GERAÇÃO AUTOMÁTICA DE REGRAS_A PARTIR DA ARQUITETURA NEURO-FUZZV PARA CLASSIFICAÇAO DE DADOS (NEFCLASS)
|
|
- Rosângela Pacheco Desconhecida
- 8 Há anos
- Visualizações:
Transcrição
1 40. SBAI - Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, de Setembro de '1999 GERAÇÃO AUTOMÁTICA DE REGRAS_A PARTIR DA ARQUITETURA NEURO-FUZZV PARA CLASSIFICAÇAO DE DADOS (NEFCLASS) José Augusto Fabri, Vandor Roberto Vilardi Rissoli, Heloisa de Arruda Camargo [fabri, vandor, heloisa]@dc.ufscar.br Departamento de Computação da Universidade Federal de São Carlos Via Washington Luiz, Km Caixa Postal 676 CEP São Carlos - SP Resumo: Este artigo analisa o uso de uma arquitetura Neuro- Fuzzy para geração de Regras Fuzzy no contexto de Sistemas Baseados em Conhecimento (SBC). As regras são geradas de forma automática, à partir de um conjunto de dados sobre casos específicos, sem a participação direta de um especialista. O objetivo é investigar o comportamento de uma arquitetura híbrida aplicada a fase de Aquisição de Conhecimento (AC). Após uma apresentação resumida do estágio atual dos Sistemas Especialistas (SEs) e da definição do algoritmo de aprendizado da arquitetura Neuro-Puzzy para Classificação de Dados (NEFClass), é.introduzido o processo de geração de regras proposto. Palavras-Chave: Neuro-Fuzzy, NEFClass, Conjuntos Fuzzy, Redes Neurais, Aquisição de Conhecimento. Abstract: This paper analyses the use of a Neuro-Fuzzy architecture to creat Fuzzy Rules into a Knowledge Based System context, The rules are created automatically, starting from a data set about specifics cases, without requering a direct expert participation. Its main goal is to study the behavior of a hibrid architecture applyed to the Knowledge Acquisition fase. After a briefpresentation of the current ES application domains and of the NEFCLass learning algorithm, the proposed rule generation process is describcd. Keywords: Neuro-Fuzzy,. NEFClass, Fuzzy Sets, Neural Networks, Knowledge Acquisition. 1 INTRODUÇÃO A construção de SEs pode ser agilizada por meio da integração e desenvolvimento de métodos híbridos e eficientes na AC. Nos últimos anos, os trabalhos de pesquisas têm enfocado desde as técnicas manuais de si: até as automáticas, que constituem o Aprendizado de Máquina (AM) [5J, passando ' pelas chamadas técnicas semi-automáticas que se destinam a auxiliar o especialista na tarefa de Representação de Conheciinento (RC). A evolução das pesquisas em AM tem ocorrido, independentemente, sob diferentes paradigmas tais como: Simbólico [6], Neural ou Conexionista [9], Genético (10] e outros. Recentemente, notam-se tentativas de aproximações. dessas áreas, pelo desenvolvimento de técnicas híbridas de aprendizado, paradigmas. que exploram e combinam ' vantagens desses Existem diversas formas de se combinar os paradigmas Neural, Simbólico e Fuzzy. A combinação destes paradigmas resultam em modelos que proporcionam a utilização de um enorme universo de soluções para os mais variados problemas computacionais. A idéia básica deste artigo é utilizar a arquitetura NEFClass [8] para gerar uma base de Regras Fuzzy em um Sistema Especialista (SE). Esta base será gerada à partir da utilização de dados extraídos de um agente ativo (mundo real).. Com a utilização de uma base de dados, é perfeitamente possível gerar regras de produção (se...então) utilizando a arquitetura NEFClass. Estas regras possuem em sua estrutura valores Jinguísticos, interpretados por Conjuntos Fuzzy. O presente trabalho é fruto do projeto IPAC - Integração de Paradigmas Simbólico, Fuzzy e Neural na Aquisição de Conhecimento, foi iniciado em janeiro de 1997, apoiado pelo ProTem-CC - Programa Temático em Ciência da Computação, fase 3. O objetivo deste projeto é estudar e desenvolver métodos de Aquisição de Conhecimento nas abordagens Simbólica, Neural e Fuzzy, buscando fundamentalmente o balanceamento das vantagens pela fusão dos paradigmas [2,12]. Este artigo mostra na Seção 2, uma visão geral da utilização e AC para um SE. Na Seção 3 é apresentada a definição da arquitetura NEFClass e na Seção 4, a geração de Regras Fuzzy, a partir da arquitetura NEFClass. Na Seção 5 é apresentado um estudo de caso. E por fim, na Seção 6, concluímos o artigo. 2 SISTEMAS ESPECIALISTAS Os SEs constituem-se em sistemas computacionais que procuram desempenhar as atividades de um especialista humano por meio da utilização de conhecimento armazenado. Este conhecimento permite a especialização do indivíduo. Para um SE, a apresentação do conhecimento é um fator crucial na sua criação [11]. Atualmente, os SEs são utilizados em larga escala em vários domínios de aplicações. A Tabela I, a seguir, ilustra o percentual dos trabalhos submetidos, em relação aos domínios 419
