Aprendizagem de Máquina
|
|
|
- Amélia Coelho Garrido
- 6 Há anos
- Visualizações:
Transcrição
1 Aprendizagem de Máquina Introdução Alessandro L. Koerich 2008 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR)
2 Mestrado/Doutorado em Informática Aprendizagem de Máquina 2 Introdução Desde que os computadores foram inventados temos nos perguntado: Eles são capazes de aprender? Se pudéssemos programá-los para aprender para se aperfeiçoar automaticamente com a experiência o impacto seria surpreendente.
3 Mestrado/Doutorado em Informática Aprendizagem de Máquina 3
4 Mestrado/Doutorado em Informática Aprendizagem de Máquina 4 Introdução Infelizmente ainda não sabemos como fazer computadores aprender de uma maneira similar a maneira como os humanos aprendem. Entretanto, foram desenvolvidos algoritmos que são eficientes em certos tipos de tarefas de aprendizagem e um entendimento teórico de aprendizagem está começando a surgir.
5 Mestrado/Doutorado em Informática Aprendizagem de Máquina 5 O que é Aprendizagem de Máquina?
6 Mestrado/Doutorado em Informática Aprendizagem de Máquina 6 O que é Aprendizagem de Máquina? Aprendizagem é uma propriedade essencialmente humana Aprender significa mudar para fazer melhor (de acordo com um dado critério) quando uma situação similar acontecer Aprendizagem, não é memorizar. Qualquer computador pode memorizar, a dificuldade é em generalizar um comportamento para uma nova situação.
7 Mestrado/Doutorado em Informática Aprendizagem de Máquina 7 Generalizar?
8 Mestrado/Doutorado em Informática Aprendizagem de Máquina 8 Generalizar?
9 Mestrado/Doutorado em Informática Aprendizagem de Máquina 9 Duas Fases da Aprendizagem Treinamento (supervisionado) Apresentamos exemplos ao sistema O sistema aprende a partir dos exemplos O sistema modifica gradualmente seus parâmetros ajustáveis para que a saída se aproxime da saída desejada. Utilização Novos exemplos jamais visto aparecem Desejamos que o sistema generalize!
10 Mestrado/Doutorado em Informática Aprendizagem de Máquina 10 Tipos de Problemas Classificação Diz se a "entrada" pertence a uma certa classe Dada a imagem de uma face: de quem é esta face (dentre um número finito) Regressão Fazer uma predição a partir de um exemplo Predizer o valor da bolsa amanhã, dados os valores de dias e meses anteriores. Estimação de Densidade Já vimos este exemplo? (ou um exemplo similar)? Quais são as K categorias principais dos dados?
11 Mestrado/Doutorado em Informática Aprendizagem de Máquina 11 Formas de Aprendizagem Supervisionada Fornecemos a boa resposta durante o treinamento É o mais eficiente porque fornece mais informações. Útil para classificação, regressão, estimação de probabilidade condicional (qual é a probabilidade que um cliente com tal perfil compre tal produto?) Por Reforço Não damos a boa resposta. O sistema faz uma hipótese lhe dizemos bom / ruim Útil para o controle de robôs Não Supervisionada Ex: Quais são as características principais dos clientes típicos? (segmentação do mercado)
12 Mestrado/Doutorado em Informática Aprendizagem de Máquina 12 Por que a Aprendizagem é Difícil? Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Como devemos traçar a relação?
13 Mestrado/Doutorado em Informática Aprendizagem de Máquina 13 Por que a Aprendizagem é Difícil? Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Qual das relações seria a mais apropriada?
14 Mestrado/Doutorado em Informática Aprendizagem de Máquina 14 Por que a Aprendizagem é Difícil? Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações... os pontos de teste ocultos...
15 Mestrado/Doutorado em Informática Aprendizagem de Máquina 15 Generalizar é Difícil Não queremos aprender por memorização (decorar!) Boa resposta sobre os exemplos de treinamento somente Fácil para um computador (um arquivo de dados) Difícil para os humanos Aprender visando generalizar Mais interessante Fundamentalmente mais difícil: diversas maneiras de generalizar Devemos extrair a essência, a estrutura dos dados e não somente aprender a boa resposta para alguns casos.
16 Mestrado/Doutorado em Informática Aprendizagem de Máquina 16 Exemplo: Selecionamos os Dados Saída = Valor à estimar Cada ponto = um exemplo a. Underlying Function Pontilhado = a melhor resposta possível dados os pontos de entrada (desconhecido do aprendiz) Entrada = perfil do caso
17 Mestrado/Doutorado em Informática Aprendizagem de Máquina 17 Sobreajuste (Overfitting) b. Overfitting Aprendemos por memorização, mais isso não generaliza bem novos casos. Erro baixo sobre os exemplos de aprendizagem. Mais elevado para os de teste
18 Mestrado/Doutorado em Informática Aprendizagem de Máquina 18 Subajuste (Underfitting) 3 c. Underfitting Escolhemos um modelo muito simples (linear): erro elevado na aprendizagem e teste (pontilhado)
19 Mestrado/Doutorado em Informática Aprendizagem de Máquina 19 Um Bom Modelo 3 d. Good Fit O modelo é suficientemente flexível para capturar a forma curva mais não muito para obter um sobre ajuste
20 Mestrado/Doutorado em Informática Aprendizagem de Máquina 20 Maldição da Dimensionalidade Aprendizagem pode se tornar cada vez mais difícil a medida em que o número de características de cada caso aumenta. Exemplo: perfil de clientes alvo Número de Chamadas Número de casos = # categoria duração X # categoria chamadas = 6 x Duração da Chamada Cada posição contém o número de casos encontrados.
21 Mestrado/Doutorado em Informática Aprendizagem de Máquina 21 Maldição da Dimensionalidade Se o número de características é 10 se cada característica puder assumir 10 valores diferentes, o número de casos casas (perfis diferentes) é x 10 x 10 x 10 = 10 Este número é astronômico. Mesmo uma grande base de dados representa uma ínfima fração deste número. Para generalizar deve-se então descobrir uma estrutura mais ampla, o que muitos casos tem em comum.
22 Mestrado/Doutorado em Informática Aprendizagem de Máquina 22 Combate a Maldição Alguns algoritmos de aprendizagem modernos tentam enfrentar este desafio: Redes neurais artificiais Máquina de suporte vetorial (SVM) Adaboost Idéia Principal: utilizar um modelo flexível mas que permita resumir as informações intrínseca nos dados. Se existe regularidade nos dados, este tipo de modelo tem grande chance de capturar.
23 Mestrado/Doutorado em Informática Aprendizagem de Máquina 23 Exemplo de Problema Um programa de computador aprende a partir de uma experiência E com respeito a alguma classe de tarefas T e medida de performance P, SE sua performance nas tarefas em T, medida por P, MELHORA com a experiência E.
