Aprendizado de Máquina (Machine Learning)
|
|
- Juliana Angelim Palhares
- 6 Há anos
- Visualizações:
Transcrição
1 Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira
2 Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em 1943 por Warren McCulloch (médico) e Walter Pitts (estatístico) Publicação no Bulletin of Mathematical Biophysics Título: A Logical Calculus of the Ideas Immanet in Nervous Activity Referência número 1 para a teoria das redes neurais artificiais.
3 Neurônio Booleano de McCulloch- Pitts (Modelo MCP) n terminais de entrada x 1, x 2,,x n (dendritos) Apenas um terminal de saída y (axônio) Terminais de entradas com pesos associados w 1, w 2,,w n cujos valores podem ser positivos ou negativos (sinapses) O efeito de uma sinapse particular i no neurônio pós-sináptico é dado por x i w i.
4 Neurônio Booleano de McCulloch- Pitts (Modelo MCP)
5 Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Neurônio biológico dispara quando a soma dos impulsos ultrapassa o seu limiar de excitação (threshold). Modelo MCP faz a soma dos valores x i w i (soma ponderada) e decide se o neurônio deve ou não disparar (0 ou 1). A ativação do neurônio é obtida pela função de ativação.
6 Neurônio Booleano de McCulloch- Pitts (Modelo MCP) No modelo MCP a função de ativação é dada pela função de limiar n i=1 x i w i θ Onde n é o número de entradas, w i é o peso associado à entrada x i e o é o limiar (threshold) do neurônio.
7 Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Modelo simplificado. Considera que os nodos em cada camada disparam sincronamente. Redes MCP com apenas uma camada só conseguem implementar funções linearmente separáveis. Pesos negativos são mais adequados para representar disparos inibidores. Modelo proposto com pesos fixos, não-ajustáveis.
8 Neurônio Booleano de McCulloch- Pitts (Modelo MCP) O Modelo MCP é um discriminador linear que pode ser usado, em certos casos, como classificador de padrões. As funções lógicas E e OU são linearmente separáveis (implementáveis com o modelo MCP) A função XOR ou ou-exclusivo não é linearmente separável.
9 Funções Booleanas representadas no plano binário x 2 x 2 x 2 (0,1) (1,1) (0,1) (1,1) (0,1) (1,1) (0,0) (1,0) x 1 (0,0) (1,0) x 1 (0,0) (1,0) x 1 AND OR XOR
10 Função E (And) com valores bipolares - X 2 + Entrada(x 1,x 2 ) Saída(y) (1,1) +1 (1,-1) -1 (-1,1) -1 (-1,-1) -1 X 1 - -
11 Funções de Ativação Uma função y=f(x) descreve uma relação (mapeamento entradasaída) de x para y. Exemplo 1: O limiar (threshold) ou função sinal sgn(x) é definida como:
12 Funções de Ativação Exemplo 2: A função logística ou sigmóide Sigmoid(x) é definida como:
13 Aprendizado Capacidade de aprender por exemplos; Determinar a intensidade de conexões entre neurônios; Processo iterativo de ajustes aplicado aos pesos; Conhecimento distribuído por toda a rede; Capacidade de extrair regras básicas a partir de dados reais.
14 Aprendizado Supervisionado Método mais comum no treinamento das RNAs. A entrada e saída desejadas para a rede são fornecidas por um supervisor externo. Ajustar os parâmetros da rede, de forma a encontrar uma ligação entre os pares de entrada e saída fornecidos.
15 Aprendizado Supervisionado SUPERVISOR SAÍDA ENTRADA RNA _ + ERRO
16 Aprendizado Supervisionado A desvantagem do método é que, na ausência do supervisor, a rede não conseguirá aprender novas estratégias para situações não cobertas pelos exemplos do treinamento da rede. Algoritmos mais conhecidos: regra delta e o algoritmo backpropagation.
17 Correção de Erros Procura minimizar a diferença entre a soma ponderada das entradas pelos pesos (saída calculada pela rede) e a saída desejada (erro de resposta atual da rede). O termo e(t) apresenta-se como: e(t) = d(t) y(t), onde d(t) é a saída desejada e y(t) é a resposta atual (calculada) no instante do tempo t.
