Vetor Quantização e Aglomeramento (Clustering)
|
|
- Adriano Branco Lopes
- 8 Há anos
- Visualizações:
Transcrição
1 (Clustering) Introdução Aglomeramento de K-partes Desafios do Aglomeramento Aglomeramento Hierárquico Aglomeramento divisivo (top-down) Aglomeramento inclusivo (bottom-up) Aplicações para o reconhecimento da voz 1
2 Modelamento Acústico Representação do Sinal Vetor Quantização Forma de Onda Vetores Característicos Símbolos Representação do Sinal produz seqüência de vetor características, Seqüências multi- dimensionais podem ser processadas por: Métodos que modelam diretamente espaço contínuo; Quantização e modelamento de símbolos discretos; Principais vantagens e desvantagens da quantização: Redução no armazenamento e nos custos computacionais; Potencial perda de informação devido à quantização; 2
3 Vetor Quantização (VQ) Usado na compressão do sinal, codificação da voz e imagem. Transmissão da informação mais eficiente que a quantização escalar (pode obter menos que 1 bit/parâmetro). Usado para modelamento acústico discreto desde os primórdios dos anos 80. Baseado em algoritmos padrões de aglomeramento: Aglomerados individuais centralizados são denominados de codewords. Um conjunto de aglomerados centralizados é denominado de codebook. VQ básico é um aglomerado de K- partes. VQ binário é uma forma de aglomeramento top-down (usado para quantização eficiente). 3
4 VQ & Aglomeramento Aglomeramento é um exemplo de conhecimento não supervisionado. Número e forma das classes {C i } desconhecida. Amostras de dados disponíveis {x i } não são classificadas. Útil para descobrir estrutura de dados antes da classificação ou adaptação dos classificadores. Resulta fortemente dependente do algoritmo de aglomeramento. 4
5 Exemplo de Modelamento Acústico 5
6 Desafios do Aglomeramento O que define um aglomerado? Existe um protótipo representando cada aglomerado? Como é definido um membro associado a um determinado aglomerado? O que é a distância métrica, d(x; y)? Quantos aglomerados existem? O número de aglomerados é escolhido antes do aglomeramento? Quanto bem os aglomerados representam dados não vistos? Como um novo dado é atribuído para um dado aglomerado? 6
7 Aglomeramento de K-Partes Usado para agrupar dados em K aglomerados, {C 1,...,C K } Cada aglomerado é representado por meio de dados atribuídos O algoritmo converge de forma iterativa para um ótimo local: Seleciona K aglomerados médios iniciais, {µ 1,, µ K }. Calcula iterativamente até o critério de termino ser satisfeito: 1. Atribui cada amostra de dados para o aglomerado mais próximo. x C i ; d(x;µ i ) d(x;µ j ); i j 1. Atualiza as K médias a partir das amostras atribuídas. µ i = E(x); x C i ;1 i K Quantizado vizinho mais próximo usado para dados não vistos. 7
8 K-Partes Exemplo: K = 3 Seleção aleatória 3 amostras de dados para medias iniciais. Distância métrica Euclidiana entre médias e amostras. 8
9 Propriedades do K-Partes Geralmente usado com uma distância métrica Euclidiana d(x;µ i ) = x - µ i 2 = (x - µ i ) t (x - µ i ) A distorção, D, é a soma do erro quadrático D = K i= 1 x C i x 2 µ D decresce entre a n th e n + 1 st iteração D(n + 1) D(n) Também conhecido como Isodata, ou algoritmo de Lloyd generalizado. Semelhanças com o algoritmo Maximização-Expectativa para conhecimento de parâmetros a partir de dados não classificados. 9
10 Aglomeramento K-Partes: Inicialização K-partes converge para um ótimo local. Ótimo Global não é garantido. Escolha inicial pode influenciar o resultado final. K-partes inicial pode ser escolhido aleatoriamente. Aglomeramento pode ser repetido múltiplas vezes. Estratégias Hierárquicas são freqüentemente utilizadas para iniciar os aglomerados. Top-down (divisiva) (ex., binary VQ). Bottom-up (inclusiva). 10
11 Aglomeramento K- Partes: Critério de Término Muitos critérios podem ser utilizados para terminar K-partes: Não há mudança nas atribuições dos dados. Máximo número de iterações foi excedido. Mudança na distorção total, D, cai abaixo de um limiar. 1 ( + 1) ( ) D n D n < T 11
12 Exemplo de Aglomeramento Acústico 12 aglomerados, iniciados com aglomeramento inclusivo. Representação Espectral baseada no modelo de audição. 12
13 Desafios do Aglomeramento: Número de Aglomerados Em geral, o número de aglomerados é desconhecido. Depende do critério de aglomeramento, espaço, computação ou requisitos de distorção ou métricas de reconhecimento 13