24 Mestrado/Doutorado em Informática Aprendizagem de Máquina 24 Problemas Bem Definidos Em geral, para termos problemas de aprendizagem bem definidos, devemos identificar três características: A classe das tarefas; A medida de performance a ser melhorada; A fonte de experiência (conhecimento).
25 Mestrado/Doutorado em Informática Aprendizagem de Máquina 25 Problemas Bem Definidos Exemplo: Aprender a jogar damas Tarefa T: Jogar damas Medida de performance P: Percentagem de jogos ganhos contra oponentes Experiência de treinamento E jogando contra si mesmo.
26 Mestrado/Doutorado em Informática Aprendizagem de Máquina 26 Problemas Bem Definidos Exemplo: Aprender a jogar damas
27 Mestrado/Doutorado em Informática Aprendizagem de Máquina 27 Problemas Bem Definidos Exemplo: Aprender a reconhecer manuscritos Tarefa T: Reconhecer/classificar palavras manuscritas presentes em imagens Medida de performance P: Percentagem de palavras classificadas corretamente Experiência de treinamento E: Base de dados com palavras manuscritas e respectivas etiquetas (classes a que elas pertencem).
28 Mestrado/Doutorado em Informática Aprendizagem de Máquina 28 Problemas Bem Definidos Exemplo: Aprender a reconhecer manuscritos Roubaix Cedex HALLUIN CEDEX Chiré em Montreuil Roubaix Cedex
29 Mestrado/Doutorado em Informática Aprendizagem de Máquina 29 Problemas Bem Definidos Exemplo: Aprender a reconhecer manuscritos
30 Mestrado/Doutorado em Informática Aprendizagem de Máquina 30 Problemas Bem Definidos Exemplo: Aprendizagem de um robô motorista Tarefa T: Dirigir em uma via pública de 3 pistas usando sensores de visão Medida de performance P: Distância média percorrida antes de cometer um erro (julgado por observador humano) Experiência de treinamento E: Seqüência de imagens e comandos de direção gravados a partir da observação de um motorista humano.
31 Mestrado/Doutorado em Informática Aprendizagem de Máquina 31 Projetando um Sistema de Aprendizagem Projetar um programa para aprender a jogar damas. Medida de performance: percentagem de jogos ganhos
32 Mestrado/Doutorado em Informática Aprendizagem de Máquina 32 Projetando um Sistema de Aprendizagem Etapas básicas de projeto: Escolha da experiência de treinamento Escolha da função objetiva Escolha de uma representação para a função objetiva Escolha de um algoritmo para a função de aproximação
33 Mestrado/Doutorado em Informática Aprendizagem de Máquina 33 Experiência de Treinamento Escolher o tipo de experiência de treinamento a partir da qual o sistema aprenderá Experiência direta ou indireta? O grau de controle sobre a seqüência de exemplos de treinamento; com ou sem instrutor? A experiência de treinamento representa a distribuição de exemplos sobre os quais a performance final (P ) do sistema deve ser medida.
34 Mestrado/Doutorado em Informática Aprendizagem de Máquina 34 Experiência de Treinamento Atenção: A teoria de aprendizagem de máquina recai sobre a hipótese de que a distribuição dos exemplos de treinamento é idêntica a distribuição dos exemplos de teste. Apesar da necessidade de considerarmos esta hipótese para obter resultados teóricos, é importante ter em mente que esta suposição é quase sempre violada na prática.
35 Mestrado/Doutorado em Informática Aprendizagem de Máquina 35 Experiência de Treinamento O problema de aprendizagem de damas: Tarefa T : jogando damas Medida de performance P : percentagem de jogos ganhos Experiência de treinamento E : partidas jogadas contra si mesmo Para completarmos o projeto do sistema de aprendizagem, devemos agora escolher: 1. O tipo exato de conhecimento a ser aprendido 2. Uma representação para este conhecimento alvo 3. Um mecanismo de aprendizagem
36 Mestrado/Doutorado em Informática Aprendizagem de Máquina 36 Função Objetiva Que tipo de conhecimento será aprendido e como ele será utilizado em um programa? O programa necessita aprender apenas como escolher o melhor movimento dentre os movimentos possíveis. Este problema é representativo de um grande número de tarefas para as quais a melhor estratégia de busca não é conhecida. Muitos problemas de otimização são desta categoria.
37 Mestrado/Doutorado em Informática Aprendizagem de Máquina 37 Função Objetiva Aprender: Escolher o melhor movimento para qualquer estado do tabuleiro. Função: ChooseMove ChooseMove : B M A função aceita como entrada qualquer estado do conjunto de estados possíveis do tabuleiro B e produz como saída algum movimento do conjunto de movimento possíveis M. Como é possível reduzir o problema de melhorar a performance P da tarefa T, para o problema de aprender uma função objetiva tal como ChooseMove.
38 Mestrado/Doutorado em Informática Aprendizagem de Máquina 38 Função Objetiva Porém, é difícil de aprender a função ChooseMove a partir da experiência de treinamento disponível. Função alternativa: uma função V que atribui um valor numérico para qualquer estado do tabuleiro. V : B R indica que V mapeia qualquer estado legal do tabuleiro do conjunto B para algum valor real. Usamos esta função V para atribuir valores maiores para os melhores estados do tabuleiro.
39 Mestrado/Doutorado em Informática Aprendizagem de Máquina 39 Função Objetiva Uma das possíveis definições para a função V (b), onde b é um estado arbitrário do tabuleiro em B: Se b é um estado final que é vitorioso, então V (b) = 100 Se b é um estado final que é perdedor, então V (b) = 100 Se b é um estado final que é empate, então V (b) = 0 Se b não é um estado final no jogo, então, V (b) = V (b ) onde b é o melhor estado final que pode ser atingido começando em b e jogando otimamente até o final do jogo.
40 Mestrado/Doutorado em Informática Aprendizagem de Máquina 40 Função Objetiva Esta definição especifica um valor de V (b ) para cada estado do tabuleiro (b ), entretanto, esta definição não é operacional Precisamos de uma descrição operacional de V que possa ser usada pelo programa para avaliar estados e selecionar movimentos dentro de um tempo realístico. Tarefa de Aprendizagem: descobrir uma descrição operacional da função objetiva ideal V Algoritmos de aprendizagem Aproximação da função objetiva (V ) Aproximação da função
41 Mestrado/Doutorado em Informática Aprendizagem de Máquina 41 Representação para Função Objetiva Depois de especificar V, devemos escolher a representação que o programa de aprendizagem usará para descrever a função V que ele aprenderá. Temos muitas opções... Coleção de regras? Redes neurais? Funções polinomiais? etc... Em geral temos um compromisso crucial: representação mais expressiva mais dados para treinamento
42 Mestrado/Doutorado em Informática Aprendizagem de Máquina 42 Representação para Função Objetiva Escolha: a função V será calculada como uma combinação linear das seguintes características do tabuleiro: bp (b): número de peças pretas no tabuleiro b rp (b): número de peças vermelhas sobre b bk (b): número de reis pretos sobre b rk (b): número de reis vermelhos sobre b bt (b): número de peças vermelhas ameaçadas pelas pretas (i.e., que podem ser tiradas na vez do preto) rt (b): número de peças pretas ameaçadas pelas vermelhas.