2 de aplicação, coletados no III Congresso Mundial de SEs realizado na Korea em 1996 [13].. Para desempenhar o papel de um especialista é necessário que o sistema possua um grande conhecimento sobre o domínio em questão. Um dos grandes problemas.na área de SEs é justamente adquirir tal conhecimento. Segundo [3], o processo de AC corresponde a todos os mecanismos aplicados para se adquirir conhecimentos e aplicálos na modelagem de um domínio de conhecimento. Pode-se dizer também que, AC é o processo que visa obter toda informação. necessária à construção de uma Base de Conhecimento (BC) para um SE. Existem duas formas de AC: manual e automática.. Utilização de arquiteturas Neuro-Fuzzy para gerar a BC de um SE. Esta técnica utiliza o conceito de Redes Neurais e Conjuntos Fuzzy para a obtenção de conhecimento. 3 DEFINiÇÃO DA ARQUITETURA NEURO- FUZZV PARA CLASSIFICAÇÃO DE DADOS - NEFCLASS De acordo com [8], as arquiteturas Neuro-Fuzzy combinam os paradigmas Fuzzy e Neural em modelos cooperativos (Sistemas Fuzzy e Redes Neurais sendo considerados como entidades separadas, porém trabalhando em conjunto) ou, modelos híbridos (Sistemas Fuzzy e Redes Neurais sendo considerados como entidades conjuntas, formando uma nova arquitetura). Domínio de Aplicação % Utilização Negócios 41% Medicina 21% Extração de Energia 13% Telecomunicações' 5% Governo 5% Agricultura 4% Transporte 4% Leis 3% Tabela 1: Utilização de SE nos mais variados domínios o método para AC manual pode ser ilustrado por meio da definição em [3]: "AC explícito 011 manual é a apreensão do conhecimento de algum especialista humano por meio de sessões de AC (entrevistas por exemplo)." No método manual de AC,. o especialista humano ou o engenheiro do conhecimento é responsável por gerar regras para a BC de um SE.. Uma outra forma de AC que vem sendo atualmentepesquisada no universo da Inteligência Artificial (IA), é a AC automática. Esta forma de AC permite extrair conhecimento de dados sobre o problema, quando estes estão 'disponíveis, o que vem a ser. uma fonte de conhecimento alternativa, além do especialista humano. Dentre as técnicas de AC automáticas, destacam-se as que utilizam diversos conceitos ou paradigmas de forma híbrida para a AC. Entre tais técnicas encontram-se: Utilização de Algoritmos Genéticos para gerar a BC de um SE. Nesta técnica são utilizados os métodos de evolução, seleção, crossover, mutação e ranking para a obtenção de conhecimento [13]. SE Multimídia: SEs que possuem todos os conceitos da Multimídia na construção de suas interfaces (AC e usuário) [13]. p =Pesos: ValoresLinguCstic:os - ConjuntosFu7.zy Figura 1., Fuzzy Perceptron 0)c:> Unidadesde Proccsssmento ou Neur6nioFuzzy A arquitetura NEFClass se encaixa no paradigma híbrido e é utilizada para determinar a classe ou categoria de um dado padrão de entrada. A arquitetura NEFClass é baseada no Fuzzy Perceptron [8] (Figura 1) que, por sua vez, herda todas as características de uma Rede Neural do tipo Perceptron Multicamadas [9]. O Fuzzy Perceptron é considerado uma abstração para a definição de novas arquiteturas Neuro-Fuzzy, De acordo com a Figura 1, o Fuzzy Perceptron possui 3 camadas (entrada, regras e saída) e pesos ou, links, modelados com valores Lingufsticos e representados por Conjuntos Fuzzy. A entrada dos dados na rede ocorre por meio de valores linguísticos. A camada de saída possui uma função responsável pela "desfu zzyficaç ão" (transformação de um Conjunto Fuzzy em um número real [4,7]) dos dados. Esta função é aplicada aos Conjuntos Fuzzy resultantes dos neurônios desta camada. As Unidades de Processamento ou Neurônios Fuzzy, responsáveis pela propagação dos dados na rede, podem ser.visualizadas na Figura '2 r;; 0.) }' =min(max(xi 11' IJ. max(x] W]).h. max(xn wnjj y= max(mia(xi wij.min (.t] 11' ])..... min (xn wnjj Figura 2- Formas de propagação Nesta representação Xi e Wi são Conjuntos Fuzzy notados por A == {gl/ ei + g2 / e2 + g3/ e g. / e.}, onde e, representa o elemento do conjunto.e gi representa o grau de 420
3 40. SBAI-Slmpósio Brasileiro de Automação Inteligente, São Paulo, SP, de Setembro de 1999 pertinência do elemento do conjunto [4]. Os operadores de min e max trabalham sobre os graus de pertinência dos Conjuntos Fuzzy. Na Figura 2, verifica-se a presença de 2 formas de propagação, cuja escolha entre uma delas, fica a critério da adequação do problema a ser solucionado. A arquitetura NEFClass possui um método, ou algoritmo, de aprendizado que gera regras do tipo: Se x, é A j e Xl é A l e X3 é A 3 e...e Xn é A n então o padrão que possui os atributos xj, Xl, X3. Xn pertencem a classe i, tal que A j A n são Conjuntos Fuzzy. Estas regras são utilizadas para a classificação dos padrões de entrada [8]. Dada uma tarefa para aprendizado L = {(Pb tj),...,(pg, tg)} de g padrões, cada um consistindo num padrão de entrada P E. 9t N (9t números reais) e num padrão de classificação ti E {O,l}m. O método de aprendizado responsável pela criação de k unidades de regras para a classificação é dividido em 2 fases: Pré-processamento das. informações, e Algoritmo de aprendizado. Pré-processamento das informações: 1. Defina a quantidade de Conjuntos Fuzzy ou valores linguísticos que serão utilizados nas regras de classificação. Este valor é armazenado na variável Q. Por exemplo, caso Q seja igual a 3, os Conjuntos Fuzzy ou valores linguísticos a serem representados nas regras podem ser pequeno, médio e grande; 2. Defina o número máximo de regras a serem criadas (k maj ) ; 3. Dado Q, divida o domínio da função triangular (representada genericamente abaixo) para cada atributo Pi E P presente em L (vide Figura 3). x-a se XE [a,h) h-a c-x J.l(x) = -- se XE [h,c] c-h o caso contrário onde a,b e c são parâmetros da função. :DOC Valor Inicial do Atributo Valor Final do Atributo Figura 3- Divisão do domínio da função triangular Algoritmo de aprendizado 1. Para cada par(pl, ti) E L faça: Para cada Conjunto Fuzzy ou valor linguístico representado por Q faça:. Processe os atributos dos padrões de entrada p j E P em J.L ){x), onde j indicao valor linguístico da função a ser processada, na Figura 3, j ={I, 2, 3 } para os valores Iinguísticos pequeno, médio e grande respectivamente; Selecione o maior valor encontrado no processamento de J.L j(x); Caso não exista nenhuma conexão entre a camada de entrada e a camada de regras.com o valor linguístico encontrado no item anterior; e se o número de unidades de regras for menor que k max ; então crie uma nova unidade de regra conectando-a na unidade de entrada e na unidade de saída CI se ti = Repita o passo I até k < kma.t ou até ocorrer o esgotamento de padrões p a serem processados. Após o processamento do método de aprendizado, é feita a atualização dos parâmetros a, b e c da função triangular utilizando um método semelhante ao Algoritmo Backpropagation do modelo MLP. Primeiramente é calculado o erro: e=d-y onde e representa o erro, d é a saída desejada e y a saída obtida. Tal saída, é calculada por meio de um processo de "desfuzzyficaç ão" dos Conjuntos Fuzzy obtidos na camada de saída. Obtido o valor do erro são atualizados os parâmetros a, b e c da função triangular tal que: AC5 t =C5 t +71 e onde O; representa os parâmetros, t = {a, b, c} e TI representa a taxa de aprendizado previamente definida. 4 UTILIZANDO A ARQUITETURA NEFCLASS PARA OBTENÇÃO DE UMA BASE DE CONHECIMENTO Obter uma BC para um SE, utilizando a arquitetura NEFClass, requer a combinação entre os paradigmas Conexionista (Redes Neurais), Simbólico (SE) e Fuzzy (Teoria dos Conjuntos Fuzzy).. Uma das principais dificuldades na elaboração de um SE é a AC para representação de um domínio específico. Visando contribuir para a solução deste problema é proposta a utilização da arquitetura NEFClass, onde identifica-se tal conhecimento. A BC do SE proposto irá possuir regras se... então, conforme visto na Seção 3. Para obtenção destas regras foi utilizada a arquitetura NEFClass. Tal arquitetura 'gera uma BC contendo regras para classificação de dados. A principal idéia relacionada para a utilização da arquitetura NEFClass está intimamente ligada ao componente de interface de AC de um SE. Este componente, utiliza na maioria das vezes regras geradas por um especialista humano,. Com a utilização da arquitetura NEFClass, as regras foram geradas por um modelo cognitivo-fuzzy. 421
4 Os dados de entrada do SE são números reais. O componente responsável pela Interface com o Usuário é utilizado na "fuzzyficação" (aplicação de uma função de pertinência a um conjunto binário ou a um número real) destes dados. Após este processo, o controle do sistema vai para a Máquina de Inferência, que opera sobre a base de conhecimento. A BC fornecerá as saídas para os dados de entrada, que atingirão novamente o componente de Interface com o Usuário. A Figura 4, especifica. graficamente o SE utilizando a arquitetura NEFClass para a obtenção de sua BC. Fuzzyficaç! dos Dado. CPf=P+M*K P= /clpip A classificação dos padrões de arquiteturas de computadores em rápida ou lenta, é feita pelo seguintes critérios: Caso T seja menor que 166 MHz, a arquitetura é considerada lenta. Caso T seja maior ou igual a 166 MHz, a arquitetura é considerada rápida. Foi determinado neste estudo de caso a presença de 3 valores linguísticos para o processamentodo algoritmo de aprendizado, pequeno, médio e grande. A quantidade de regras a serem geradas pela arquitetura foi estipulada em 8. Aplicando o algoritmo de aprendizado definido na Seção 4, as regras geradas utilizando a arquitetura Neuro-Fuzzy para Classificação de Dados podem ser visualizadas na Tabela 3. Figura 4 - SE utilizando o NEFClass para obtenção da BC Na Figura 4 são verificados os 4 componentes de um SE, Máquina de Inferência, Base de Conhecimento, Interface de Aquisição, Interface do Usuário. A arquitetura :NEFClass presente no módulo de AC, é responsável pela geração de regras para alimentação da BC. 5 ESTUDO DE CASO Nesta seção será apresentado um estudo de caso utilizando a arquitetura Neuro-Fuzzy para Classificação de Dados para AC. O domínio utilizado será a classificação das arquiteturas de diversos computadores. A base de dados utilizada neste estudo é de domínio público. Os atributos desta base estão ilustrados na Tabela 2:. Atributo lc P M Descrição Quantidade de intruções Número de ciclos para decodificar e executar uma instrução Número de referências a memória RAM K Razão entre processador e memória (unidade representada em nanosegundos) R Tempo de ciclo para execução completa da instrução (unidade representada em nanosegundos) Pip Número de unidades de Pipeline Tabela 2- Identíflcação dos atnbutos Nesta base de dados, existe o atributo Cl, onde este é responsável pela classificação das máquinas em rápidas ou lentas.. O atributo Cl é baseado no tempo de clock (T). A obtenção de T é dada pelas seguintes equações [15]: T=/c * CP/ *R SElcém SElcém SElcég SElcém p=pequeno m=médio g=grande epém cmépeképerép emépeképerég emépeképerém emépeképerég Valor Linguístico pequeno: e Pip é m ENTÃO rápido e Pip é m ENTÃO rápido e Pip é p ENTÃO rápido e Pip é g ENTÃO rápido epipép ENTÃOlimto e Pip é g ENTÃO lento e Pip é g ENTÃO lento. e Pip é p ENTÃO lento Tabela 3: Regras geradas pela arquitetura NEFClaSs Gerada a BC, (Tabela 3), as funções de pertinência para os valores linguísticos pequeno, médio e grande são baseadas na função genérica definida na Seção 4. Tais funções são ilustradas abaixo: /l(x)= 1 se XE [a,b) c-x se XE [b,c] c-b o caso contrário Valor Linguístico médio: função definida na Seção 4 Valor Linguístico grande: /l(x) = 1 x-a se XE [a,b) b-a se XE [b,c] o caso contrário Os parâmetros a, b e c para cada função de pertinência em cada atributo estão representados na Tabela