14 Desafios do Aglomeramento: Critério de Aglomeramento O critério utilizado em particionar os dados em aglomerados tem um papel importante na determinação do resultado final. 14
15 Desafios do Aglomeramento: Distância Métrica A distância métrica geralmente tem as seguintes propriedades: 1. 0 d(x; y) 2. d(x; y) = 0 if x = y 3. d(x; y) = d(y; x) 4. d(x; y) d(x; z) + d(y; z) 5. d(x + z; y + z) = d(x; y) (invariante) Na prática,a distância métrica pode não seguir algumas destas propriedades mas são uma medida das dissimilaridades. 15
16 Desafios do Aglomeramento: Distância Métrica Distância métrica influencia fortemente a forma dos aglomerados: Produto escalar normalizado: Euclidiana: x - µ i 2 = (x - µi) t (x - µ i ) Euclidiana pesada: (x - µi) t W(x - µ i ) (ex., W = -1 ) Distância Mínima (cadeia): min d(x; x i ); x i C i Representação específica... x t x y y 16
17 Desafios do Aglomeramento: Impacto da Escala A escala das dimensões do vetor característica pode influenciar significativamente os resultados do aglomeramento. A escala pode ser utilizada para normalizar dimensões e portanto uma simples distância métrica é um critério razoável para a similaridade. 17
18 Desafios do Aglomeramento: Treinamento e Teste de Dados O desempenho do treinamento de dados pode ser arbitrariamente bom ex., lim D = 0 k Teste independente dos dados é necessário para medir o desempenho. Desempenho pode ser medido pela distorção, D, ou alguma outra métrica de reconhecimento de voz relevante. Treinamento robusto irá degradar minimamente durante o teste Bons dados de treinamento casam bastante bem com as condições do teste. Dados de Desenvolvimento são freqüentemente utilizados para refinamentos, pois através testes iterativos podem implicitamente se tornar uma forma de dados de treinamento. k 18
19 Critério de Avaliação Alternativo: Exemplo LPC VQ Autumn (Outono) Autumn LPC (tamanho codebook = 1024) 19
20 Aglomeramento Hierárquico Aglomere os dados em uma estrutura de classes hierárquicas. Top-down (divisiva) ou bottom-up (inclusiva). Freqüentemente baseado na formulação stepwise-optimal, ou greedy. Estrutura Hierárquica útil para supor classes. Usado para iniciar algoritmos de aglomeramento tais como K- partes. 20
21 Aglomeramento Divisivo Cria hierarquia dividindo sucessivamente os aglomerados em grupos menores. Em cada iteração, um ou mais dos existentes aglomerados são divididos para formar novos aglomerados. O processo é repetido até que um critério de término seja atingido. Técnicas divisivas podem incorporar heurísticas de cortes e de união para melhorar o resultado final. 21
22 Exemplo de Aglomeramento Divisivo Não-Uniforme 22
23 Exemplo de Aglomeramento Divisivo Uniforme 23
24 Desafios no Aglomeramento Divisivo Inicialização de novos aglomerados: Seleção Aleatória a partir de amostras de aglomerados; Seleção de membros amostra distantes do centro; Perturba dimensão de máxima variância; Perturba todas as dimensões ligeiramente. Estruturas Árvore Uniforme ou não-uniforme. Corte de Aglomerados (devido a uma pobre expansão). Atribuição de Aglomerado (distância métrica). Critério de Término: Decréscimo na taxa de distorção; Não pode aumentar o tamanho do aglomerado. 24
25 Exemplo de Aglomeramento Divisivo: VQ Binário Freqüentemente usado para criar codebook de tamanho M = 2 B (B bit codebook, codebook tamanho M). É utilizado o aglomeramento divisivo binário uniforme. Em cada iteração cada aglomerado é dividido em dois: + µ i = µ i µ i = µ i ( 1+ ) ( 1 ) K-partes é utilizado para determinar o centróide do aglomerado. Também conhecido como algoritmo LBG (Linde, Buzo, Gray). Uma versão mais eficiente faz K-partes somente entre cada divisão binária, e mantém a árvore para uma procura eficiente. 25
26 Aglomeramento Inclusivo Estruture N amostras ou inicie aglomerados em uma hierarquia; Em cada iteração, os aglomerados mais semelhantes são reunidos para formar um novo aglomerado; Após N -1 iterações, a hierarquia é completada; A estrutura é apresentada na forma de um dendrograma; Levando em consideração o grau de semelhança quando novos aglomerados são criados, o dendrograma pode freqüentemente fornecer ajuda no agrupamento natural dos dados. 26
27 Dendrograma Exemplo (Uma Dimensão) 27