43 Mestrado/Doutorado em Informática Aprendizagem de Máquina 43 Representação para Função Objetiva Então, a aprendizagem irá representar V (b ) como uma função linear da forma: V (b) = w 0 + w 1 bp (b ) + w 2 rp (b ) + w 3 bk (b ) + w 4 rk (b ) + w 5 bt (b ) + w 6 rt (b ) onde w 0 a w 6 são coeficientes numéricos, ou pesos, a serem escolhidos pelo algoritmo de aprendizagem. Os valores aprendidos para os pesos w 1 a w 6 determinarão a importância relativa das várias características do tabuleiro.
44 Mestrado/Doutorado em Informática Aprendizagem de Máquina 44 Projeto Parcial Tarefa T : jogar damas Medida de Performance P : percentagem de partidas ganhas Experiência de Treinamento E : partidas jogadas contra si mesmo Função Objetivo: V : B R Representação da Função Objetiva: V (b) = w 0 + w 1 bp (b ) + w 2 rp (b ) + w 3 bk (b ) + w 4 rk (b ) + w 5 bt (b ) + w 6 rt (b )
45 Mestrado/Doutorado em Informática Aprendizagem de Máquina 45 Projeto Parcial O itens anteriores correspondem a especificação da tarefa de aprendizagem; Os dois itens finais são escolhas do projeto para a implementação da aprendizagem. Em resumo, o conjunto de escolhas do projeto: Problema de aprender uma estratégia Problema de aprender os valores dos coeficientes da representação da função objetiva.
46 Mestrado/Doutorado em Informática Aprendizagem de Máquina 46 Algoritmo de Aproximação Para aprender a função objetiva V necessitamos de um conjunto de exemplos de treinamento, cada um descrevendo um estado b específico do tabuleiro e o valor de treinamento V train (b ) para b. Cada exemplo de treinamento é um par ordenado na forma <b, V train (b ) >
47 Mestrado/Doutorado em Informática Aprendizagem de Máquina 47 Algoritmo de Aproximação A única informação disponível é se a partida foi eventualmente ganha ou perdida. Necessitamos de exemplos de treinamento que atribuam valores específicos para estados específicos do tabuleiro. É fácil atribuir valores para os estados do tabuleiro que correspondem ao final do jogo. É menos óbvio atribuir valores de treinamento para os numerosos estados intermediários que ocorrem antes do jogo acabar.
48 Mestrado/Doutorado em Informática Aprendizagem de Máquina 48 Algoritmo de Aproximação Uma solução simples: atribuir o valor de treinamento de V train (b ) para qualquer estado intermediário b do tabuleiro ser V (Sucessor (b )), onde V é a aproximação atual de V e V (Sucessor (b )) indica o próximo estado seguindo b para o qual é novamente a vez do programa mover. Regra para estimar valores de treinamento: V train (b ) V (Sucessor (b ))
49 Mestrado/Doutorado em Informática Aprendizagem de Máquina 49 Algoritmo de Aproximação Ainda falta especificar o algoritmo de aprendizagem que melhor ajusta os pesos w i ao conjunto de exemplos de treinamento {<b, V train (b )>}. O que significa melhor ajuste aos dados de treinamento? Uma solução: minimizar o erro quadrático E entre os valores de treinamento e os valores preditos pela hipótese V. E < b, V train ( V ( ) '( )) train b V b ( b) > amostrasde treinamento 2
50 Mestrado/Doutorado em Informática Aprendizagem de Máquina 50 Algoritmo de Aproximação Existem diversos algoritmos para encontrar pesos de uma função linear que minimiza E. Um deles é o LMS (mínimos quadrados). Regra de atualização dos pesos LMS Faça repetidamente Selecione aleatoriamente um exemplo de treinamento b 1.Calcule o erro(b) erro(b) = V train (b)-v (b) 2.Para cada característica do tabuleiro f i, atualize o peso w i como: w i + η f i erro(b) w i onde η é uma pequena constante (p.e. 0.1) que regula a taxa da atualização do peso (aprendizagem).
51 Mestrado/Doutorado em Informática Aprendizagem de Máquina 51 Projeto Final A seqüência de escolhas de projeto feitas...
52 Mestrado/Doutorado em Informática Aprendizagem de Máquina 52 Exemplo Um problema de classificação: predizer as notas para os estudantes matriculados neste curso (aprendizagem de máquina).
53 Mestrado/Doutorado em Informática Aprendizagem de Máquina 53 Exemplo Um problema de classificação: predizer as notas para os estudantes matriculados neste curso (aprendizagem de máquina). Passos principais: 1. Dados 2. Hipóteses 3. Representação 4. Estimação 5. Avaliação 6. Escolha do Modelo
54 Mestrado/Doutorado em Informática Aprendizagem de Máquina 54 Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior?
55 Mestrado/Doutorado em Informática Aprendizagem de Máquina 55 Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso?
56 Mestrado/Doutorado em Informática Aprendizagem de Máquina 56 Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante?
57 Mestrado/Doutorado em Informática Aprendizagem de Máquina 57 Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas?
58 Mestrado/Doutorado em Informática Aprendizagem de Máquina 58 Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas? 5. Avaliação: Quão bem estamos predizendo?
59 Mestrado/Doutorado em Informática Aprendizagem de Máquina 59 Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas? 5. Avaliação: Quão bem estamos predizendo? 6. Escolha do Modelo: Podemos fazer ainda melhor?
60 Mestrado/Doutorado em Informática Aprendizagem de Máquina 60 Exemplo Os dados que temos disponíveis (a princípio): Nomes e notas dos estudantes no curso nos anos anteriores Boletim acadêmico dos estudantes atuais e anteriores
61 Mestrado/Doutorado em Informática Aprendizagem de Máquina 61 Dados Dados para treinamento: Estudante AdeM Curso 1 Curso 2 João A B A Maria B A A Dados para teste: Estudante AdeM Curso 1 Curso 2 José? C A Ana? A A Alguma coisa mais que possamos utilizar?
62 Mestrado/Doutorado em Informática Aprendizagem de Máquina 62 Hipóteses Existem várias hipóteses que podemos fazer para facilitar as predições: 1. O curso permaneceu aproximadamente o mesmo nos últimos anos 2. Cada estudante atua independentemente dos outros
63 Mestrado/Doutorado em Informática Aprendizagem de Máquina 63 Representação Boletins acadêmicos são particularmente diversos, então devemos limitar os resumos a alguns poucos cursos selecionados Por exemplo, podemos resumir o estudante i o (João), por um vetor: x i = [A C B ] onde as notas correspondem a (digamos): 9.6, 5.8, 7.3
64 Mestrado/Doutorado em Informática Aprendizagem de Máquina 64 Representação O dados disponíveis nesta representação Treinamento Teste Estudante Nota em AdeM Estudante Nota em AdeM x 1 A x 1? x 2... B... x 2...?...