18 Correção de Erros A forma genérica para alteração dos pesos por correção de erros é: w i (t+1)=w i (t) + e(t)x i (t) Onde é a taxa de aprendizado e x i (t) é a entrada para o neurônio i no tempo t. O ajuste dos pesos deve ser proporcional ao produto do erro pelo valor de entrada da sinapse naquele instante de tempo.
19 Regra Delta Possui uma saída desejada d j, assim o peso será proporcional à saída. W ij =(d j a j )a i A Regra Delta depende da função de ativação dos neurônios e minimiza o erro entre a saída desejada e o valor de ativação do neurônio. i j ENTRADA a i a j W ij
20 Perceptron Frank Rosenblatt (1958) Reconhecimento de letras maiúsculas do alfabeto A conectividade desenvolvida nas redes biológicas contém um grande número aleatório de elementos; Pode ser treinado; A topologia original era composta por unidades de entrada (retina), por um nível intermediário e por um nível de saída formado pelas unidades de resposta.
21 Perceptron Embora a topologia original possua três camadas, ela é conhecida como perceptron de uma única camada. A retina consiste basicamente em unidades sensoras, e as unidades intermediárias de associação
22 Perceptron Retina Saída Associação
23 Perceptron X1 1 w 1 b rede=b+ i Saída=f(rede) = x i w i {1 se rede, 0 se rede < } X2 w 2 Y w 3 X3 Equação fundamental do Perceptron x1.w1+x2.w2+x3.w3= Equação de uma reta
24 Perceptron (Algoritmo) Passo 1. Inicializar pesos e bias (para simplificar, setar os pesos e bias igual a zero e a taxa de aprendizado (0 < 1) Passo 1. Enquanto a condição de parada for falsa, faça os passos 2 até 6. Passo 2. Para cada par de treinamento s:t, faça os passos 3 até 5 Passo 3. Unidades de entrada (valores) Passo 4. Calcular o valor da unidade de saída rede=b+ i y = 1 se rede, 0 se - rede, -1 se rede < - Passo 5. Ajustar pesos e bias se ocorrer um erro para o padrão Se y t w i (new)=w i (old)+ tx i b(new)=b(old)+ t senão w i (new)=w i (old) b(new0=b(old) Passo 6. Testar condição de parada Se nenhum peso mudou no passo 2, para; senão continua x i w i
25 Perceptron Múltiplas saídas
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?
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 maisAULA 03 MEDIDAS DE RESISTÊNCIA ELÉTICA
AULA 03 MEDIDAS DE RESISTÊNCIA ELÉTICA 1.0 INTRODUÇÃO 1.1 Ponte de Wheatstone O método da ponte de Wheatstone, estudado por Wheatstone no sec. XIX é um dos métodos mais empregados para a medição de resistências
Leia maisAplicações Práticas com Redes Neurais Artificiais em Java
com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org
Leia maisCódigos de bloco. Instituto Federal de Santa Catarina Curso superior de tecnologia em sistemas de telecomunicação Comunicações móveis 2
Instituto Federal de Santa Catarina Curso superior de tecnologia em sistemas de telecomunicação Comunicações móveis 2 Códigos de bloco Prof. Diego da Silva de Medeiros São José, maio de 2012 Codificação
Leia maisCurso de Formação de Oficiais Conhecimentos Específicos ENGENHARIA DE COMPUTAÇÃO CADERNO DE QUESTÕES
Curso de Formação de Oficiais Conhecimentos Específicos ENGENHARIA DE COMPUTAÇÃO CADERNO DE QUESTÕES 2014 1 a QUESTÃO Valor: 1,00 a) (0,30) Defina gramáticas livre de contexto. b) (0,30) Crie uma gramática
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 maisRedes Neurais Artificiais
Redes Neurais Artificiais Inteligência Artificial Prof. Cedric Luiz de Carvalho Instituto de Informática UFG 2006 2/164 Tópicos Introdução Redes Neurais Humanas O que são Redes Neurais Artificiais Características
Leia maisProbabilidade. 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.