5 40. SBAI - Simpósio Brasileiro de Automação Inteligente, São Paulo. SP, de Setembro de 1999 Com isso, o sistema está pronto para a interação com o usuário. Supõe-se, então, que a entrada de dados para o sistema seja: lc =15; P =7,5; M =1; K = 1; R =0.9; Pip =2 o modelo neste momento realiza o processo de fuzzyifcação por meio das funções de pertinências definidas anteriormente (vide Tabela 5). PequeM Médio Grande A b c a b c a. b c lc 10 44, , ,25 44,37 60 P ,51 43,35 1,67 22,51 43,35 25,83 38,22 60 M I 9,66 16,36 6,25 Il,5 16,75 11,5 16,75 22 K I 7,77 13,46 5,75 10,5 15,25 10,5 15,25 20 R ,29 0,55 0,01 0,45 0,9 0,25 0,53 0,9 Pip I 3,81 6 I I 3,81 6 Tabela 4: Parâmetros das funções de pertinência Dados de Entrada Tabela 5: Graus de pertinência por entradas Supondo que a Máquina de Inferência utilizada aplica o método de Mamdarni [14] no processamento das regras, sendo que o threshold (limite mínimo) para o disparo foi estipulado em 0,2: Seguindo o método referido, é obtido, para esse conjunto de regras os DOF (grau de disparo) para regras: DOF(R J ) = DOF(Rz) = DOF(R 3 ) = DOF(R 4 ) = O DOF(Rs) = 0,27 DOF(Rs) == 1 Grau de Pertinência Atributo Valor Pequeno Médio Grande Ic ,14 P ,27 O M 1 1 O O K 1 1 O O R 0,9 O O 1 Pip 2 1 0,45 0,45 Assim as regras Rs e Rs: epém emépeképerég epipép ENTÃOlento cpép emépeképcrég epipép ENTÃOl ento estão habilitadas, sendo que as duas levam à classificação da arquitetura representada pelo padrão de entrada na classe "lenta".. Aplicando as fórmulas para o cálculo de T defmida no início deste estudo de caso verifica-se que T = 101,25 MHZ. O que., O neste exemplo específico, confirma o resultado obtido com a base de regras. 6 CONCLUSÃO Os métodos automáticos de AC têm evoluído muito nos últimos anos. Este trabalho investigou a utilização de uma arquitetura Neuro- Fuzzy para Classificação de Dados, no processo de AC para construção de SEs. A arquitetura citada baseia-se no Fuzzy Perceptron, herdando assim as características encontradas no Perceptron de Multicamadas. O Fuzzy Perceptron é considerado como um modelo genérico para o desenvolvimento de novas arquiteturas Neuro-Fuzzy. A NEFClass é uma especialização do Fuzzy Perceptron. Verifica-se que o seu método de aprendizado é responsável pela geração das regras e adequação dos parâmetros das funções de pertinência utilizadas nos Conjuntos Fuzzy. Foi possível observar, por meio do estudo realizado, que a aplicação de tal arquitetura para construção de Regras Fuzzy é potencialmente viável em qualquer domínio do conhecimento. As abordagens aqui propostas compartilham das vantagens comuns de todas as abordagens de AC automáticas, como por exemplo, a utilização de dados disponíveis sobre o problema no processo de extração do conhecimento. Além disso, oferece. a possibilidade de criar, automaticamente, Regras Fuzzy com a utilização de um mecanismo de aprendizado poderoso e eficiente como o das Redes Neurais. Diversos problemas em aberto puderam ser identificados, como: a integração da abordagem proposta em um processo de AC mais abrangente, combinando o conhecimento das regras geradas automaticamente com. o conhecimento extraído manualmente de especialistas; a resolução de conflitos quando as regras habilitadas levam à classificação de um padrão em classes diferentes.. Nos trabalhos futuros, além dos t6picos citados acima, serão desenvolvidas aplicações dessa abordagem em outros domínios do conhecimento, mais especificamente no contexto de automação industrial. Agradecimentos José Augusto Fabri agradece a Fundação Educacional do Município de Assis (FEMA), Instituto Muncipal de Ensino Superior de Assis (IMESA) e a Faculade de Tecnologia de Ourinhos (FATEC) pelo apoio recebido. Heloisa Camargo agradece ao CNPq (proc /94-8) e a FINEP (Proc (0) pelo apoio recebido. Vandor Rissoli agradece a Universidade de Riberão Preto (unaerp) pelo apoio recebido. t [1] REFERÊNCIAS BIBLIOGRÁFICAS BERINll, H. R. Refinement of Aproximate Reasoning-Based - Controllers by Reinforcement Learning. Proc. of th Eight Int. Machine Learning Workshop, pp , 423
6 1991. [2] CAMARGO, Heloísa de Arruda e MONARD, Maria Carolina. Aquisição de Conhecimento Automática e Semi-automática: Integrando Paradigmas. ENIA97 - Encontro Nacional de Inteligência Artificial, [3] JUBILEU, A. P.; PUGLIESI, J, R; REZENDE, S. A.; SANCHES, R. Proposta de um Processo para Aquisição de Conhecimento Explícito. Relatórios Técnicos do Instituto de Ciência Matemáticas de São Carlos - Universidade de São Paulo - São Carlos [4] KLIR, J. G. and YUAN, B. Fuzzy Sets and Fuzzy Logic - Theory and Apphcatíons, Prentice- Hall,1995. [5] KEARNS, M. J.; VAZIRANI, V. V. An Introduction to Computacional Learning Theory. The MIT Press, [6] LAVRAC, N.; DZEROSKI, S. Inductive Logic Programming: Techniques and Applications. Ellis Horwood, London, [7] MASTERS, Timothy. PraticaI Neural Network Recipes in C++. Academic Press. London [8] NAUCK, Detlef and KRUSE, Rudolf. NEFCLASS - A Neuro-Fuzzy Approach for the Classification of Data. ACM Symposium on Applied Computing. ACM Press. Nashville, Feb 26-28, [9]. SIMON, Haykin. Neural Network: A Comprehensive Foundation. Prentice Hall. New Jersey, [10] SANCHEZ, Elie; SHIBATA, Takanori; ZADEH, Lotfi A. Genetic Algorithms and Fuzzy Logic.Systems e Soft Computing Perspectives..World Scientific,1997. [li] RUSSELL, Stuart; NORVING, Peter. Artificial Intelligence A Modero Approach. Prentice Hall,1995. [12] Workshop ProTeM CC Phase m Projects - International Evaluation (2.: 1999, may 5-7 : Rio de Janeiro, RJ) [13] LIEBOWITZ, Jay. The Handbook of Applied Expert Systems. CRC Press, [14] YAGER, Ronald R; FILEV, Dimitar P. Essentials of Fuzzy Modcling and Control. Wiley Interscience, [15] HWANG, Kai. Advanced Computer Architecture: ParaUelism, Scalability, Programmability. McGran Hill, :: : 424