65 Mestrado/Doutorado em Informática Aprendizagem de Máquina 65 Estimação Dado os dados de treinamento Estudante x 1 x 2... Nota em AdeM A B... Precisamos encontrar um mapeamento dos vetores de entrada x para as etiquetas (labels) y codificando as notas do curso AdeM
66 Mestrado/Doutorado em Informática Aprendizagem de Máquina 66 Estimação Solução possível classificador vizinhos mais próximos (nearest neighbour): 1. Para cada estudante x, encontrar o estudante x i mais próximo no conjunto de treinamento; 2. Predizer y i, como sendo a nota do estudante mais próximo x i.
67 Mestrado/Doutorado em Informática Aprendizagem de Máquina 67 Avaliação Como podemos dizer se nossas predições são boas? Podemos esperar até o final do curso Podemos tentar avaliar a precisão baseando se nos dados que já temos (conjunto de treinamento) Solução possível: Dividir o conjunto de treinamento em novos conjuntos de treinamento e teste Avaliar o classificador construído baseando se somente no novo conjunto de treinamento sobre o novo conjunto de testes
68 Mestrado/Doutorado em Informática Aprendizagem de Máquina 68 Escolha do Modelo Podemos refinar: O algoritmo de estimação (por exemplo, utilizando um classificador diferente); A representação (por exemplo, basear o resumo em um conjunto diferente de cursos); As hipóteses (talvez os estudantes trabalhem em grupos, etc.) Temos que nos basear no método de avaliação da precisão de nossas predições para escolher entre os possíveis refinamentos.
69 Mestrado/Doutorado em Informática Aprendizagem de Máquina 69 Tipos de Problemas de Aprendizagem Uma classificação aproximada dos problemas de aprendizagem: Aprendizagem Supervisionada: temos um conjunto de entradas e saídas para fazer o treinamento. Ex: classificação, regressão. Aprendizagem Não Supervisionada: estamos interessados em capturar uma organização inerente dos dados. Ex: clustering, estimação de densidade.
70 Mestrado/Doutorado em Informática Aprendizagem de Máquina 70 Tipos de Problemas de Aprendizagem Aprendizagem com Reforço: somente obtemos um feedback na forma de quão bem estamos fazendo (e não o que deveríamos estar fazendo). Ex: planejamento
71 Mestrado/Doutorado em Informática Aprendizagem de Máquina 71 Aprendizagem Supervisionada Exemplo: reconhecimento de dígitos (dígitos binários 8X8) dígito binário classe alvo Desejamos aprender o mapeamento de dígitos para classes.
72 Mestrado/Doutorado em Informática Aprendizagem de Máquina 72 Aprendizagem Supervisionada Um mudança na representação que preserva as informações relevantes pode tornar impossível a aprendizagem.
73 Mestrado/Doutorado em Informática Aprendizagem de Máquina 73 Aprendizagem Supervisionada Dado um conjunto de exemplos de treinamento { (x 1,y 1 ),..., (x n,y n ) }, queremos aprender um mapeamento f : X Y tal que: y i f (x i ), i = 1,...,n
74 Mestrado/Doutorado em Informática Aprendizagem de Máquina 74 Aprendizagem Não Supervisionada Os dígitos novamente... Gostaríamos de entender o processo de criação dos exemplos (neste caso, dígitos)
75 Mestrado/Doutorado em Informática Aprendizagem de Máquina 75 Aplicações Processamento Visual Verificação de faces Reconhecimento de manuscritos Processamento da Fala Fonemas, palavras, sentenças, reconhecimento de pessoas Outros Finanças: predição de ações, gerenciamento de risco e portofolio Telecomunicações: predição de tráfego Datamining: fazer uso de grandes conjuntos de dados mantidos por grandes corporações Jogos: xadrez, gamão, etc. Controle: robôs... e muitas outras é claro!
Aprendizagem 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
Exemplo de aprendizagem máquina
(Primeiro exemplo) Jogo de damas c/ aprendizagem Tom Mitchell, Machine Learning, McGraw-Hill, 1997 chapter 1 17-Jul-13 http://w3.ualg.pt/~jvo/ml 12 1 Exemplo de aprendizagem máquina 1. Descrição do problema
INF 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
Álgebra Linear Aplicada à Compressão de Imagens. Universidade de Lisboa Instituto Superior Técnico. Mestrado em Engenharia Aeroespacial
Álgebra Linear Aplicada à Compressão de Imagens Universidade de Lisboa Instituto Superior Técnico Uma Breve Introdução Mestrado em Engenharia Aeroespacial Marília Matos Nº 80889 2014/2015 - Professor Paulo
Prof. Daniela Barreiro Claro
O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2
Inteligência Artificial
Inteligência Artificial Aula 7 Programação Genética M.e Guylerme Velasco Programação Genética De que modo computadores podem resolver problemas, sem que tenham que ser explicitamente programados para isso?
AULA 07 Distribuições Discretas de Probabilidade
1 AULA 07 Distribuições Discretas de Probabilidade Ernesto F. L. Amaral 31 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Probabilidade e Estatística
Probabilidade e Estatística TESTES DE HIPÓTESES (ou Testes de Significância) Estimação e Teste de Hipóteses Estimação e teste de hipóteses (ou significância) são os aspectos principais da Inferência Estatística
3º Ano do Ensino Médio. Aula nº06
Nome: Ano: º Ano do E.M. Escola: Data: / / 3º Ano do Ensino Médio Aula nº06 Assunto: Noções de Estatística 1. Conceitos básicos Definição: A estatística é a ciência que recolhe, organiza, classifica, apresenta
UM JOGO BINOMIAL 1. INTRODUÇÃO
1. INTRODUÇÃO UM JOGO BINOMIAL São muitos os casos de aplicação, no cotidiano de cada um de nós, dos conceitos de probabilidade. Afinal, o mundo é probabilístico, não determinístico; a natureza acontece
MDS II Aula 04. Concepção Requisitos Diagrama de Casos de Uso (Use Cases)
MDS II Aula 04 Concepção Requisitos Diagrama de Casos de Uso (Use Cases) 55 DIAGRAMA DE CASOS DE USO BENEFÍCIOS DOS CASOS DE USO ILUSTRAR POR QUE O SISTEMA É NECESSÁRIO OS REQUISITOS DO SISTEMA SÃO COLOCADOS
ActivALEA. ative e atualize a sua literacia
ActivALEA ative e atualize a sua literacia N.º 26 A FREQUÊNCIIA RELATIIVA PARA ESTIIMAR A PROBABIILIIDADE Por: Maria Eugénia Graça Martins Departamento de Estatística e Investigação Operacional da FCUL
Testes em Laboratório - Análise
Introdução à Interação Humano-Computador Testes com Usuários Professora: Raquel Oliveira Prates http://www.dcc.ufmg.br/~rprates/ihc \ Aula 8: 09/10 Testes em Laboratório - Análise Análise dos dados coletados
DISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE DISCRETAS
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADES 1 1. VARIÁVEIS ALEATÓRIAS Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações
Lógica de Programação. Profas. Simone Campos Camargo e Janete Ferreira Biazotto
Lógica de Programação Profas. Simone Campos Camargo e Janete Ferreira Biazotto O curso Técnico em Informática É o profissional que desenvolve e opera sistemas, aplicações, interfaces gráficas; monta estruturas
Probabilidade. Evento (E) é o acontecimento que deve ser analisado.
