CONHECENDO O ALGORITMO GARP. Adair Santa Catarina Curso de Informática Unioeste Campus de Cascavel PR
|
|
- Dina Antas Gonçalves
- 8 Há anos
- Visualizações:
Transcrição
1 CONHECENDO O ALGORITMO GARP Adair Santa Catarina Curso de Informática Unioeste Campus de Cascavel PR INPE Set/2006
2 Roteiro Introdução Algoritmos Genéticos (AG) GMS e DesktopGARP Avaliação dos Modelos Ajustados Problemas e Soluções no GMS Spatial Aware Genetic Algorithm (SAGA) 2
3 Introdução GARP é parte de um sistema utilizado na modelagem da distribuição potencial de espécies biológicas a partir de dados raster ambientais e biológicos (Stockwell, 1993). 3
4 Objetivos da Apresentação Exibir um exemplo de Algoritmo Genético para facilitar a compreensão do GARP; Apresentar uma visão geral do GMS (GARP Modelling System); Mostrar um AG com representação explícita de relacionamentos espaciais para modelagem sócio-ambiental. 4
5 Roteiro Introdução Algoritmos Genéticos (AG) GMS e DesktopGARP Avaliação dos Modelos Ajustados Problemas e Soluções no GMS Spatial Aware Genetic Algorithm (SAGA) 5
6 Algoritmos Genéticos (AG) Algoritmos de busca que se utilizam do paradigma genético/evolucionário (Holland, 1975); Em 1983 o primeiro problema de otimização resolvido com aplicação de AG (Goldberg, 1989); Imitam processos observados na evolução natural das espécies; bons indivíduos sobrevivem e se reproduzem; A evolução ocorre sobre indivíduos codificados em cromossomos sob a forma de cadeias de bits 0 e 1 ou números reais; Operadores: seleção, recombinação e mutação; Avaliação da qualidade da solução: Fitness. 6
7 Algoritmos Genéticos (AG) Gerar uma população Estimar a população Seleção Cruzamento Mutação Estimação da nova população Não Fim da busca? Parar Sim 7
8 Algoritmos Genéticos (AG) Exemplo Encontrar a cadeia de 20 bits com o maior número de bits 1. População inicial: 8 indivíduos aleatórios. 4,7% 10,9% Ind. 1 População inicial Fitness 7 17,2% 9,4% ,6% 15,6% ,3% 20,3% Ind 1 Ind 2 Ind 3 Ind 4 Ind 5 Ind 6 Ind 7 Ind 8 8
9 Algoritmos Genéticos (AG) Exemplo Seleção: método da roleta; Sorteiam-se tantos números entre 0 e 100% quantos forem os indivíduos na população; Através da distribuição de freqüência acumulada localizam-se os indivíduos selecionados. Indivíduo d.f.a. Sorteio Indivíduo Cromossomo 1 10, , , , , , ,
10 Algoritmos Genéticos (AG) Exemplo Cruzamento: Diversos tipos de cruzamento Um ponto aleatório. Taxa de cruzamento varia de 60 a 80%; Adotada = 80%. Sorteio Indivíduo Cromossomos pais Cromossomos filhos
11 Algoritmos Genéticos (AG) Exemplo Mutação: Taxa de mutação varia de 0,5% a 5%; Adotada = 2%. Indivíduo Cromossomos filhos Cromossomos (mutação)
12 Algoritmos Genéticos (AG) Exemplo Após a 1 a geração: Ind. População inicial Fitness População 1 a geração Fitness
13 Roteiro Introdução Algoritmos Genéticos (AG) GMS e DesktopGARP Avaliação dos Modelos Ajustados Problemas e Soluções no GMS Spatial Aware Genetic Algorithm (SAGA) 13
14 GMS GARP Modelling System (Stockwell, 1993): Um AG para predição da distribuição potencial de espécies biológicas a partir de dados raster ambientais e biológicos; Trabalha de forma automática e não-supervisionada; Robusto: testa diversas soluções e diversos modelos (regras); Maximiza a significância e a precisão de predição das regras. 14
