentos de Redes de Computadores Elementos de Redes Locais Contexto Implementação física de uma rede de computadores é feita com o auxílio de equipamentos de interconexão (repetidores, hubs, pontos

Leia mais

TRANSMISSÃO DE DADOS Prof. Ricardo Rodrigues Barcelar http://www.ricardobarcelar.com

TRANSMISSÃO DE DADOS Prof. Ricardo Rodrigues Barcelar http://www.ricardobarcelar.com - Aula 5-1. A CAMADA DE TRANSPORTE Parte 1 Responsável pela movimentação de dados, de forma eficiente e confiável, entre processos em execução nos equipamentos conectados a uma rede de computadores, independentemente

Leia mais

Rememorando. Situação-problema 5. Teorema do Limite Central. Estatística II. Aula II

Rememorando. Situação-problema 5. Teorema do Limite Central. Estatística II. Aula II UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARAN PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Rememorando Estatística II Aula II Profa. Renata G. Aguiar 1 Figura 7 Distribuição de uma amostra (n = 150).

Leia mais

Transformação dos dados. Analise de Componentes Principais - PCA

Transformação dos dados. Analise de Componentes Principais - PCA Transformação dos dados Tratamento nos dados Redução de Dimensionalidade Dados centrados na média e variância xm = /n Σ i=n x i x i = ( x i - xm)/σ (centrados na média) Escalamento ela variância ( quando

Leia mais

Regressão Linear Multivariada

Regressão Linear Multivariada Regressão Linear Multivariada Prof. Dr. Leandro Balby Marinho Inteligência Artificial Prof. Leandro Balby Marinho / 37 UFCG DSC Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais

Leia mais

1. ENTALPIA. (a) A definição de entalpia. A entalpia, H, é definida como:

1. ENTALPIA. (a) A definição de entalpia. A entalpia, H, é definida como: 1 Data: 31/05/2007 Curso de Processos Químicos Reerência: AKINS, Peter. Físico- Química. Sétima edição. Editora, LC, 2003. Resumo: Proas. Bárbara Winiarski Diesel Novaes 1. ENALPIA A variação da energia

Leia mais

UNIVERSIDADE FEDERAL DO PIAUI UFPI Colégio Técnico de Teresina CTT. Professor: José Valdemir dos Reis Junior. Disciplina: Redes de Computadores II

UNIVERSIDADE FEDERAL DO PIAUI UFPI Colégio Técnico de Teresina CTT. Professor: José Valdemir dos Reis Junior. Disciplina: Redes de Computadores II UNIVERSIDADE FEDERAL DO PIAUI UFPI Colégio Técnico de Teresina CTT Professor: José Valdemir dos Reis Junior Disciplina: Redes de Computadores II 2 3 Dispositivo que opera apenas na camada física recebendo

Leia mais

INSTITUTO DE TECNOLOGIA FACULDADE DE ENGENHARIA DA COMPUTAÇÃO SITEC2010 - Semana do Instituto de Tecnologia Aluno: Edson Adriano Maravalho Avelar Orientador: Prof. Dr. Kelvin Lopes Dias 1 Motivação Aumento

Leia mais

APRENDIZADO EM MODELOS CONEXIONISTAS

APRENDIZADO EM MODELOS CONEXIONISTAS APRENDIZADO EM MODELOS CONEXIONISAS Aprendizado é o processo pelo qual os parâmetros (os pesos das coneões entre os neurônios) de uma rede neural são austados através de uma forma continuada de estímulo

Leia mais

SARCO SISTEMA AUTOMÁTICO DE RECONHECIMENTO E CONTAGEM DE OVOS DA DENGUE

SARCO SISTEMA AUTOMÁTICO DE RECONHECIMENTO E CONTAGEM DE OVOS DA DENGUE UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA ENGENHARIA DA COMPUTAÇÃO SARCO SISTEMA AUTOMÁTICO DE RECONHECIMENTO E CONTAGEM DE OVOS DA DENGUE Trabalho de Graduação Aluno: Styve Stallone da

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 12.º Ano Versão 4

FICHA de AVALIAÇÃO de MATEMÁTICA A 12.º Ano Versão 4 FICHA de AVALIAÇÃO de MATEMÁTICA A.º Ano Versão 4 Nome: N.º Turma: Aresente o seu raciocínio de forma clara, indicando todos os cálculos que tiver de efetuar e todas as justificações necessárias. Quando,

Leia mais

c) Repita as alíneas (a) e (b), admitindo que o investidor pretende agora obter um rendimento esperado de 12%.

c) Repita as alíneas (a) e (b), admitindo que o investidor pretende agora obter um rendimento esperado de 12%. Casos Práticos Caso 3.1 Considere as seguintes inormações relativas a duas acções: cção cção Rendibilidade eserada 15% 10% Desvio adrão da rentabilidade eserada 1% 8% Valor de cotação EUR10 EUR15 Coeiciente

Leia mais