Probabilidade Definição: Probabilidade é uma razão(divisão) entre a quantidade de eventos e a quantidade de amostras. Amostra ou espaço amostral é o conjunto formado por todos os elementos que estão incluídos
Comandos de Eletropneumática Exercícios Comentados para Elaboração, Montagem e Ensaios
Comandos de Eletropneumática Exercícios Comentados para Elaboração, Montagem e Ensaios O Método Intuitivo de elaboração de circuitos: As técnicas de elaboração de circuitos eletropneumáticos fazem parte
Pós-Graduação em Computação Distribuída e Ubíqua
Pós-Graduação em Computação Distribuída e Ubíqua INF612 - Aspectos Avançados em Engenharia de Software Engenharia de Software Experimental [Head First Statistics] Capítulos 10, 11, 12 e 13 [Experimentation
Universidade Federal de Pernambuco Mestrado em Ciência da Computação
Universidade Federal de Pernambuco Mestrado em Ciência da Computação Lista 1 de Introdução a Agentes Inteligentes Bruno Benevides Cavalcante, Rafael Gonçalves Barreira [bbc2 rgb2]@cin.ufpe.br Agentes 1.
Análise Qualitativa no Gerenciamento de Riscos de Projetos
Análise Qualitativa no Gerenciamento de Riscos de Projetos Olá Gerente de Projeto. Nos artigos anteriores descrevemos um breve histórico sobre a história e contextualização dos riscos, tanto na vida real
Cap. II EVENTOS MUTUAMENTE EXCLUSIVOS E EVENTOS NÃO- EXCLUSIVOS
Cap. II EVENTOS MUTUAMENTE EXCLUSIVOS E EVENTOS NÃO- EXCLUSIVOS Dois ou mais eventos são mutuamente exclusivos, ou disjuntos, se os mesmos não podem ocorrer simultaneamente. Isto é, a ocorrência de um
Métricas de Software
Métricas de Software Plácido Antônio de Souza Neto 1 1 Gerência Educacional de Tecnologia da Informação Centro Federal de Educação Tecnologia do Rio Grande do Norte 2006.1 - Planejamento e Gerência de
MODELAGENS. Modelagem Estratégica
Material adicional: MODELAGENS livro Modelagem de Negócio... Modelagem Estratégica A modelagem estratégica destina-se à compreensão do cenário empresarial desde o entendimento da razão de ser da organização
PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR. Prof. Angelo Augusto Frozza, M.Sc.
PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR Prof. Angelo Augusto Frozza, M.Sc. ROTEIRO Esta aula tem por base o Capítulo 2 do livro de Taha (2008): Introdução O modelo de PL de duas variáveis Propriedades
Fundamentos de Teste de Software
Núcleo de Excelência em Testes de Sistemas Fundamentos de Teste de Software Módulo 1- Visão Geral de Testes de Software Aula 2 Estrutura para o Teste de Software SUMÁRIO 1. Introdução... 3 2. Vertentes
Aula 5. Uma partícula evolui na reta. A trajetória é uma função que dá a sua posição em função do tempo:
Aula 5 5. Funções O conceito de função será o principal assunto tratado neste curso. Neste capítulo daremos algumas definições elementares, e consideraremos algumas das funções mais usadas na prática,
Unidade 1: O Computador
Unidade : O Computador.3 Arquitetura básica de um computador O computador é uma máquina que processa informações. É formado por um conjunto de componentes físicos (dispositivos mecânicos, magnéticos, elétricos
2 Segmentação de imagens e Componentes conexas
Universidade Tecnológica Federal do Paraná (UTFPR) Departamento Acadêmico de Informática (DAINF) Algoritmos II Professor: Alex Kutzke (alexk@dainf.ct.utfpr.edu.br) Especificação do Primeiro Trabalho Prático
Scheduling and Task Allocation ADVANCED COMPUTER ARCHITECTURE AND PARALLEL PROCESSING Hesham El-Rewini 2005 Capítulo 10 Autor...: Antonio Edson Ceccon Professor..: Prof. Heitor Silvério Lopes Apresentação
Matemática Discreta - 08
Universidade Federal do Vale do São Francisco urso de Engenharia da omputação Matemática Discreta - 08 Prof. Jorge avalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav
MINERAÇÃO DE DADOS. Thiago Marzagão MINERAÇÃO DE TEXTOS. marzagao.1@osu.edu. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1/2016 1 / 25
MINERAÇÃO DE DADOS Thiago Marzagão marzagao.1@osu.edu MINERAÇÃO DE TEXTOS Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1/2016 1 / 25 transformando textos em dados Documento 1: "Não trabalho para ter clientes;
TESTES SOCIOMÉTRICOS
TESTES SOCIOMÉTRICOS Docente: Mestre Mª João Marques da Silva Picão Oliveira TESTES SOCIOMÉTRICOS * O Teste Sociométrico ajuda-nos a avaliar o grau de integração duma criança/jovem no grupo; a descobrir
WWW.RENOVAVEIS.TECNOPT.COM
Energia produzida Para a industria eólica é muito importante a discrição da variação da velocidade do vento. Os projetistas de turbinas necessitam da informação para otimizar o desenho de seus geradores,
Exemplos. Jogo dos oito :-) Mundo dos blocos (ex: torre de Hanoi) Poblema das rainhas. Criptoaritmética. Missionários e Canibais.