15 GMS Estrutura modular: 8 módulos (Batch) Rasteriz, presampl, initial, explain, verify, predict, image, translat Regras: Se A é verdade então B (inferência lógica) 4 tipos de regras: Atômicas, BIOCLIM, Faixas e Logísticas; Exemplos: Se TANN = 23 e GEO = 4 então PRESENT Se TANN = (23, 29] e TNCM = (10, 16) e... e TCLQ = (21, 23] e TWM = (23, 30] então PRESENT Se GEO=(6, 244] e TMNE=(228, 1480] então ABSENT Se 0,1 GEO * 0,1 + TMNE * 0,3 então ABSENT 15
16 GARP Codificação das regras: r 1 : Se TMIN = (5, 10] e TMED = (10, 22] e ELEV = (1, 2] então PRESENT r 2 : Se TMIN = (0, 15] e TMED = (0, 50] e ELEV = (0, 20] então ABSENT r 3 : Se TMIN * 0,80 + TMED * -0,2 + ELEV * 0,45 então ABSENT 16
17 GARP Mecanismo evolutivo: Recombinação: cruzamento e junção. Mutação: aleatória e incremental. Seleção: um número de melhores regras definido a priori Função de avaliação: pys pxys no Sig = n pys no pys 1 n n Sig: valor de aptidão da regra (significância); pxys: número de pontos amostrados que a regra prevê corretamente; no: número de pontos amostrados avaliados pela regra; pys: número de pontos amostrados com a mesma conclusão que a regra; n: número total de pontos amostrados. 17
18 DesktopGARP Re-engenharia do GARP - interface amigável 18
19 Roteiro Introdução Algoritmos Genéticos (AG) GMS e DesktopGARP Avaliação dos Modelos Ajustados Problemas e Soluções no GMS Spatial Aware Genetic Algorithm (SAGA) 19
20 Avaliação dos Modelos Ajustados Dados de treinamento e dados de teste; Matriz de confusão: Presente Ausente Predição Presente A B Predição Ausente C D B = erros por comissão Desconhecimento, fatores topológicos/biológicos, área inadequada. C = erros por omissão 20
21 Seleção do Melhor Subconjunto Solução GARP = algoritmo estocástico gera diversos modelos com os mesmos dados Erro por Omissão (% de pontos amostrais fora da área predita) Erro por Omissão (% de pontos amostrais fora da área predita) Omissão Comissão Omissão nula Sem Comissão Superajuste Distribuição da espécie na área Omissão nula Comissão Índice de Comissão (% da área predita como presente) Índice de Comissão (% da área predita como presente) 21
22 Seleção do Melhor Subconjunto Solução Avaliação da qualidade do modelo ajustado (cont.) Erro por Omissão (% de pontos amostrais fora da área predita) Erro por Omissão (% de pontos amostrais fora da área predita) Superajuste Melhores modelos Mediana Superpredição Índice de Comissão (% da área predita como presente) Índice de Comissão (% da área predita como presente) 22
23 Roteiro Introdução Algoritmos Genéticos (AG) GMS e DesktopGARP Avaliação dos Modelos Ajustados Problemas e Soluções no GMS Spatial Aware Genetic Algorithm (SAGA) 23
24 Problemas e Soluções no GMS 4 classes lógicas de problemas: Preparação dos dados; Desenvolvimento do modelo; Aplicação do modelo; Comunicação. 24
25 Preparação dos Dados Rasteriz Utilizar todas as informações disponíveis: dados categóricos e contínuos. Não uniformidade da população: Deve-se à variação na escala dos dados: 100 km a poucos metros; Um outlyer é mais importante que a amostragem em duplicidade; dados próximos são absorvidos numa única célula; Rasteriz mapeia os dados para uma matriz, colocando os dados numa mesma escala. 25
26 Preparação dos Dados Rasteriz Diferentes tipos de dados: Rasteriz reconhece 3 tipos de dados diferentes: presença/ausência, categóricos, contínuos. Presença/ausência: Mais de um Valor presença; Categórico: Moda; Contínuo: Média. Valores interpolados linearmente: [Min, Max] Byte. 26
27 Produzindo o Conjunto de Dados Dados podem estar numa mesma escala, mas não estão livres de padrões indesejados oriundos do processo de amostragem. Presampl gera dois conjunto de dados (train e test) a partir dos dados produzidos por rasteriz. Apenas dados de presença: Em herbários a maioria dos dados referem-se apenas à presença da espécie; GARP cria o conceito de background (pseudoausência) selecionando pontos aleatórios no espaço geográfico. 27