28 Desafios com o Aglomeramento Inclusivo Medindo distâncias entre aglomerados C i e C j com número respectivo de tokens n i e n j. Distância média: 1 n n i j ij d ( x, x ) i j Máxima distância (compacta): max d, ij ( x x ) i j Mínima distância (cadeia): ( x x ) min d, ij i j Distância entre dois vetores representativos de cada aglomerado tal como suas médias: d(µ i ;µ j ). 28
29 Aglomeramento Stepwise-Optimal Comum para minimizar o incremento na distorção total em cada interação de junção: stepwise-optimal ou greedy. A cada iteração, juntar os dois aglomerados que produzem o menor aumento na distorção. Distância métrica para minimizar a distorção, D, é: n n n i i j + n j µ + µ i j Tende a combinar pequenos aglomerados com grandes aglomerados antes de juntar aglomerados de tamanho similar. 29
30 Aglomeramento por Segmentação 30
31 Aglomeramento de pessoas falando 23 mulheres e 53 homens falando a partir do TIMIT corpus. Vetor baseado na media de F1 e F2 para 9 vogais. Distância d(c i ;C j ) é a media das distâncias entre membros. 31
32 Velar Oclusiva Alofônica 32
33 Velar Oclusiva Alofônica (continuação) 33
34 Hierarquia Acústica - Fonética Aglomeramento das distribuições fonéticas ao longo de 12 aglomerados. 34
35 Aglomeramento de Palavras 35
36 Aplicações VQ Normalmente usada para reduzir a computação. Pode ser utilizada sozinha para a classificação. Usada em dynamic time warping (DTW) e discrete hidden Markov models (HMMs). Codebooks Multiplos são usados quando espaços são estatisticamente independentes (product codebooks). Codebooks Matrizes são às vezes utilizados para capturar a correlação entre quadros sucessivos. Usado para estimação semi-paramétrica da densidade (ex., misturas semi-contínuas). 36
37 Referências Huang, Acero, and Hon, Spoken Language Processing, Prentice- Hall, Duda, Hart and Stork, Pattern Classification, John Wiley & Sons, A. Gersho and R. Gray, Vector Quantization and Signal Compression, Kluwer Academic Press, R. Gray, Vector Quantization, IEEE ASSP Magazine, 1(2), A. Juang, D. Wang, A. Gray, Distortion Performance of Vector Quantization for LPC Voice Coding, IEEE Trans ASSP, 30(2), J. Makhoul, S. Roucos, H. Gish, Vector Quantization in Speech Coding, Proc. IEEE, 73(11), L. Rabiner and B. Juang, Fundamentals of Speech Recognition, Prentice-Hall,
Agrupamento de dados
Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,
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 maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
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 maisSUMÁRIO. Introdução... 3
SUMÁRIO Introdução..................................... 3 1 Consultas por Similaridade e Espaços métricos............. 5 1.1 Consultas por abrangência e consultas aos k-vizinhos mais próximos... 5 1.2
Leia maisProf. Júlio Cesar Nievola Data Mining PPGIa PUCPR
Encontrar grupos de objetos tal que objetos em um grupo são similares (ou relacionados) uns aos outros e diferentes de (ou não relacionados) a objetos em outros grupos Compreensão Agrupa documentos relacionados
Leia maisAprendizagem de Máquina. Ivan Medeiros Monteiro
Aprendizagem de Máquina Ivan Medeiros Monteiro Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado
Leia maisReconhecimento de Locutor pela Voz usando o Classificador Polinomial e Quantização Vetorial
Reconhecimento de Locutor pela Voz usando o Classificador Polinomial e Quantização Vetorial Wemerson D. Parreira, Faculdade de Engenharia Elétrica, UFU, 38400-902, Uberlândia, MG E-mail: wdparreira@yahoo.com.br,
Leia maisPLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística
1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):
Leia maisReconhecimento de Padrões
Engenharia Informática (ramos de Gestão e Industrial) Departamento de Sistemas e Informação Reconhecimento de Padrões Projecto Final 2004/2005 Realizado por: Prof. João Ascenso. Departamento de Sistemas
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 maisNovos Recursos e Utilização de Adaptação de Locutor no Desenvolvimento de um Sistema de Reconhecimento de Voz para o Português Brasileiro
Novos Recursos e Utilização de Adaptação de Locutor no Desenvolvimento de um Sistema de Reconhecimento de Voz para o Português Brasileiro Patrick Silva Nelson Neto Aldebaro Klautau Simpósio Brasileiro
Leia maisFactor Analysis (FACAN) Abrir o arquivo ven_car.sav. Clique Extraction. Utilizar as 10 variáveis a partir de Vehicle Type.