istemas Inteligentes, 10-11 1 Exemplos Jogo dos oito :-) Mundo dos blocos (ex: torre de Hanoi) Poblema das rainhas Criptoaritmética Missionários e Canibais Resta-um e muitos outros... istemas Inteligentes,
Testes de Hipóteses Estatísticas
Capítulo 5 Slide 1 Testes de Hipóteses Estatísticas Resenha Hipótese nula e hipótese alternativa Erros de 1ª e 2ª espécie; potência do teste Teste a uma proporção; testes ao valor médio de uma v.a.: σ
Seu pé direito nas melhores Faculdades
10 Insper 01/11/009 Seu pé direito nas melhores Faculdades análise quantitativa 40. No campeonato brasileiro de futebol, cada equipe realiza 38 jogos, recebendo, em cada partida, 3 pontos em caso de vitória,
MANUAL DO INSTALADOR XD EM AMBIENTES MICROSOFT WINDOWS
MANUAL DO INSTALADOR XD EM AMBIENTES MICROSOFT WINDOWS Está disponível a partir da versão 2014.73 do XD Rest/Pos/Disco um novo formato no instalador em ambientes Microsoft Windows. O instalador passa a
OPERAÇÕES COM FRAÇÕES
OPERAÇÕES COM FRAÇÕES Adição A soma ou adição de frações requer que todas as frações envolvidas possuam o mesmo denominador. Se inicialmente todas as frações já possuírem um denominador comum, basta que
Módulo de Aprendizagem I
Módulo de Aprendizagem I Digitalizar fotografias para a base de dados do SiFEUP Notas: No decorrer deste módulo de aprendizagem, pressupõe-se que o utilizador já tem o scanner devidamente instalado no
DIMENSÕES DE PESQUISA EM ENGENHARIA DE SOFTWARE
ESPECIAL Engenharia de Software DIMENSÕES DE PESQUISA EM ENGENHARIA DE SOFTWARE por Paulo Borba DECISÕES IMPORTANTES A SEREM TOMADAS NOS PROJETOS E NA CARREIRA DE UM PESQUISADOR EM ENGENHARIA DE SOFTWARE.
Experiência 04: Comandos para testes e identificação do computador na rede.
( ) Prova ( ) Prova Semestral ( ) Exercícios ( ) Prova Modular ( ) Segunda Chamada ( ) Exame Final ( ) Prática de Laboratório ( ) Aproveitamento Extraordinário de Estudos Nota: Disciplina: Turma: Aluno
UNIVERSIDADE ESTADUAL DO CENTRO-OESTE - UNICENTRO CURSO DE PÓS GRADUAÇÃO EM MÍDIAS NA EDUCAÇÃO JULIANA LEME MOURÃO ORIENTADOR: PAULO GUILHERMETI
UNIVERSIDADE ESTADUAL DO CENTRO-OESTE - UNICENTRO CURSO DE PÓS GRADUAÇÃO EM MÍDIAS NA EDUCAÇÃO JULIANA LEME MOURÃO ORIENTADOR: PAULO GUILHERMETI SIMULADORES VIRTUAIS ALIADOS AO ENSINO DE FÍSICA GOIOERÊ
Técnicas de Contagem I II III IV V VI
Técnicas de Contagem Exemplo Para a Copa do Mundo 24 países são divididos em seis grupos, com 4 países cada um. Supondo que a escolha do grupo de cada país é feita ao acaso, calcular a probabilidade de
Avaliação de Interfaces Humano- Computador
Avaliação de Interfaces Humano- Computador Avaliação de Interfaces A avaliação deve ocorrer durante o ciclo de vida do design e seus resultados utilizados para melhorias gradativas da interface. Se faz
Entropia, Entropia Relativa
Entropia, Entropia Relativa e Informação Mútua Miguel Barão (mjsb@di.uevora.pt) Departamento de Informática Universidade de Évora 13 de Março de 2003 1 Introdução Suponhamos que uma fonte gera símbolos
Uso de escalas logaritmicas e linearização
Uso de escalas logaritmicas e linearização Notas: Rodrigo Ramos 1 o. sem. 2015 Versão 1.0 Obs: Esse é um texto de matemática, você deve acompanhá-lo com atenção, com lápis e papel, e ir fazendo as coisas
CRIAÇÃO DE TABELAS NO ACCESS. Criação de Tabelas no Access
CRIAÇÃO DE TABELAS NO ACCESS Criação de Tabelas no Access Sumário Conceitos / Autores chave... 3 1. Introdução... 4 2. Criação de um Banco de Dados... 4 3. Criação de Tabelas... 6 4. Vinculação de tabelas...
Metodologias de PETI. Prof. Marlon Marcon
Metodologias de PETI Prof. Marlon Marcon PETI O PETI é composto de: Planejamento Estratégico da organização, que combina os objetivos e recursos da organização com seus mercados em processo de transformação
Fundamentos de Sistemas Operacionais
Fundamentos de Sistemas Operacionais Aula 2 Princípios de Programação Prof. Belarmino Linguagem de Computadores Internamente os computadores usam instruções e armazenam os dados no formato numérico binário
Objetivo do Portal da Gestão Escolar
Antes de Iniciar Ambiente de Produção: É o sistema que contem os dados reais e atuais, é nele que se trabalha no dia a dia. Neste ambiente deve-se evitar fazer testes e alterações de dados sem a certeza
Banco de Dados I. Prof. Edson Thizon ethizon@bol.com.br
Banco de Dados I Prof. Edson Thizon ethizon@bol.com.br Conceitos Dados Fatos conhecidos que podem ser registrados e que possuem significado implícito Banco de dados (BD) Conjunto de dados interrelacionados
Tabelas Hash. Aleardo Manacero Jr.