Leia maisModelos 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
Leia maisUNIVERSIDADE 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.
Leia mais[RESOLUÇÃO] Economia I; 2012/2013 (2º semestre) Prova da Época Recurso 3 de Julho de 2013
Economia I; 01/013 (º semestre) Prova da Época Recurso 3 de Julho de 013 [RESOLUÇÃO] Distribuição das respostas correctas às perguntas da Parte A (6 valores) nas suas três variantes: ER A B C P1 P P3 P4
Leia mais3. REDES DE CAMADA ÚNICA
3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções
Leia maisOndas EM no Espaço Livre (Vácuo)
Secretaria de Educação Profissional e Tecnológica Instituto Federal de Santa Catarina Campus São José Área de Telecomunicações ELM20704 Eletromagnetismo Professor: Bruno Fontana da Silva 2014-1 Ondas EM
Leia maisPESQUISA 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
Leia maisAULA 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:
Leia maisCapítulo 5. Sensores Digitais
Sensores Centro de Formação Profissional Orlando Chiarini - CFP / OC Pouso Alegre MG Inst.: Anderson Capítulo 5 Sensores Digitais Capítulo 5 Codificador Incremental de Posição Capítulo 5 Codificador Incremental
Leia maisProcessamento Digital de Sinais. Conversão A/D e D/A. Prof. Dr. Carlos Alberto Ynoguti
Processamento Digital de Sinais Conversão A/D e D/A Prof. Dr. Carlos Alberto Ynoguti Introdução A maioria dos sinais encontrados na natureza é contínua Para processá los digitalmente, devemos: Converter
Leia maisTeoria Básica e o Método Simplex. Prof. Ricardo Santos
Teoria Básica e o Método Simple Prof. Ricardo Santos Teoria Básica do Método Simple Por simplicidade, a teoria é desenvolvida para o problema de PL na forma padrão: Minimizar f()=c T s.a. A=b >= Considere
Leia maisUM 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
Leia maisMÓDULO 2 Topologias de Redes
MÓDULO 2 Topologias de Redes As redes de computadores de modo geral estão presentes em nosso dia adia, estamos tão acostumados a utilizá las que não nos damos conta da sofisticação e complexidade da estrutura,
Leia maisMatrizes. matriz de 2 linhas e 2 colunas. matriz de 3 linhas e 3 colunas. matriz de 3 linhas e 1 coluna. matriz de 1 linha e 4 colunas.
Definição Uma matriz do tipo m n (lê-se m por n), com m e n, sendo m e n números inteiros, é uma tabela formada por m n elementos dispostos em m linhas e n colunas. Estes elementos podem estar entre parênteses
Leia maisMatriz de Sensibilidade Modal
Introdução ao Controle Automático de Aeronaves Matriz de Sensibilidade Modal Leonardo Tôrres torres@cpdeeufmgbr Escola de Engenharia Universidade Federal de Minas Gerais/EEUFMG Dep Eng Eletrônica EEUFMG
Leia maisTestes 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
Leia maisÁLGEBRA. Aula 5 _ Função Polinomial do 1º Grau Professor Luciano Nóbrega. Maria Auxiliadora
1 ÁLGEBRA Aula 5 _ Função Polinomial do 1º Grau Professor Luciano Nóbrega Maria Auxiliadora 2 FUNÇÃO POLINOMIAL DO 1º GRAU Uma função polinomial do 1º grau (ou simplesmente, função do 1º grau) é uma relação
Leia mais2 Conceitos Básicos. onde essa matriz expressa a aproximação linear local do campo. Definição 2.2 O campo vetorial v gera um fluxo φ : U R 2 R
2 Conceitos Básicos Neste capítulo são apresentados alguns conceitos importantes e necessários para o desenvolvimento do trabalho. São apresentadas as definições de campo vetorial, fluxo e linhas de fluxo.