Prof. Lorí Viali, Dr. viali@pucrs.br; viali@mat.ufrgs.br; http://www.pucrs.br/famat/viali; http://www.mat.ufrgs.br/~viali/ Factor Analysis (FACAN) Abrir o arquivo ven_car.sav Utilizar as 10 variáveis a
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisModelando Novas Palavras
Modelando Novas Palavras Introdução Modelando palavras fora do vocabulário (OOV Out Of- Vocabulary) Formulação Probabilística Métodos independentes do Domínio Conhecendo unidades de subpalavras OOV Modelos
Leia maisRecuperação de Informação em Bases de Texto. Aula 10
Aula 10 1 Agrupamento/ clustering de documentos: Agrupar os documentos em classes/grupos, de acordo com a sua semelhança Aprendizagem não supervisionada Sem conjunto de treino/exemplos 2 3 Agrupamento/
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 maisCodificadores de voz do MPEG-4. Eriko Porto eriko_porto@uol.com.br
Codificadores de voz do MPEG-4 Eriko Porto eriko_porto@uol.com.br Roteiro Introdução Waveform Codecs Source Codecs Hybrid Codecs Áudio no MPEG-4 Comparação entre alguns codecs Codificadores de Voz Introdução
Leia maisClustering: K-means and Aglomerative
Universidade Federal de Pernambuco UFPE Centro de Informática Cin Pós-graduação em Ciência da Computação U F P E Clustering: K-means and Aglomerative Equipe: Hugo, Jeandro, Rhudney e Tiago Professores:
Leia maisProjeto 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 maisSons Vocais do Inglês Americano
Sons Vocais do Inglês Americano Existem mais de 40 sons vocais no inglês americano que podem ser classificados de acordo com a forma básica em que são produzidos. Classe quanto á forma Vogais Fricativas
Leia maisComputação Paralela. Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho.
Computação Paralela Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho Outubro 2005 Desenvolvimento de Aplicações Paralelas Uma Metodologia
Leia maisIntrodução ao Reconhecimento Automático da Voz (RAV)
ao Reconhecimento Automático da Voz (RAV) Professores: Jim Glass & Professores convidados ao RAV Definição do problema Exemplos do estado da arte Visão do curso Resumo da aula Tarefas Projeto Avaliação
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisRedes 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 maisAlgoritmos de Agrupamento - Aprendizado Não Supervisionado. Fabrício Jailson Barth
Algoritmos de Agrupamento - Aprendizado Não Supervisionado Fabrício Jailson Barth Abril de 2013 Sumário Introdução e Definições Aplicações Algoritmos de Agrupamento Agrupamento Plano Agrupamento Hierárquico
Leia maisGeração de código. Ivan Ricarte INTRODUÇÃO À COMPILAÇÃO
Geração de código Ivan Ricarte 2008 Sumário Geração de código intermediário Código de três endereços Notação pós-fixa Otimização de código Heurísticas de otimização Geração de código em linguagem simbólica
Leia maisCadeias de Markov. Geovany A. Borges gaborges@ene.unb.br
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br
Leia maisTópicos sobre Teoria da informação e codificação de fonte
Tópicos sobre Teoria da informação e codificação de fonte Processamento Digital de Sinal II Artur Ferreira e Paulo Marques ( Dezembro 2003 ) Tópicos a abordar 1. Teoria da informação Informação própria
Leia maisUNIVERSIDADE ESTADUAL DE CAMPINAS. Instituto de Matemática, Estatística e Computação Científica
UNIVERSIDADE ESTADUAL DE CAMPINAS Instituto de Matemática, Estatística e Computação Científica Relatório Final - MS777 Modelagem matemático/probabilística dos módulos acústicos e de linguagem de sistemas
Leia mais3. 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 maisMatlab - 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 maisClassificação de Imagens
Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
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 mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
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 maisRoteamento 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 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 maisA Preparação dos Dados
A Preparação dos Dados Escolhas Básicas Objetos, casos, instâncias Objetos do mundo real: carros, arvores, etc Ponto de vista da mineração: um objeto é descrito por uma coleção de características sobre