Tabelas Hash Aleardo Manacero Jr. Introdução O uso de listas ou árvores para organizar informações é interessante e produz resultados bastante bons Entretanto, em nenhuma dessa estruturas se obtém o acesso
Graphing Basic no Excel 2007
Graphing Basic no Excel 2007 Tabela de Conteúdos 1. Inserindo e formatando os dados no Excel 2. Criando o gráfico de dispersão inicial 3. Criando um gráfico de dispersão de dados de titulação 4. Adicionando
Análise de Requisitos
Análise de Requisitos Análise de Requisitos O tratamento da informação é um requisito que fundamenta o processo de desenvolvimento de software antes da solução de tecnologia a ser aplicada. Cada projeto
Insight for a better planet SOLUÇÕES EM PLANEJAMENTO, AGENDAMENTO E OTIMIZAÇÃO FLORESTAL
Insight for a better planet SOLUÇÕES EM PLANEJAMENTO, AGENDAMENTO E OTIMIZAÇÃO FLORESTAL www.remsoft.com 1 Excelência em planejamento e otimização de processos decisórios Líder em tecnologias de otimização
E-Faces - Um classificador capaz de analisar imagens e classificá-las como faces ou não faces utilizando o método Eigenfaces
E-Faces - Um classificador capaz de analisar imagens e classificá-las como faces ou não faces utilizando o método Eigenfaces Éder Augusto Penharbel, Erdiane L. G. Wutzke, Murilo dos S. Silva, Reinaldo
Engenharia de Software II
Engenharia de Software II Aula 26 http://www.ic.uff.br/~bianca/engsoft2/ Aula 26-21/07/2006 1 Ementa Processos de desenvolvimento de software Estratégias e técnicas de teste de software Métricas para software
PROJETO PROLICEN INFORMÁTICA NA ESCOLA : A FORMAÇÃO DO PROFESSOR DE MATEMÁTICA E O ENSINO MÉDIO PÚBLICO
PROJETO PROLICEN INFORMÁTICA NA ESCOLA : A FORMAÇÃO DO PROFESSOR DE MATEMÁTICA E O ENSINO MÉDIO PÚBLICO Formação de Professores e Educação Matemática (FPM) GT 08 RESUMO Melquisedec Anselmo da Costa AZEVEDO
O texto de hoje da UNESCO é simples mas deveria ser pensado por todos nós. Vamos a ele:
COMUICAÇÃO ( 2.communication) Extraído de páginas 76 e 77 do guia para professores da U ESCO: (Understanding and responding to children s needs in Inclusive Classrooms) www.unesco.org.com; traduzido do
Gestão da Qualidade. Aula 5. Prof. Pablo
Gestão da Qualidade Aula 5 Prof. Pablo Proposito da Aula 1. Gestão da Qualidade Total; 2. Planejamento; Gestão da Qualidade Total Gestão da Qualidade Total Como vimos na última aula a Gestão da Qualidade
Motantagem de Contigs de sequências de genomas e Transcriptomas. Introdução
Motantagem de Contigs de sequências de genomas e Transcriptomas Introdução As novas tecnologias de sequenciamento conseguem produzir uma quantidade de dados muito grande com custos baixos. A velocidade
DEPARTAMENTO DE MATEMÁTICA
FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhanguene, Av. de Moçambique, km 1, Tel: +258 21401078, Fax: +258 21401082, Maputo Cursos de Licenciatura em Ensino de Matemática
Probabilidade. Luiz Carlos Terra
Luiz Carlos Terra Nesta aula, você conhecerá os conceitos básicos de probabilidade que é a base de toda inferência estatística, ou seja, a estimativa de parâmetros populacionais com base em dados amostrais.
COMISSÃO DE DESENVOLVIMENTO ECONÔMICO, INDÚSTRIA E COMÉRCIO
COMISSÃO DE DESENVOLVIMENTO ECONÔMICO, INDÚSTRIA E COMÉRCIO PROJETO DE LEI N o 4.015, DE 2012 Proíbe a prescrição do direito do consumidor aos pontos acumulados em programas de fidelidade junto a qualquer
WEBFLEET 2.20. Índice remissivo. Notas de lançamento - Março de 2015
WEBFLEET 2.20 Notas de lançamento - Março de 2015 Índice remissivo OptiDrive 360 2 Especificação do veículo 6 Copiar definições de veículo 8 Relatório de resumo de tempos de trabalho 9 Melhor apresentação
ÁREA DO PROFESSOR (TUTOR)
ÁREA DO PROFESSOR (TUTOR) O MOODLE (Modular Object Oriented Dynamic Learning Environment) é um Ambiente Virtual de Ensino-Aprendizagem (AVEA) de código aberto, livre e gratuito que se mantém em desenvolvimento
COMO VENDER MAIS USANDO FUNIL DE VENDAS. Capítulo III: Etapas do Funil de Vendas
COMO VENDER MAIS USANDO FUNIL DE VENDAS Capítulo III: Etapas do Funil de Vendas Índice Introdução Defina suas etapas de vendas corretamente Como definir suas etapas de vendas 03 05 06 2 Introdução Olá,
Teoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada. antunes@ibilce.unesp.br, socorro@ibilce.unesp.
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Grafos e Algoritmos Preparado a partir do texto: Rangel, Socorro.
Sistemas Distribuídos
Comunicação em Grupo Referência Sistemas operacionais modernos Andrew S. TANENBAUM Prentice-Hall, 1995 Seção 10.4 pág. 304-311 2 Comunicação em Grupo Suponha que se deseja um serviço de arquivos único
ENG1000 Introdução à Engenharia
ENG1000 Introdução à Engenharia Aula 09 Vetores e Matrizes Edirlei Soares de Lima Introdução Até agora nós temos usado variáveis simples para armazenar valores usados por nossos
Organização e Arquitetura de Computadores. Ivan Saraiva Silva
Organização e Arquitetura de Computadores Hierarquia de Memória Ivan Saraiva Silva Hierarquia de Memória A Organização de Memória em um computador é feita de forma hierárquica Registradores, Cache Memória
Tópicos Avançados em Banco de Dados Dependências sobre regime e controle de objetos em Banco de Dados. Prof. Hugo Souza
Tópicos Avançados em Banco de Dados Dependências sobre regime e controle de objetos em Banco de Dados Prof. Hugo Souza Após vermos uma breve contextualização sobre esquemas para bases dados e aprendermos
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA DEPARTAMENTO DE ENGENHARIA QUÍMICA ENG 008 Fenômenos de Transporte I A Profª Fátima Lopes
Equações básicas Uma análise de qualquer problema em Mecânica dos Fluidos, necessariamente se inicia, quer diretamente ou indiretamente, com a definição das leis básicas que governam o movimento do fluido.
Preparo de aula - Professor. Andrew Graham
Preparo de aula - Professor Andrew Graham Sumário Cap. 03 Como ensinar com estudos de caso Cap. 04 Preparo para ensino através de casos Cap. 05 Escrever ou pesquisar um caso 03 Como ensinar com estudos
Avaliação de Empresas Profa. Patricia Maria Bortolon
Avaliação de Empresas RISCO E RETORNO Aula 2 Retorno Total É a variação total da riqueza proporcionada por um ativo ao seu detentor. Fonte: Notas de Aula do Prof. Claudio Cunha Retorno Total Exemplo 1
CATEGORIA 2 INICIATIVAS DE INOVAÇÃO
ESAF Escola de Administração Fazendária CATEGORIA 2 INICIATIVAS DE INOVAÇÃO 3º Lugar 020I FERNANDO VENANCIO PINHEIRO* 26 Anos RIO DE JANEIRO - RJ SKYLOGS - Aplicativo Para Diário de Bordo Eletrônico *
Critério de Desenvolvimento da Embalagem de Transporte. Magda Cercan Junho/2013 São Paulo
Critério de Desenvolvimento da Embalagem de Transporte Magda Cercan Junho/2013 São Paulo Magda Cercan Garcia Tecnôloga Mecânica em Processos de Produção e Projetos de Máquinas pela Faculdade de Tecnologia
MODELO SUGERIDO PARA PROJETO DE PESQUISA
MODELO SUGERIDO PARA PROJETO DE PESQUISA MODELO PARA ELABORAÇÃO DE PROJETO DE PESQUISA (Hospital Regional do Mato Grosso do Sul- HRMS) Campo Grande MS MÊS /ANO TÍTULO/SUBTÍTULO DO PROJETO NOME DO (s) ALUNO
Análise da Base Nacional Comum Curricular de Matemática. Revisado por Phil Daro, USA Common Core Standards
Análise da Base Nacional Comum Curricular de Matemática Revisado por Phil Daro, USA Common Core Standards Complementando a Versão Muitas características excelentes Estrutura de tabela é muito útil Perspectiva
Treinamento sobre Progress Report.