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 maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisPROJETO DE PESQUISA MODALIDADE INICIAÇÃO CIENTÍFICA (BOLSA PIC/FACIT/FAPEMIG)
PROJETO DE PESQUISA MODALIDADE INICIAÇÃO CIENTÍFICA (BOLSA PIC/FACIT/FAPEMIG) MONTES CLAROS FEVEREIRO/2014 COORDENAÇÃO DE PESQUISA PROGRAMA DE INICIAÇÃO CIENTÍFICA DISPOSITIVOS MÓVEIS INTELIGENTES ORIENTADOR:
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 maisAnálise crítica dos resultados oriundos de certificados de calibração relativo à calibração de bloco-padrão utilizando lógica fuzzy.
Análise crítica dos resultados oriundos de certificados de calibração relativo à calibração de bloco-padrão utilizando lógica fuzzy. Flávio Carnelli Frade 1,2, Pedro Bastos Costa 1,3, Giovane Quadreli
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 maisComplemento III Noções Introdutórias em Lógica Nebulosa
Complemento III Noções Introdutórias em Lógica Nebulosa Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD
ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos
Leia maisRedes 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 maisPalavras-chave: Sistema neuro-fuzzy, Sistemas de avaliação, Sistemas Adaptativos.
ANÁLISE DO CURSO DE ENGENHARIA ELÉTRICA NA UERJ A PARTIR DE INDICADORES CONSTRUÍDOS BASEADOS NO EXAME NACIONAL DE CURSOS: UM SISTEMA NEBULOSO DE AVALIAÇÃO Maria Luiza F. Velloso mlfv@centroin.com.br Universidade
Leia maisAlgoritmos: Lógica para desenvolvimento de programação de computadores. Autor: José Augusto Manzano. Capítulo 1 Abordagem Contextual
Algoritmos: Lógica para desenvolvimento de programação de computadores Autor: José Augusto Manzano Capítulo 1 Abordagem Contextual 1.1. Definições Básicas Raciocínio lógico depende de vários fatores para
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 maisIntrodução ao Modelos de Duas Camadas Cliente Servidor
Introdução ao Modelos de Duas Camadas Cliente Servidor Desenvolvimento de Sistemas Cliente Servidor Prof. Esp. MBA Heuber G. F. Lima Aula 1 Ciclo de Vida Clássico Aonde estamos? Page 2 Análise O que fizemos
Leia maisDATA WAREHOUSE. Introdução
DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisCOERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS
COERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS O documento que serviu de base para a análise a seguir é o denominado "Diretrizes Curriculares
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisAMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO BACHARELADO AMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS Orientando: Oliver Mário
Leia maisFigura 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 maisRedes 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 maisCAPÍTULO 2 CARACTERÍSTICAS DE E/S E PORTA PARALELA
8 CAPÍTULO 2 CARACTERÍSTICAS DE E/S E PORTA PARALELA A porta paralela, também conhecida por printer port ou Centronics e a porta serial (RS-232) são interfaces bastante comuns que, apesar de estarem praticamente
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisOBJETIVOS. Aplicar técnicas de inteligência artificial na solução de problemas de controle e automação. EMENTA
Curso: ENGENHARIA ELÉTRICA Unidade Curricular: INTELIGÊNCIA ARTIFICIAL Professor(es): HANS ROLF KULITZ Período Letivo: OPTATIVA Carga Horária: 30 h TEÓRICAS E 30 h PRÁTICA OBJETIVOS Geral: Aplicar técnicas
Leia maisModelagemde Software Orientadaa Objetos com UML
Modelagemde Software Orientadaa Objetos com UML André Maués Brabo Pereira Departamento de Engenharia Civil Universidade Federal Fluminense Colaborando para a disciplina CIV 2802 Sistemas Gráficos para
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática MATRIZ CURRICULAR ELETIVAS
MATRIZ CURRICULAR S LIVRE ESCOLHA Núcleo Temático: HUMANAS Disciplina: LÍNGUA BRASILEIRA DE SINAIS 34 h/a (.34 ) Teóricas Etapa: 4ª Compreensão de aspectos composicionais da Língua Brasileira de Sinais
Leia maisProgramação para Computação
Universidade Federal do Vale do São Francisco Programação para Computação Professor: Marcelo Santos Linder E-mail: marcelo.linder@univasf.edu.br Ementa Conceito de algoritmo. Lógica de programação e programação
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 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 maisDesenvolvendo uma Arquitetura de Componentes Orientada a Serviço SCA
Desenvolvendo uma Arquitetura de Componentes Orientada a Serviço SCA RESUMO Ricardo Della Libera Marzochi A introdução ao Service Component Architecture (SCA) diz respeito ao estudo dos principais fundamentos
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 maisO que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.