28 Produzindo o Conjunto de Dados Proporções variáveis: A proporção de amostras de presença e ausência refletem a escassez ou abundância da espécie; As métricas de avaliação da qualidade dos modelos são afetadas quando as proporções de amostras estão próximas de 0 ou 1; Recomendação: manter o equilíbrio na amostragem de dados de presença/ausência (50% a 50%); O desequilíbrio prejudica a comparação dos modelos para diferentes espécies. 28
29 Produzindo o Conjunto de Dados Poucos ou muitos dados: Muitos dados aumento no tempo de computação com poucos ganhos da precisão do modelo; Poucos dados amostragem com reposição pode comprometer pressupostos estatísticos como a independência. 29
30 Desenvolvimento do Modelo Dois objetivos da modelagem: repetição e precisão nos resultados. Repetição: GARP é um algoritmo estocástico difícil obter repetição de resultados; Consumo de tempo para obter o resultados Initial gera um modelo inicial usando estatísticas e heurísticas que acelera o processo. Precisão nos resultados: Não há consenso entre autores sobre a resposta das espécies ao ambiente; GARP usa diferentes modelos de regras que podem ser vistas como diferentes tipos de modelos. 30
31 Aplicação do Modelo Superajuste (Overfitting): o modelo ajusta-se perfeitamente aos dados mas é muito pobre em predição; Um modelo com diversas regras pode apresentar conflitos entre regras. Overfitting: Repetidos testes de significância estatística num subconjunto amostrado a partir de train (Explain) elimina overfitting Conclusão empírica (Stockwell, 1992); Uso do conjunto test Verify Matriz de confusão. 31
32 Aplicação do Modelo Conflito entre regras: Aplica-se a regra que apresenta maior precisão de previsão predict; Presente P = probabilidade a posteriori; Ausente P = 1 probabilidade a posteriori; Gera transições abruptas nos mapas de saída; Suavização das transições: média entre probabilidade a posteriori da melhor regra (presença) e o inverso da probabilidade a posteriori da melhor regra (ausência).; Quando nenhuma regra se aplica a área é dita nãopredita. 32
33 Avaliação do GMS Duas formas de avaliar sistemas de modelagem: Demonstrar a validade do sistema em bases teóricas usando a matemática e dados simulados; Através de experimentação empírica e comparação dos resultados com sistemas alternativos. A segunda opção foi escolhida: em uso desde 1995 por especialistas de todo o mundo, com as mais diferentes espécies. 33
34 Avaliação do GMS Sistema inovador: O sistema foi testado com uma gama variada de espécies com dados fornecidos por especialistas que depois analisaram os resultados. Conclusão: erros devem-se mais ao problema da falta de dados do que às limitações intrínsecas da tecnologia. 34
35 Roteiro Introdução Algoritmos Genéticos (AG) GMS e DesktopGARP Avaliação dos Modelos Ajustados Problemas e Soluções no GMS Spatial Aware Genetic Algorithm (SAGA) 35
36 Spatial Aware Genetic Algorithm (SAGA) AG são utilizados em diversas aplicações: GARP (Stockwell, 1993); Model Breeders (Openshaw, 1997). Limitação destes AG: Dependência Espacial (Lei de Tobler) Não incorporam relacionamentos espaciais 36