Leia maisAula 2 Modelo Simplificado de Computador
Aula 2 Modelo Simplificado de Computador Um computador pode ser esquematizado de maneira bastante simplificada da seguinte forma: Modelo Simplificado de Computador: Memória Dispositivo de Entrada Processador
Leia maisEngenharia de Software. Parte I. Introdução. Metodologias para o Desenvolvimento de Sistemas DAS 5312 1
Engenharia de Software Parte I Introdução Metodologias para o Desenvolvimento de Sistemas DAS 5312 1 Mitos do Desenvolvimento de Software A declaração de objetivos é suficiente para se construir um software.
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 mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a
Leia maisArtigo elaborado por C. Magno Xavier (M.Sc., PMP) magno@beware.com.br. Como criar uma WBS
Como criar uma WBS A WBS pode ser criada totalmente nova ou reutilizar partes de uma outra WBS ou de modelos (templates) da organização. Ela deve conter subprodutos necessários ao gerenciamento do projeto,
Leia maisTabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008
Tabela de Símbolos Análise Semântica A Tabela de Símbolos Fabiano Baldo Após a árvore de derivação, a tabela de símbolos é o principal atributo herdado em um compilador. É possível, mas não necessário,
Leia maisClustering - agrupamento. Baseado no capítulo 8 de. Introduction to Data Mining
Clustering - agrupamento Baseado no capítulo 8 de Introduction to Data Mining de Tan, Steinbach, Kumar Clustering - agrupamento 1 O que é Clustering? Encontar grupos de objectos tal que os objectos dentro
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 maisPalavras-Chaves: Agrupamento Hierárquico; Acordo de Resultados.
Estatística Multivariada: Grupos Homogêneos no Combate à Criminalidade em Minas Gerais 1 Formação de Regiões Homogêneas no Combate à Criminalidade Violenta de Minas Gerais utilizando técnica de agrupamento
Leia maisLista de Exercícios. Vetores
Lista de Exercícios Vetores LINGUAGEM DE PROGRAMAÇÃO PROF. EDUARDO SILVESTRI. WWW.EDUARDOSILVESTRI.COM.BR ATUALIZADO EM: 13/03/2007 Página 1/1 1. Faça um programa que crie um vetor de inteiros de 50 posições
Leia maisCurso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento
Curso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento Professor Rene - UNIP 1 Roteamento Dinâmico Perspectiva e histórico Os protocolos de roteamento dinâmico são usados
Leia maisDiagrama de transição de Estados (DTE)
Diagrama de transição de Estados (DTE) O DTE é uma ferramenta de modelação poderosa para descrever o comportamento do sistema dependente do tempo. A necessidade de uma ferramenta deste tipo surgiu das
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 maisAula 04. Código BCD, Códigos Alfa-numéricos e Sistemas de Detecção de Erros
Aula 04 Código BCD, Códigos Alfa-numéricos e Sistemas de Detecção de Erros Prof. Otávio Gomes otavio.gomes@ifmg.edu.br sites.google.com/a/ifmg.edu.br/otavio-gomes/ 1 Bytes A maioria dos microcomputadores
Leia maisO Software Face Match
Apêndice A O Software Face Match A.1 - Desenvolvimento do software para a extração de características de imagens de faces humanas: Face Match. Para dar suporte à proposta do trabalho de mestrado iniciou-se
Leia maisPré processamento de dados II. Mineração de Dados 2012
Pré processamento de dados II Mineração de Dados 2012 Luís Rato Universidade de Évora, 2012 Mineração de dados / Data Mining 1 Redução de dimensionalidade Objetivo: Evitar excesso de dimensionalidade Reduzir
Leia mais1. Sistemas de numeração
1. Sistemas de numeração Quando mencionamos sistemas de numeração estamos nos referindo à utilização de um sistema para representar uma numeração, ou seja, uma quantidade. Sistematizar algo seria organizar,
Leia maisEA075 Conversão A/D e D/A
EA075 Conversão A/D e D/A Faculdade de Engenharia Elétrica e de Computação (FEEC) Universidade Estadual de Campinas (UNICAMP) Prof. Levy Boccato 1 Introdução Sinal digital: possui um valor especificado
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 maisEE210 Sistemas de Comunicação II 2ª Avaliação (PV2) 22/04/2015 15h30min Profs. Dayan A. Guimarães e Rausley A. A. de Souza. Aluno(a): Matrícula.