O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar
Leia maisDadas a base e a altura de um triangulo, determinar sua área.
Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares
Leia maisComplemento 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 maisPalavras-chave: On-line Analytical Processing, Data Warehouse, Web mining.
BUSINESS INTELLIGENCE COM DADOS EXTRAÍDOS DO FACEBOOK UTILIZANDO A SUÍTE PENTAHO Francy H. Silva de Almeida 1 ; Maycon Henrique Trindade 2 ; Everton Castelão Tetila 3 UFGD/FACET Caixa Postal 364, 79.804-970
Leia mais3 Metodologia para Segmentação do Mercado Bancário
3 Metodologia para Segmentação do Mercado Bancário Este capítulo descreve a metodologia proposta nesta dissertação para a segmentação do mercado bancário a partir da abordagem post-hoc, servindo-se de
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisIW10. Rev.: 02. Especificações Técnicas
IW10 Rev.: 02 Especificações Técnicas Sumário 1. INTRODUÇÃO... 1 2. COMPOSIÇÃO DO IW10... 2 2.1 Placa Principal... 2 2.2 Módulos de Sensores... 5 3. APLICAÇÕES... 6 3.1 Monitoramento Local... 7 3.2 Monitoramento
Leia maisULA Sinais de Controle enviados pela UC
Solução - Exercícios Processadores 1- Qual as funções da Unidade Aritmética e Lógica (ULA)? A ULA é o dispositivo da CPU que executa operações tais como: Adição Subtração Multiplicação Divisão Incremento
Leia maisENGENHARIA DE SOFTWARE I
ENGENHARIA DE SOFTWARE I Prof. Cássio Huggentobler de Costa [cassio.costa@ulbra.br] Twitter: www.twitter.com/cassiocosta_ Agenda da Aula (002) Metodologias de Desenvolvimento de Softwares Métodos Ágeis
Leia mais1 http://www.google.com
1 Introdução A computação em grade se caracteriza pelo uso de recursos computacionais distribuídos em várias redes. Os diversos nós contribuem com capacidade de processamento, armazenamento de dados ou
Leia maisPESQUISA SOBRE O PERFIL DE ALUNOS NA UTILIZAÇÃO DE UM SITE DOCENTE DO ENSINO SUPERIOR
PESQUISA SOBRE O PERFIL DE ALUNOS NA UTILIZAÇÃO DE UM SITE DOCENTE DO ENSINO SUPERIOR Wesley Humberto da Silva (Fundação Araucária), André Luis Andrade Menolli (Orientador) e-mail: wesleyhumberto11@mail.com
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 maisParalelismo. Computadores de alto-desempenho são utilizados em diversas áreas:
Computadores de alto-desempenho são utilizados em diversas áreas: - análise estrutural; - previsão de tempo; - exploração de petróleo; - pesquisa em fusão de energia; - diagnóstico médico; - simulações
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 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 maisOrganizaçãoe Recuperação de Informação GSI521. Prof. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperação de Informação GSI521 Prof. Rodrigo Sanches Miani FACOM/UFU Introdução Organização e Recuperação de Informação(GSI521) Tópicos Recuperação de informação (RI); Breve histórico; O
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 maisLaudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1
Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO
Leia maisCURSO DE GRADUAÇÃO TECNOLÓGICA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS. RECONHECIDO conforme PORTARIA nº 295, de 25 de Junho de 2008.
CURSO DE GRADUAÇÃO TECNOLÓGICA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS RECONHECIDO conforme PORTARIA nº 295, de 25 de Junho de 2008. Título: Tecnólogo em Análise e Desenvolvimento de Sistemas Turno: Noturno
Leia maisInteligência 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 maisSISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER
SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo
Leia maisEspecial Online RESUMO DOS TRABALHOS DE CONCLUSÃO DE CURSO. Sistemas de Informação 2011-2 ISSN 1982-1816. www.unifoa.edu.br/cadernos/especiais.