37 Questões É possível incorporar os relacionamentos espaciais em AG utilizados na análise de dados geográficos? Os AG são capazes de operar sobre um modelo generalizado de relacionamentos espaciais? Os AG permitem quantificar o efeito dos relacionamentos sobre as variáveis envolvidas num fenômeno espacial? Pode-se representar o conhecimento sobre as influências, favoráveis ou não, oriundas de formações naturais ou artificiais presentes na região em estudo? 37
38 Objetivo Incorporar aos AG, utilizados na modelagem de fenômenos sócio-ambientais, uma estrutura de representação explícita de relacionamentos espaciais, através da qual pode-se inserir o conhecimento sobre os elementos naturais e artificiais presentes na região em estudo, resultando em modelos mais confiáveis. 38
39 Estrutura do SAGA 39
40 Dados de Entrada 40
41 41 Estrutura do Cromossomo = = = r j i n k k ijk ij i X Weights W X 1, 1 0 ˆ ( ) = = n i i i X X Fitness ˆ Função de Avaliação
42 Considerações Estrutura proposta é flexível: Layers Polígonos ou matrizes; Modelos de regressão linear Elemento é vizinho de si mesmo e W ij = 1; Elemento de relevo divide o espaço em sub-regiões W ij = 0; r n Modelos quadráticos: Xˆ 2 0i = Wij Weightsijk X k i, j = 1 k = 1 Layers de pesos: Padrões podem indicar como as variáveis independentes afetam a dependente considerando a componente espacial. 42
43 Fim 43
44 Referências Bibliográficas GOLDBERG, D. E. Genetic algorithms in search, optimization & machine learning. Reading : Addison-Wesley, HOLLAND, J. H. Adaptation in natural and artificial systems. Ann Arbor: University of Michigan Press, OPENSHAW, S.; OPENSHAW, C. Artificial intelligence in geography. West Sussex : John Wiley & Sons, STOCKWELL, D. Machine learning and the problem of prediction and explanation in ecological modelling Tese de Doutorado Australian National University, Austrália. STOCKWELL, D.; PETERS, D. Spatial predictions using Genetic Algorithm for Rule-set Production Disponível em: <biodi.sdsc.edu/symbiotik/ Model/GARP/Doc/tutorial.html>. Acesso em: 01/05/
ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA
136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
Leia maisAlgoritmos Genéticos
UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisAlgoritmos Genéticos (GA s)
Algoritmos Genéticos (GA s) 1 Algoritmos Genéticos (GA s) Dado um processo ou método de codificar soluções de um problema na forma de cromossomas e dada uma função de desempenho que nos dá um valor de
Leia maisIA Colônia de Formigas. Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA Colônia de Formigas Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução O Experimento da Ponte Binária. Ant System Aplicado ao PCV. Elitist Ant System. Introdução Otimização colônia
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisAvaliação de Algoritmos de Modelos de Distribuição de Espécies para Predição de Risco. Líliam César de Castro Medeiros
Avaliação de Algoritmos de Modelos de Distribuição de Espécies para Predição de Risco de Eclosão de Mosquitos Aedes spp. Líliam César de Castro Medeiros CCST Objetivo: Avaliar o desempenho de algoritmos
Leia maisA Otimização Colônia de Formigas
A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado
Leia maisIntrodução à genética quantitativa usando os recursos do R
Introdução à genética quantitativa usando os recursos do R Marisa R. Cantarino 1 Julia M. P. Soler (orientadora) 2 1 Introdução Um dos principais desafios da pesquisa genética atualmente é estabelecer
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisO uso da modelagem como ferramenta ecológica na estratégia de conservação das espécies. Dr. Eduardo Bezerra de Almeida Jr.