Treinamento sobre Progress Report. Objetivo O foco aqui é trabalhar o desenvolvimento pessoal de cada aluno. O instrutor irá analisar cada um e pensar em suas dificuldades e barreiras de aprendizado e,
Modelagem de Sistemas Web. Metodologias para o desenvolvimento de sistemas web
Modelagem de Sistemas Web Aula 5 Metodologias para o desenvolvimento de sistemas web Metodologias para o desenvolvimento de sistemas web WebML Fontes: Itana Gimenes e Bruno Souza Et Estrutura t do WebML
Gerenciamento do Escopo do Projeto (PMBoK 5ª ed.)
Gerenciamento do Escopo do Projeto (PMBoK 5ª ed.) De acordo com o PMBok 5ª ed., o escopo é a soma dos produtos, serviços e resultados a serem fornecidos na forma de projeto. Sendo ele referindo-se a: Escopo
Curso de Engenharia de Produção. Organização do Trabalho na Produção
Curso de Engenharia de Produção Organização do Trabalho na Produção Estrutura Organizacional Organização da Empresa: É a ordenação e agrupamento de atividades e recursos, visando ao alcance dos objetivos
Análise e Projeto de Sistemas
Análise e Projeto de Sistemas Gerenciamento de Projetos Conteúdo: Gerenciamento de Riscos Aula: II Prof.: Eude Lacerda E-mail: eude.lacerda@ifnmg.edu.br Apresentação Nesta aula você conhecerá o gerenciamento
Cinco erros na hora de monitorar seu ambiente de T.I
Cinco erros na hora de monitorar seu ambiente de T.I Autor: Hernandes Martins Revisado por: Aécio Pires http://hernandesmartins.blogspot.com.br Email: hernandss@gmail.com Junho de 2015 Página 1 Conteúdo
Universidade Federal do Paraná - Setor de Ciências da Terra
Universidade Federal do Paraná - Setor de Ciências da Terra APLICAÇÃO DE DIFERENTES NÍVEIS DE REALISMO DERIVADOS DE IMAGEM DE SATÉLITE NA REALIDADE VIRTUAL Juliana Moulin Fosse - jumoulin@ufpr.br Mosar
Modelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste
Modelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste Erica Castilho Rodrigues 2 de Setembro de 2014 Erro Puro 3 Existem dois motivos pelos quais os pontos observados podem não cair na reta
SECRETARIA DE ESTADO DE CIÊNCIA E TECNOLOGIA FUNDAÇÃO UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO EDITAL
SECRETARIA DE ESTADO DE CIÊNCIA E TECNOLOGIA FUNDAÇÃO UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO EDITAL O REITOR DA UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO, no uso de suas atribuições, torna público que
Arquitecturas de Software Enunciado de Projecto 2007 2008
UNIVERSIDADE TÉCNICA DE LISBOA INSTITUTO SUPERIOR TÉCNICO Arquitecturas de Software Enunciado de Projecto 2007 2008 1 Introdução Na primeira metade da década de 90 começaram a ser desenvolvidas as primeiras
Biblioteca Escolar da EB2 Dr. Manuel de Oliveira Perpétua. Como pesquisar na internet
Biblioteca Escolar da EB2 Dr. Manuel de Oliveira Perpétua Como pesquisar na internet Antes de haver Internet, as grandes concentrações de informação encontravam-se quase em exclusivo nos livros, revistas
AULA 1 INTRODUÇÃO A BANCO DE DADOS E VISÃO GERAL DO SQL CONCEITUANDO BANCO DE DADOS MODELO RELACIONAL
BANCO DE DADOS GERENCIAL 1 AULA 1 INTRODUÇÃO A BANCO DE DADOS E VISÃO GERAL DO SQL CONCEITUANDO BANCO DE DADOS Um banco de dados é uma coleção de dados (ou informações) organizadas de forma lógica, e que
Coeficiente de Assimetria e Curtose. Rinaldo Artes. Padronização., tem as seguintes propriedades: Momentos
Coeficiente de Assimetria e Curtose Rinaldo Artes 2014 Padronização Seja X uma variável aleatória com E(X)=µ e Var(X)=σ 2. Então a variável aleatória Z, definida como =, tem as seguintes propriedades:
Obtenção Experimental de Modelos Matemáticos Através da Reposta ao Degrau
Alunos: Nota: 1-2 - Data: Obtenção Experimental de Modelos Matemáticos Através da Reposta ao Degrau 1.1 Objetivo O objetivo deste experimento é mostrar como se obtém o modelo matemático de um sistema através
MBA em Gerenciamento de Projetos. Teoria Geral do Planejamento. Professora: Maria Erileuza do Nascimento de Paula
MBA em Gerenciamento de Projetos Teoria Geral do Planejamento Professora: Maria Erileuza do Nascimento de Paula SOBRAL - CE 2014 O que é Planejamento É um processo contínuo e dinâmico que consiste em um
Avaliação do Risco Isolado
Avaliação do Risco Isolado! O que é! Onde é utilizada! Análise de Sensibilidade! Análise de Cenários! Exemplos Francisco Cavalcante (francisco@fcavalcante.com.br) Sócio-Diretor da Cavalcante & Associados,
Registro Hospitalar de Câncer Conceitos Básicos Planejamento Coleta de Dados Fluxo da Informação
Registro Hospitalar de Câncer Conceitos Básicos Planejamento Coleta de Dados Fluxo da Informação Registro Hospitalar de Câncer Este tipo de registro se caracteriza em um centro de coleta, armazenamento,
Autoria: Fernanda Maria Villela Reis Orientadora: Tereza G. Kirner Coordenador do Projeto: Claudio Kirner. Projeto AIPRA (Processo CNPq 559912/2010-2)
Autoria: Fernanda Maria Villela Reis Orientadora: Tereza G. Kirner Coordenador do Projeto: Claudio Kirner 1 ÍNDICE Uma palavra inicial... 2 Instruções iniciais... 3 Retângulo... 5 Quadrado... 6 Triângulo...
UTILIZAÇÃO DE RECURSOS AVANÇADOS DO EXCEL EM FINANÇAS (PARTE III): GERENCIAMENTO DE CENÁRIOS
UTILIZAÇÃO DE RECURSOS AVANÇADOS DO EXCEL EM FINANÇAS (PARTE III): GERENCIAMENTO DE CENÁRIOS! Criando cenários a partir do Solver! Planilha entregue para a resolução de exercícios! Como alterar rapidamente