Especial Online ISSN 1982-1816 www.unifoa.edu.br/cadernos/especiais.html DOS TRABALHOS DE CONCLUSÃO DE CURSO Sistemas de Informação 2011-2 SISTEMA DE GERENCIAMENTO DE MANUTENÇÃO AUTOMOTIVA Alunos: WERNECK,
Leia maisSistemas Computacionais II Professor Frederico Sauer
Sistemas Computacionais II Professor Frederico Sauer Livro-texto: Introdução à Organização de Computadores 4ª edição Mário A. Monteiro Livros Técnicos e Científicos Editora. Atenção: Este material não
Leia mais(P AA) 2 PACOTE DE APOIO A APRENDIZAGEM DE PROJETO E ANÁLISE DE ALGORITMOS: IMPLEMENTAÇÃO EM JAVA
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM (P AA) 2 PACOTE DE APOIO A APRENDIZAGEM DE PROJETO E ANÁLISE DE ALGORITMOS:
Leia maisSISTEMAS INTEGRADOS DE GESTÃO PAS 99:2006. Especificação de requisitos comuns de sistemas de gestão como estrutura para a integração
Coleção Risk Tecnologia SISTEMAS INTEGRADOS DE GESTÃO PAS 99:2006 Especificação de requisitos comuns de sistemas de gestão como estrutura para a integração RESUMO/VISÃO GERAL (visando à fusão ISO 31000
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 maisParadigmas da IA. Eixos centrais (das diferenças)
Paradigmas da IA Paradigmas da IA Simbólico: metáfora lingüística/lógica Sistemas de produção Conexionista: metáfora cérebro Redes neurais Evolucionista: metáfora teoria da evolução natural Algoritmos
Leia maisIntrodução a computação móvel. Middlewares para Rede de Sensores sem Fio. Uma avaliação na ótica de Adaptação ao Contexto
Introdução a computação móvel Monografia: Middlewares para Rede de Sensores sem Fio Uma avaliação na ótica de Adaptação ao Contexto Adriano Branco Agenda Objetivo do trabalho O que é uma WSN Middlewares
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 maisMINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO
MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data
Leia maisInteligência Empresarial. BI Business Intelligence. Business Intelligence 22/2/2011. Prof. Luiz A. Nascimento
Inteligência Empresarial Prof. Luiz A. Nascimento BI Pode-se traduzir informalmente Business Intelligence como o uso de sistemas inteligentes em negócios. É uma forma de agregar a inteligência humana à
Leia maisTÍTULO: PROGRAMAÇÃO DE CLP PARA UMA MÁQUINA DE SECÇÃO SEGMENTOS ORGÂNICOS
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: PROGRAMAÇÃO DE CLP PARA UMA MÁQUINA DE SECÇÃO SEGMENTOS ORGÂNICOS CATEGORIA: CONCLUÍDO ÁREA:
Leia maisSemântica para Sharepoint. Busca semântica utilizando ontologias
Semântica para Sharepoint Busca semântica utilizando ontologias Índice 1 Introdução... 2 2 Arquitetura... 3 3 Componentes do Produto... 4 3.1 OntoBroker... 4 3.2 OntoStudio... 4 3.3 SemanticCore para SharePoint...
Leia maisProjeto de controle e Automação de Antena
Projeto de controle e Automação de Antena Wallyson Ferreira Resumo expandido de Iniciação Tecnológica PUC-Campinas RA: 13015375 Lattes: K4894092P0 wallysonbueno@gmail.com Omar C. Branquinho Sistemas de
Leia maisHoje é inegável que a sobrevivência das organizações depende de dados precisos e atualizados.
BANCO DE DADOS Universidade do Estado de Santa Catarina Centro de Ciências Tecnológicas Departamento de Ciência da Computação Prof. Alexandre Veloso de Matos alexandre.matos@udesc.br INTRODUÇÃO Hoje é
Leia mais4 Estratégias para Implementação de Agentes
Estratégias para Implementação de Agentes 40 4 Estratégias para Implementação de Agentes As principais dúvidas do investidor humano nos dias de hoje são: quando comprar ações, quando vendê-las, quanto
Leia maisORGANIZAÇÃO DE COMPUTADORES MÓDULO 8
ORGANIZAÇÃO DE COMPUTADORES MÓDULO 8 Índice 1. A Organização do Computador - Continuação...3 1.1. Processadores - II... 3 1.1.1. Princípios de projeto para computadores modernos... 3 1.1.2. Paralelismo...
Leia maisQUESTIONÁRIO ONLINE NO MOODLE 2.x: NOVIDADES E POSSIBILIDADES
QUESTIONÁRIO ONLINE NO MOODLE 2.x: NOVIDADES E POSSIBILIDADES Sabrina Bobsin Salazar Universidade Federal de Pelotas sabrina.salazar@cead.ufpel.edu.br Daniela Stevanin Hoffmann Universidade Federal de
Leia maisNathalie Portugal Vargas
Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield
Leia maisAUTOR: DAVID DE MIRANDA RODRIGUES CONTATO: davidmr@ifce.edu.br CURSO FIC DE PROGRAMADOR WEB VERSÃO: 1.0
AUTOR: DAVID DE MIRANDA RODRIGUES CONTATO: davidmr@ifce.edu.br CURSO FIC DE PROGRAMADOR WEB VERSÃO: 1.0 SUMÁRIO 1 Conceitos Básicos... 3 1.1 O que é Software?... 3 1.2 Situações Críticas no desenvolvimento
Leia maisVisão Geral dos Sistemas de Informação
Visão Geral dos Sistemas de Informação Existem muitos tipos de sistemas de informação no mundo real. Todos eles utilizam recursos de hardware, software, rede e pessoas para transformar os recursos de dados
Leia maisO USO DE PROGRAMAS COMPUTACIONAIS COMO RECURSO AUXILIAR PARA O ENSINO DE GEOMETRIA ESPACIAL
O USO DE PROGRAMAS COMPUTACIONAIS COMO RECURSO AUXILIAR PARA O ENSINO DE GEOMETRIA ESPACIAL Angélica Menegassi da Silveira UNIFRA Eleni Bisognin - UNIFRA Resumo: O presente artigo tem como objetivo apresentar
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 maisConteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos. Centro Tecnológico. Universidade Federal do Espírito Santo
Universidade Federal do Espírito Santo Centro Tecnológico Departamento de Informática Disciplina: INF 02810 Prof.: (monalessa@inf.ufes.br) Conteúdo 1. Introdução 2. Processo de Software 3. Gerência de
Leia maisUniversidade Paulista
Universidade Paulista Ciência da Computação Sistemas de Informação Gestão da Qualidade Principais pontos da NBR ISO/IEC 12207 - Tecnologia da Informação Processos de ciclo de vida de software Sergio Petersen
Leia maisIN0997 - Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa
Leia maisApesar de existirem diversas implementações de MVC, em linhas gerais, o fluxo funciona geralmente da seguinte forma:
1 Introdução A utilização de frameworks como base para a construção de aplicativos tem sido adotada pelos desenvolvedores com três objetivos básicos. Primeiramente para adotar um padrão de projeto que
Leia maisGERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL
Capítulo 10 GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 10.1 2003 by Prentice Hall OBJETIVOS Por que hoje as empresas necessitam de programas de gestão do conhecimento e sistemas para gestão do conhecimento?