Leia maisAula 15 Amplificadores Operacionais (pág. 453 a 459)
Aula 15 Amplificadores Operacionais (pág. 453 a 459) Prof. Dr. Aparecido Nicolett PUC-SP Slide 1 Considerações gerais: Amplificadores Operacionais são amplificadores diferencias com ganho muito alto, impedância
Leia maisAVALIAÇÃO DE IMÓVEIS UTILIZANDO ANÁLISE MULTICRITÉRIO E REDES NEURAIS ARTIFICIAIS
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
Leia maisRelatório da Aula Prática sobre Redes Neurais Artificiais
Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.
Leia mais0.1 Introdução Conceitos básicos
Laboratório de Eletricidade S.J.Troise Exp. 0 - Laboratório de eletricidade 0.1 Introdução Conceitos básicos O modelo aceito modernamente para o átomo apresenta o aspecto de uma esfera central chamada
Leia maisRadar de Penetração no Solo e Meio- Ambiente
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE GEOFÍSICA Curso 3ª Idade Radar de Penetração no Solo e Meio- Ambiente Vinicius Rafael Neris dos Santos
Leia maisRegressão, Interpolação e Extrapolação Numéricas
, e Extrapolação Numéricas Departamento de Física Universidade Federal da Paraíba 29 de Maio de 2009, e Extrapolação Numéricas O problema Introdução Quem é quem Um problema muito comum na física é o de
Leia maisINTRODUÇÃO. Noções preliminares. Um pouco de matemática. 100 Pb
INTRODUÇÃO Este artigo pretende criar no leitor uma percepção física do funcionamento de um controle PID, sem grandes análises e rigorismos matemáticos, visando introduzir a técnica aos iniciantes e aprimorar
Leia maisFACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA
FACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS PRAIA GRANDE 2010 JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS
Leia maisAula 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,
Leia maisARQUITETURA DE COMPUTADORES. Professor: Clayton Rodrigues da Siva
ARQUITETURA DE COMPUTADORES Professor: Clayton Rodrigues da Siva OBJETIVO DA AULA Objetivo: Conhecer a estrutura da arquitetura da Máquina de Von Neumann. Saber quais as funcionalidades de cada componente
Leia maisFACULDADE DE CIÊNCIAS E TECNOLOGIA. Redes de Telecomunicações (2006/2007)
FACULDADE DE CIÊNCIAS E TECNOLOGIA Redes de Telecomunicações (2006/2007) Engª de Sistemas e Informática Trabalho nº4 (1ª aula) Título: Modelação de tráfego utilizando o modelo de Poisson Fundamentos teóricos
Leia maisDepartamento de Informática - PUC-Rio INF 1005 Programação I P1 22/09/2010 Nota
P1 22/09/2010 Matrícula: Turma: Questão 1) (3,5 pontos) O Índice de Desenvolvimento Humano (IDH) é uma medida do bemestar de uma população. Engloba três dimensões: educação (E), longevidade (L) e a riqueza
Leia maisFunção Seno. Gráfico da Função Seno
Função Seno Dado um número real, podemos associar a ele o valor do seno de um arco que possui medida de radianos. Desta forma, podemos definir uma função cujo domínio é o conjunto dos números reais que,
Leia maisLógica 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
Leia maisANÁLISE DE CIRCUITOS I ( AULA 03)
ANÁLISE DE CIRCUITOS I ( AULA 03) 1.0 O CAPACÍMETRO É o instrumento usado para medir o valor dos capacitores comuns e eletrolíticos. Há dois tipos de capacímetro: o analógico (de ponteiro) e o digital
Leia maisADMINISTRAÇÃO DE BANCOS DE DADOS MÓDULO 8
ADMINISTRAÇÃO DE BANCOS DE DADOS MÓDULO 8 Índice 1. Modelagem de Dados - Continuação...3 1.1. Modelo Entidade-Relacionamento (MER) - II... 3 1.1.1. Entidades fortes e entidades fracas... 3 1.2. Dicionário
Leia maisFundamentos 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
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Métodos Estatísticos Avançados em Epidemiologia Análise de Sobrevivência - Conceitos Básicos Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/
Leia maisSe inicialmente, o tanque estava com 100 litros, pode-se afirmar que ao final do dia o mesmo conterá.