EE1 Sistemas de Comunicação II ª Avaliação (PV) /4/15 15h3min Profs. Dayan A. Guimarães e Rausley A. A. de Souza Nota : Nota P: Aluno(a): Matrícula. Prova sem consulta, com duração de 1h5min. A interpretação
Leia mais5.7 Amostragem e alguns teoremas sobre limites
M. Eisencraft 5.7 Amostragem e alguns teoremas sobre limites 7 5.7 Amostragem e alguns teoremas sobre limites Para quantificar os problemas associados às medidas práticas de uma VA, considere o problema
Leia maisFormatos de Imagem PNG. Universidade Federal de Minas Gerais. Bruno Xavier da Silva. Guilherme de Castro Leite. Leonel Fonseca Ivo
Universidade Federal de Minas Gerais Formatos de Imagem PNG Bruno Xavier da Silva Guilherme de Castro Leite Leonel Fonseca Ivo Matheus Silva Vilela Rafael Avelar Alves Belém Belo Horizonte, 5 de maio de
Leia maisReconhecimento de Objectos
Dado um conjunto de características, relativas a uma região (objecto), pretende-se atribuir uma classe essa região, seleccionada de um conjunto de classes cujas características são conhecidas O conjunto
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisMultiplexador. Permitem que vários equipamentos compartilhem um único canal de comunicação
Multiplexadores Permitem que vários equipamentos compartilhem um único canal de comunicação Transmissor 1 Receptor 1 Transmissor 2 Multiplexador Multiplexador Receptor 2 Transmissor 3 Receptor 3 Economia
Leia maisAnálise e Complexidade de Algoritmos
Análise e Complexidade de Algoritmos Uma visão de Intratabilidade, Classes P e NP - redução polinomial - NP-completos e NP-difíceis Prof. Rodrigo Rocha prof.rodrigorocha@yahoo.com http://www.bolinhabolinha.com
Leia maisFERRAMENTA PARA O ENSINO DE QUANTIZAÇÃO VETORIAL EM CURSOS DE ENGENHARIA ELÉTRICA
FERRAMENTA PARA O ENSINO DE QUANTIZAÇÃO VETORIAL EM CURSOS DE ENGENHARIA ELÉTRICA Jair Galvão jair.galvao@upe.br Escola Politécnica de Pernambuco POLI/UPE Rua Benfica, 455, Madalena CEP: 50720-001 Recife
Leia maisErrata. Livro: Transmissão Digital - Princípios e Aplicações Edição:1ª Código: 4391 Autores: Dayan Adionel Guimarães & Rausley Adriano Amaral de Souza
Errata Livro: Transmissão Digital - Princípios e Aplicações Edição:1ª Código: 4391 Autores: Dayan Adionel Guimarães & Rausley Adriano Amaral de Souza Página 3 Primeiro parágrafo Excluir o seguinte texto
Leia maisAnálise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr
Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples
Leia maisRAV para Sistemas de Diálogo
RAV para Sistemas de Diálogo Introdução Problemas com o reconhecimento da voz: Exemplo usando sistema SUMMIT para informações meteorológicas. Reduzindo cálculos Modelo de agregação Classificadores baseados
Leia maisAula 20. Roteamento em Redes de Dados. Eytan Modiano MIT
Aula 20 Roteamento em Redes de Dados Eytan Modiano MIT 1 Roteamento Deve escolher rotas para vários pares origem, destino (pares O/D) ou para várias sessões. Roteamento datagrama: a rota é escolhida para
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 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 maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia mais29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital. Unidade de Aprendizagem Radiológica. Professor Paulo Christakis
Radiologia Digital Unidade de Aprendizagem Radiológica Princípios Físicos da Imagem Digital Professor Paulo Christakis 1 Em sistemas digitais de imagens médicas, as mudanças não se apresentam somente no
Leia maisESTRUTURAS DE DADOS II
ESTRUTURAS DE DADOS II Msc. Daniele Carvalho Oliveira Doutoranda em Ciência da Computação - UFU Mestre em Ciência da Computação UFU Bacharel em Ciência da Computação - UFJF Conteúdo Programático 1. Introdução
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
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 maisJogo de balanceamento de carga
Jogo de balanceamento de carga Dados: n tarefas m máquinas w i : peso da tarefa i s j : velocidade da máquina j Teoria dos Jogos p. 1 Jogo de balanceamento de carga Dados: n tarefas m máquinas w i : peso
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 maisADMINISTRAÇÃO DOS RECURSOS DE DADOS
Capítulo 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7.1 2003 by Prentice Hall OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação?