O uso da modelagem como ferramenta ecológica na estratégia de conservação das espécies Dr. Eduardo Bezerra de Almeida Jr. DISTRIBUIÇÃO GEOGRÁFICA 2 Estudos relacionados à distribuição geográfica das espécies
Leia maisDESENVOLVIMENTO DE SISTEMA DE VIDA ARTIFICIAL BASEADO EM AGENTES DE COMPORTAMENTOS COMPLEXOS
DESENVOLVIMENTO DE SISTEMA DE VIDA ARTIFICIAL BASEADO EM AGENTES DE COMPORTAMENTOS COMPLEXOS RELATÓRIO FINAL DE PROJETO DE INICIAÇÃO CIENTÍFICA (PIBIC/CNPq/INPE) Juliana Martins Maia Pereira (UNIVAP, Bolsista
Leia maisSAHGA Um algoritmo genético híbrido com representação explícita de relacionamentos espaciais para análise de dados geoespaciais
SAHGA Um algoritmo genético híbrido com representação explícita de relacionamentos espaciais para análise de dados geoespaciais Tese de doutorado em Computação Aplicada Adair Santa Catarina Orientadores:
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisAssim, no algoritmo BIOCLIM, qualquer ponto do espaço pode ser classificado como:
ANEXO A ALGORITMOS BIOCLIM E GARP A.1 Algoritmo BIOCLIM O algoritmo BIOCLIM implementa o conceito de envelope bioclimático (Nix, 1986). O algoritmo calcula a média e o desvio-padrão para cada variável
Leia maisInteligência de Enxame: ACO
Inteligência de Enxame: ACO! Otimização colônia de formigas é uma meta-heurística: «baseada em população «inspirada no comportamento forrageiro das formigas.! Muitas espécies de formigas são quase cegas.!
Leia maisInteligência Computacional [2COP229]
Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados
Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas Departamento de Ciências
Leia maisSAD orientado a MODELO
Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER
Leia maisOtimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha
Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Amarildo de Vicente Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste
Leia mais- Computação Evolutiva -
- Computação Evolutiva - Prof. Dr. Cícero Garrozi DEINFO - UFRPE PPGIA@UFRPE cicerog@gmail.com Site da disciplina: http://cicerog.blogspot.com Sumário Situando a Computação Evolucionária Metáfora principal
Leia maisGRUPO 12. Celso André Locatelli de Almeida Gabriell Orisaka Jorge Domingos Pizollato Filho José Lucas do Nascimento Santos
GRUPO 12 Celso André Locatelli de Almeida Gabriell Orisaka Jorge Domingos Pizollato Filho José Lucas do Nascimento Santos Nostrademus VENDA COMPRA O mercado de ações se caracteriza por possuir diversas
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisMestranda: Márcia Maria Horn. Orientador: Prof. Dr. Sandro Sawicki
Universidade Regional do Noroeste do Estado do Rio Grande do Sul Departamento de Ciências Exatas e Engenharias Programa de Mestrado em Modelagem Matemática Grupo de Pesquisa em Computação Aplicada Temática:
Leia maisConceitos Básicos de Algoritmos Genéticos: Teoria e Prática
Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática Thatiane de Oliveira Rosa 1, Hellen Souza Luz 2 1 Curso de Sistemas de Informação Centro Universitário Luterano de Palmas (CEULP/ULBRA) Caixa
Leia maisAvaliação de Desempenho em Sistemas de Computação e Comunicação
Avaliação de Desempenho em Sistemas de Computação e Comunicação Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM UFES Objetivos
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisProblemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados
GA em Otimização Combinatorial Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados Problem a do Caixeiro Viajante Problem as de Planejamento
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisVerificação de Impressões Digitais usando Algoritmos Genéticos
1. Introdução Verificação de Impressões Digitais usando Algoritmos Genéticos Matheus Giovanni Pires, Fernando Vieira Duarte, Adilson Gonzaga Escola de Engenharia de São Carlos Universidade de São Paulo
Leia maisRepresentação por Números Reais
Representação por Números Reais Cromossomas expressam valores através de números reais (ponto flutuante) e não em binário Para apresentarmos essa representação vamos introduzir o conceito de hibridização
Leia maisALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS INTRODUÇÃO São métodos adaptativos que podem ser usados para resolver problemas de busca e otimização. Na natureza a combinação de boas características provenientes de diferentes indivíduos
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisFigura 1.1: Exemplo de links patrocinados no Google
1 Links Patrocinados 1.1 Introdução Links patrocinados são aqueles que aparecem em destaque nos resultados de uma pesquisa na Internet; em geral, no alto ou à direita da página, como na Figura 1.1. Figura
Leia maisEstratégias de Pesquisa
Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento
Leia maisRUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc...
RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS RUÍDOS EM IMAGENS Em Visão Computacional, ruído se refere a qualquer entidade em imagens, dados ou resultados intermediários, que não são interessantes para os propósitos
Leia maisPós-Graduação em Engenharia Elétrica Inteligência Artificial
Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms
Leia maisProblema 8-Puzzle: Análise da solução usando Backtracking e Algoritmos Genéticos
Problema 8-Puzzle: Análise da solução usando e Nelson Florêncio Junior Orientador: Frederico Gadelha Guimarães Departamento de Computação UFOP 18 de agosto de 2011 Nelson Florêncio Junior (UFOP) PAA 1
Leia maisIntrodução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.
Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Aplicações de Behavior Scoring Roteiro - Introdução - Diferença entre Credit scoring e
Leia maisFUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO
FUNDAÇÃO DE APOIO AO ENINO TÉCNICO DO ETADO DO RIO DE JANEIRO PLANO DE CURO 1. Identificação Curso de Extensão: INTRODUÇÃO AO ITEMA INTELIGENTE Professor Regente: José Carlos Tavares da ilva Carga Horária:
Leia maisDinâmicas de Acesso ao Espectro
Redes Cognitivas com Oportunidades Dinâmicas de Acesso ao Espectro Defesa de Tese Marcel William Rocha da Silva Orientador: José Ferreira de Rezende Roteiro Introdução e motivação Rádios cognitivos Oportunidades
Leia maisGERAÇÃO DE VIAGENS. 1.Introdução
GERAÇÃO DE VIAGENS 1.Introdução Etapa de geração de viagens do processo de planejamento dos transportes está relacionada com a previsão dos tipos de viagens de pessoas ou veículos. Geralmente em zonas
Leia maisDicas de uso - Render Up
Dicas de uso - Render Up (versão 3.6.7 ou superior) Desenvolvido por: Promob Software Solutions Rua dos Cinamomos - 517 - Cinquentenário CEP 95012-140 - Caxias do Sul - RS Brasil Fone/Fax: 54 3209 9200
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aulas passadas Modelagem de sistemas via cadeias de Markov Aula de hoje Introdução à simulação Gerando números pseudo-aleatórios 1 O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisInteligência Computacional: resolvendo problemas difíceis da vida real
Instituto de Computação Semana Nacional da Ciência e Tecnologia Escola Agrotécnica Federal de Inconfidentes Inteligência Computacional: resolvendo problemas difíceis da vida real Carlos Eduardo de Andrade
Leia maisPlano de Trabalho Docente 2014. Ensino Técnico
Plano de Trabalho Docente 2014 Ensino Técnico Etec Etec:PAULINO BOTELHO Código: 091.01 Município: SÃO CARLOS Eixo Tecnológico: Gestão e Negócios Habilitação Profissional: Técnica de Nível Médio de TÉCNICO
Leia maisUniversidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2014 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação
Leia maisALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO
ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO Renan de Oliveira Yamaguti Faculdade de Engenharia de Computação / CEATEC renan.yamaguti@terra.com.br
Leia mais3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS
3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras
Leia maisAula 3 - Registro de Imagem
Aula 3 - Registro de Imagem 1. Registro de Imagens Registro é uma transformação geométrica que relaciona coordenadas da imagem (linha e coluna) com coordenadas geográficas (latitude e longitude) de um
Leia maisControle da Cadeia de Suprimentos/Logística. Professor: Leandro Zvirtes UDESC/CCT
Controle da Cadeia de Suprimentos/Logística Professor: Leandro Zvirtes UDESC/CCT Mensuração Auditoria Indicadores de desempenho Relatórios Padrões/ Objetivos Metas de desempenho Correção Ajuste fino Grande
Leia mais4 Arquitetura básica de um analisador de elementos de redes
4 Arquitetura básica de um analisador de elementos de redes Neste capítulo é apresentado o desenvolvimento de um dispositivo analisador de redes e de elementos de redes, utilizando tecnologia FPGA. Conforme
Leia maisModelagem e Simulação
AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisPRIMAVERA RISK ANALYSIS
PRIMAVERA RISK ANALYSIS PRINCIPAIS RECURSOS Guia de análise de risco Verificação de programação Risco rápido em modelo Assistente de registro de riscos Registro de riscos Análise de riscos PRINCIPAIS BENEFÍCIOS
Leia maisEvolution of Robustness in an Electronic Design
Evolution of Robustness in an Electronic Design MAC0461 - Introdução ao Escalonamento e Aplicações Professor: Alfredo Goldman vel Lejbman Instituto de Matemática e Estatística Universidade de São Paulo
Leia maisNOTA À 2ª EDIÇÃO... VII PREFÁCIO... IX. No Renascimento de uma Nova Era... IX PREÂMBULO... XIII. Organização do livro... xiii. Destinatários...