ANÁLISE GRÁFICA QUANDO y. CORRESPONDE A ÁREA DA FIGURA Resposta: Sempre quando o eio y corresponde a uma taa de variação, então a área compreendida entre a curva e o eio do será o produto y. Isto é y =
Leia maisExercícios de Fixação Aulas 05 e 06
Disciplina: TCC-0.0 Prog. de Computadores III Professor: Leandro Augusto Frata Fernandes Turma: E- Data: / / Exercícios de Fixação Aulas 0 e 0. Construa um algoritmo (pseudocódigo e fluxograma) que determine
Leia maisProf. 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
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 maisAvaliação 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
Leia maisDISTRIBUIÇÕES 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
Leia maisMATÉRIA TÉCNICA APTTA BRASIL SENSORES MAGNETO-RESTRITIVOS UM CRUZAMENTO DE DOIS TIPOS DE SENSORES CONHECIDOS.
MATÉRIA TÉCNICA APTTA BRASIL SENSORES MAGNETO-RESTRITIVOS UM CRUZAMENTO DE DOIS TIPOS DE SENSORES CONHECIDOS. Figura 1: Aqui uma vista dos sensores do eixo comando de válvulas de um NISSAN Máxima 2012.
Leia maisMódulo de Equações do Segundo Grau. Equações do Segundo Grau: Resultados Básicos. Nono Ano
Módulo de Equações do Segundo Grau Equações do Segundo Grau: Resultados Básicos. Nono Ano Equações do o grau: Resultados Básicos. 1 Exercícios Introdutórios Exercício 1. A equação ax + bx + c = 0, com
Leia maiswww.e-lee.net Temática Circuitos Eléctricos Capítulo Teoria dos Circuitos DIPOLO ELÉCTRICO INTRODUÇÃO
Temática Circuitos Eléctricos Capítulo Teoria dos Circuitos DIPOLO ELÉCTRICO INTRODUÇÃO Nesta secção, introduz-se a noção de dipolo eléctrico, define-se corrente eléctrica i que o percorre e tensão u aos
Leia maisExemplo 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
Leia maisProf. Neckel FÍSICA 1 PROVA 1 TEMA 2 PARTE 1 PROF. NECKEL POSIÇÃO. Sistema de Coordenadas Nome do sistema Unidade do sistema 22/02/2016.
FÍSICA 1 PROVA 1 TEMA 2 PARTE 1 PROF. NECKEL Cinemática 1D POSIÇÃO Sistema de Coordenadas Nome do sistema Unidade do sistema Reta numérica real com origem Crescimento para direita, decrescimento para esquerda
Leia maisResolução de circuitos usando Teorema de Thévenin Exercícios Resolvidos
Resolução de circuitos usando Teorema de Thévenin Exercícios Resolvidos 1º) Para o circuito abaixo, calcular a tensão sobre R3. a) O Teorema de Thévenin estabelece que qualquer circuito linear visto de
Leia maisOs passos a seguir servirão de guia para utilização da funcionalidade Acordo Financeiro do TOTVS Gestão Financeira.
Acordo Financeiro Produto : RM - Totvs Gestão Financeira 12.1.1 Processo : Acordo Financeiro Subprocesso : Template de Acordo Controle de Alçada Negociação Online Data da publicação : 29 / 10 / 2012 Os
Leia maisSistemas Digitais II. Interface com o mundo analógico. Prof. Marlon Henrique Teixeira Abril/2014
Sistemas Digitais II Interface com o mundo analógico Prof. Marlon Henrique Teixeira Abril/2014 Objetivos Compreender a teoria de funcionamento e as limitações dos circuitos de diversos tipos de conversores
Leia maisCapítulo VI. Teoremas de Circuitos Elétricos
apítulo VI Teoremas de ircuitos Elétricos 6.1 Introdução No presente texto serão abordados alguns teoremas de circuitos elétricos empregados freqüentemente em análises de circuitos. Esses teoremas têm
Leia maisUnidade 3 Função Afim
Unidade 3 Função Afim Definição Gráfico da Função Afim Tipos Especiais de Função Afim Valor e zero da Função Afim Gráfico definidos por uma ou mais sentenças Definição C ( x) = 10. x + Custo fixo 200 Custo
Leia maisUTILIZAÇÃO DE SENSORES CAPACITIVOS PARA MEDIR UMIDADE DO SOLO.