Leia maisBackup. Permitir a recuperação de sistemas de arquivo inteiros de uma só vez. Backup é somente uma cópia idêntica de todos os dados do computador?
Backup O backup tem dois objetivos principais: Permitir a recuperação de arquivos individuais é a base do típico pedido de recuperação de arquivo: Um usuário apaga acidentalmente um arquivo e pede que
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisJava. Marcio de Carvalho Victorino www.dominandoti.eng.br
Java Marcio de Carvalho Victorino www.dominandoti.eng.br 3. Considere as instruções Java abaixo: int cont1 = 3; int cont2 = 2; int cont3 = 1; cont1 += cont3++; cont1 -= --cont2; cont3 = cont2++; Após a
Leia maisAprendizagem de Máquina
Introdução Aprendizagem de Máquina Alessandro L. Koerich Introdução Desde que os computadores foram inventados temos nos perguntado: Eles são capazes de aprender? Se pudéssemos programá-los para aprender
Leia maisTécnicas de Clustering: Algoritmos K-means e Aglomerative
Técnicas de Clustering: Algoritmos K-means e Aglomerative Danilo Oliveira, Matheus Torquato Centro de Informática Universidade Federal de Pernambuco 9 de outubro de 2012 Danilo Oliveira, Matheus Torquato
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 maisInteligência de Enxame: PSO
! A otimização por enxame de partículas: «É baseada em uma estratégia inspirada no voo dos pássaros e movimento de cardumes de peixes; «Permite a otimização global de um função objetivo A função objetivo
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisClip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008
PROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008 Deliverable: D1 - Clip-art Simplification Tool Task: T1 - Clip-art Simplification
Leia maisCodificação de Canal
Laboratório de Processamento de Sinais Laboratório de Sistemas Embarcados Universidade Federal do Pará 26 de janeiro de 2012 Sumário 1 Introdução a 2 Códigos de Blocos Lineares 3 Códigos Cíclicos Introdução
Leia maisInstituto Superior Técnico. 19 de Janeiro de 2001. Parte I
Exame de Compressão e Codificação de Dados Secção de Telecomunicacções DEEC, Instituto Superior Técnico 19 de Janeiro de 1 Parte I Esta parte do exame é constituida por 20 perguntas de resposta múltipla.
Leia mais1 Transmissão digital em banda base
1 Transmissão digital em banda base A transmissão digital oferece algumas vantagens no que diz respeito ao tratamento do sinal, bem como oferecimento de serviços: Sinal pode ser verificado para avaliar
Leia maisAGRUPAMENTO DE DADOS SEMI-SUPERVISIONADO NO CONTEXTO DE APRENDIZADO DE MÁQUINA
AGRUPAMENTO DE DADOS SEMI-SUPERVISIONADO NO CONTEXTO DE APRENDIZADO DE MÁQUINA Jornada Científica UFSCar - 2009 Priscilla de Abreu Lopes priscilla_lopes@dc.ufscar.br AGRUPAMENTO DE DADOS - INTRODUÇÃO 1.
Leia maisSMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS
CMNE/CILAMCE 007 Porto, 13 a 15 de Junho, 007 APMTAC, Portugal 007 SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS Marcelo Zaniboni 1 *, Osvaldo Severino Junior e João Manuel R. S. Tavares
Leia mais