NOTA À 2ª EDIÇÃO... VII PREFÁCIO... IX No Renascimento de uma Nova Era... IX Índice PREÂMBULO... XIII Organização do livro... xiii Destinatários... xiv Utilização do livro... xiv Agradecimentos... xiv
Leia maisProblemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos.
Problemas Multi-modais e Distribuições Espaciais em Algoritmos Genéticos. Thiago da Mota Souza Coordenação de Pós-Graduação e Pesquisa de Engenharia Centro de Tecnologia Universidade Federal do Rio de
Leia maisCONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO
CONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO Editar dados em vários formatos e armazenar estas informações em diferentes sistemas é provavelmente uma das atividades mais comuns para os profissionais
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia maisFiltragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha
Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem
Leia maisCOMPUTAÇÃO GRÁFICA REPRESENTAÇÃO DE IMAGENS
COMPUTAÇÃO GRÁFICA REPRESENTAÇÃO DE IMAGENS Curso: Tecnológico em Análise e Desenvolvimento de Sistemas Disciplina: COMPUTAÇÃO GRÁFICA 4º Semestre Prof. AFONSO MADEIRA ARQUITETURA GRÁFICA Frame-buffer
Leia maisRevisão 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 maisEngenharia de Software: Introdução. Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes
Engenharia de Software: Introdução Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes Programa 1. O processo de engenharia de software 2. UML 3. O Processo Unificado 1. Captura de requisitos 2.
Leia maisOtimização de Recuperação de Informação usando Algoritmos Genéticos
Otimização de Recuperação de Informação usando Algoritmos Genéticos Neide de Oliveira Gomes, M. Sc., nog@inpi.gov.br Prof. Marco Aurélio C. Pacheco, PhD Programa de Doutorado na área de Métodos de Apoio
Leia maisMLP (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 maisESCOLA SECUNDÁRIA/3 da RAINHA SANTA ISABEL 402643 ESTREMOZ PLANIFICAÇÃO ANUAL DA DISCIPLINA DE MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS (MACS) 10º ANO
ESCOLA SECUNDÁRIA/3 da RAINHA SANTA ISABEL 402643 ESTREMOZ PLANIFICAÇÃO ANUAL DA DISCIPLINA DE MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS (MACS) 10º ANO ANO LETIVO DE 2015/2016 PROFESSORES: Inácio Véstia
Leia maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,
Leia maisAvaliação do potencial produtivo em montados de sobro com recurso a redes neuronais artificiais
Avaliação do potencial produtivo em montados de sobro com recurso a redes neuronais artificiais Susana Dias (Investigadora/Colaboradora da Universidade de Évora e Docente do Instituto Politécnico de Elvas)
Leia maisAprendizagem 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 maisDO ANALÓGICO AO DIGITAL: CONCEITOS E
DO ANALÓGICO AO DIGITAL: CONCEITOS E TÉCNICAS BÁSICASB Fernando Pereira Instituto Superior TécnicoT Digitalização Processo onde se expressa informação analógica de forma digital. A informação analógica
Leia maisTécnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques
Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Sidnei Alves de Araújo André Felipe Henriques Librantz
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisRECOLHA DE INFORMAÇÃO DE REMUNERAÇÕES, SUPLEMENTOS E DOS PONTOS DECORRENTES DA AVALIAÇÃO DE DESEMPENHO
RECOLHA DE INFORMAÇÃO DE REMUNERAÇÕES, SUPLEMENTOS E DOS PONTOS DECORRENTES DA AVALIAÇÃO DE DESEMPENHO MANUAL DO UTILIZADOR 1 RECOLHA DE INFORMAÇÃO DE REMUNERAÇÕES E DE DESEMPENHO MANUAL DO UTILIZADOR