Leia maisUniversidade Federal de Uberlândia Brasil
s de s do Universidade Federal de Uberlândia Brasil Índice s de 1 2 3 4 5 Índice s de 1 2 3 4 5 s de Quando surge uma praga em uma lavoura, os agricultores utilizam de inseticidas eficientes ao maior número
Leia maisGerenciador de Log Documento Visão. Versão 2.0
Gerenciador de Log Documento Visão Versão 2.0 Histórico de Revisões Data Versão Descrição Autor 29/05/2014 1.0 Objetivo, descrição, problema. Melina, Kárita, Rodrigo 29/05/2014 1.5 Produto. Melina 30/05/2014
Leia maisManual do Integrador. Programa de Formação
Manual do Integrador Programa de Formação Introdução As oportunidades de iniciação de frentes de negócios na indústria fotovoltaica brasileira são diversas e estão abertas a todos aqueles que desejam começar
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 maisCritérios para certificação de Sites SciELO: critérios, política e procedimentos para a classificação e certificação dos sites da Rede SciELO
Critérios para certificação de Sites SciELO: critérios, política e procedimentos para a classificação e certificação dos sites da Rede SciELO Versão Março 2008 1 Introdução Este documento tem por objetivo
Leia maisUML 2. Guia Prático. Gilleanes T.A. Guedes. Novatec. Obra revisada e ampliada a partir do título Guia de Consulta Rápida UML 2
UML 2 Guia Prático Gilleanes T.A. Guedes Obra revisada e ampliada a partir do título Guia de Consulta Rápida UML 2 Novatec capítulo 1 Introdução à UML A UML (Unified Modeling Language ou Linguagem de Modelagem
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 maisARQUITETURA DE UM SISTEMA SPATIO-TEXTUAL. PALAVRAS-CHAVE: banco de dados espaciais, busca spatio-textual. aplicativo.
ARQUITETURA DE UM SISTEMA SPATIO-TEXTUAL Fellipe de Lima Fonseca 1 ; João Batista Rocha-Junior 2 1. Bolsista CNPq, Graduando em Engenharia de Computação, Universidade Estadual de Feira de Santana, e-mail:
Leia maisIntrodução ao GED Simone de Abreu
Introdução ao GED Simone de Abreu GED O que é isso? O conhecimento teve, ao longo da história, diferentes significados e funções. No tempo das cavernas nossos antepassados transmitiam aos seus descendentes
Leia maisLINGUAGENS E PARADIGMAS DE PROGRAMAÇÃO. Ciência da Computação IFSC Lages. Prof. Wilson Castello Branco Neto
LINGUAGENS E PARADIGMAS DE PROGRAMAÇÃO Ciência da Computação IFSC Lages. Prof. Wilson Castello Branco Neto Conceitos de Linguagens de Roteiro: Apresentação do plano de ensino; Apresentação do plano de
Leia maisUNISINOS - 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 maisManual SAGe Versão 1.2 (a partir da versão 12.08.01)
Manual SAGe Versão 1.2 (a partir da versão 12.08.01) Submissão de Relatórios Científicos Sumário Introdução... 2 Elaboração do Relatório Científico... 3 Submissão do Relatório Científico... 14 Operação
Leia maisSTUDY ABOUT INFLUENCE ON ACADEMIC PERFORMANCE OF STUDENTS USERS OF SOCIAL NETWORKS
STUDY ABOUT INFLUENCE ON ACADEMIC PERFORMANCE OF STUDENTS USERS OF SOCIAL NETWORKS Elton Rabelo (Instituto de Ensino Superior e Pesquisa INESP, MG, Brasil) - eltonneolandia@yahoo.com.br Thiago Magela Rodrigues
Leia maisDesenvolvimento de uma Rede de Distribuição de Arquivos. Development of a File Distribution Network
Desenvolvimento de uma Rede de Distribuição de Arquivos Development of a File Distribution Network Desenvolvimento de uma Rede de Distribuição de Arquivos Development of a File Distribution Network Talles
Leia maisMINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES
MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES Kelton Costa; Patricia Ribeiro; Atair Camargo; Victor Rossi; Henrique Martins; Miguel Neves; Ricardo Fontes. kelton.costa@gmail.com; patriciabellin@yahoo.com.br;
Leia maisSistema de mineração de dados para descobertas de regras e padrões em dados médicos
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas
Leia maisOrganização e Arquitetura de Computadores I. de Computadores
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado em Ciência da Computação Organização e Arquitetura de I Organização Básica B de (Parte V, Complementar)
Leia maisUNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado)
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) SISTEMA INTERNO INTEGRADO PARA CONTROLE DE TAREFAS INTERNAS DE UMA EMPRESA DE DESENVOLVIMENTO
Leia maisMC536 Bancos de Dados: Teoria e Prática
Universidade Estadual de Campinas - UNICAMP Instituto de Computação - IC MC536 Bancos de Dados: Teoria e Prática Aula #3 : MER e MER Estendido Profs. Anderson Rocha e André Santanchè Campinas, 1 de Agosto
Leia maisCurso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro V. 2009-2
Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro V. 2009-2 Aula 1 Conceitos da Computação em Nuvem A computação em nuvem ou cloud computing
Leia maisArquitetura de Computadores RISC x CISC. Gustavo Pinto Vilar
Arquitetura de Computadores RISC x CISC Gustavo Pinto Vilar PPF / DPF Papiloscopista Policial Federal Pós-Graduado em Docência do Ensino Superior UFRJ Graduado em Ciência da Computação e Processamento
Leia mais