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
Leia maisAnálise de componentes independentes aplicada à avaliação de imagens radiográficas de sementes
Análise de componentes independentes aplicada à avaliação de imagens radiográficas de sementes Isabel Cristina Costa Leite 1 2 3 Thelma Sáfadi 2 Maria Laene Moreira de Carvalho 4 1 Introdução A análise
Leia maisSimulação Estocástica
Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias
Leia maisEstudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada
Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisNECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes
NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela
Leia maisIntrodução aos Sistemas de Informação Geográfica
Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição
Leia maisENTREVISTAS OBJETIVOS:
ENTREVISTAS 1 CONCEITO: Encontro entre duas pessoas, com vistas a que uma delas obtenha informações a respeito de determinado assunto, utilizando-se para isto de uma conversação de natureza técnico-profissional.
Leia maisKDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?
KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule
Leia maisClassificação - avaliação de resultados - 1. Mineração de Dados 2013
Classificação - avaliação de resultados - 1 Mineração de Dados 2013 Luís Rato (Capítulo 4 do livro Introduction to Data Mining ) Universidade de Évora, Mineração de dados / Data Mining 1 Desempenho Desempenho
Leia maisSistemas de Informações Gerenciais Prof. Esp. André Luís Belini Bacharel em Sistemas de Informações MBA em Gestão Estratégica de Negócios
Sistemas de Informações Gerenciais Prof. Esp. André Luís Belini Bacharel em Sistemas de Informações MBA em Gestão Estratégica de Negócios Como Melhorar a Tomada de Decisão e a Gestão do Conhecimento Capítulo
Leia mais)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR
6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,
Leia maisAvaliação econômica (quantitativa) de impacto de programas (de saúde) Prof. Gervásio F. Santos Departamento de Economia/UFBA
Avaliação econômica (quantitativa) de impacto de programas (de saúde) Prof. Gervásio F. Santos Departamento de Economia/UFBA Problemas econômicos Impacto de um programa de treinamento sobre salário/hora
Leia maisMODELAGEM DIGITAL DE SUPERFÍCIES
MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais
Leia maisMELHORAMENTO GENÉTICO DE PRECISÃO
MELHORAMENTO GENÉTICO DE PRECISÃO Uma nova abordagem da seleção em tempos de mudanças climáticas, globalização e sustentabilidade Newton Tamassia Pegolo Abril - 2010 Deus está nos detalhes Gustave Flaubert,
Leia maisMinicurso SBSE 2012:
Campus de Ilha Solteira Faculdade de Engenharia de Ilha Solteira Departamento de Energia Elétrica Minicurso SBSE 2012: Metaheurísticas em sistemas elétricos de potência: introdução ao estudo e aplicações
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisTrabalhando com Pequenas Amostras: Distribuição t de Student
Probabilidade e Estatística Trabalhando com Pequenas Amostras: Distribuição t de Student Pequenas amostras x Grandes amostras Nos exemplos tratados até agora: amostras grandes (n>30) qualquer tipo de distribuição
Leia maisAlgoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados
Algoritmos Genéticos em Mineração de Dados Descoberta de Conhecimento Descoberta do Conhecimento em Bancos de Dados Processo interativo e iterativo para identificar padrões válidos, novos, potencialmente
Leia mais