UTILIZAÇÃO DE SENSORES CAPACITIVOS PARA MEDIR UMIDADE DO SOLO. Silveira, Priscila Silva; Valner Brusamarello. Universidade Federal do Rio Grande do Sul UFRGS Av. Osvaldo Aranha, 103 - CEP: 90035-190 Porto
Leia maisRepresentação de Circuitos Lógicos
1 Representação de Circuitos Lógicos Formas de representação de um circuito lógico: Representação gráfica de uma rede de portas lógicas Expressão booleana Tabela verdade 3 representações são equivalentes:
Leia maisClassificação Automática dos Usuários da Rede Social Acadêmica Scientia.Net
Classificação Automática dos Usuários da Rede Social Acadêmica Scientia.Net Vinícius Ponte Machado 1, Bruno Vicente Alves de Lima 2, Heloína Alves Arnaldo 3, Sanches Wendyl Ibiapina Araújo 4 Departamento
Leia mais10. CPU (Central Processor Unit)... 10 2 10.1 Conjunto das instruções... 10 2 10.2 Estrutura interna... 10 4 10.3 Formato das instruções...
10. CPU (Central Processor Unit)... 10 2 10.1 Conjunto das instruções... 10 2 10.2 Estrutura interna... 10 4 10.3 Formato das instruções... 10 4 10. CPU (CENTRAL PROCESSOR UNIT) Como vimos no capítulo
Leia maisAlgoritmos e Estruturas de Dados I. Recursividade. Pedro O.S. Vaz de Melo
Algoritmos e Estruturas de Dados I Recursividade Pedro O.S. Vaz de Melo Problema Implemente uma função que classifique os elementos de um vetor em ordem crescente usando o algoritmo quicksort: 1. Seja
Leia maisAPARECIDO NARDO JUNIOR APLICAÇÃO DE REDES NEURAIS UTILIZANDO O SOFTWARE MATLAB
FUNDAÇÃO DE ENSINO EURÍPIDES SOARES DA ROCHA CENTRO UNIVERSITÁRIO EURÍPIDES DE MARÍLIA - UNIVEM BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO APARECIDO NARDO JUNIOR APLICAÇÃO DE REDES NEURAIS UTILIZANDO O SOFTWARE
Leia maisRelatório Preliminar Experimento 6.2 Reologia
Universidade Estadual de Campinas FEQ Faculdade de Engenharia Química Relatório Preliminar Experimento 6.2 Reologia EQ601 - Laboratório de Engenharia Química I Turma A Grupo E Integrantes Andrey Seiji
Leia maisIBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 7
Potencial Elétrico Quando estudamos campo elétrico nas aulas passadas, vimos que ele pode ser definido em termos da força elétrica que uma carga q exerce sobre uma carga de prova q 0. Essa força é, pela
Leia maisFísica Experimental III
Física Experimental III Unidade 4: Circuitos simples em corrente alternada: Generalidades e circuitos resistivos http://www.if.ufrj.br/~fisexp3 agosto/26 Na Unidade anterior estudamos o comportamento de
Leia maisAula 3 Função do 1º Grau
1 Tecnólogo em Construção de Edifícios Aula 3 Função do 1º Grau Professor Luciano Nóbrega 2 FUNÇÃO POLINOMIAL DO 1º GRAU Uma função polinomial do 1º grau (ou simplesmente, função do 1º grau) é uma relação
Leia maisSistema de Autenticação/Identificação Pessoal Biométrica Através da Palma da Mão com o Auxílio de Redes Neurais Artificiais
Anais do 14 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 22 2009. Sistema de Autenticação/Identificação
Leia maisDefinição de determinantes de primeira e segunda ordens. Seja A uma matriz quadrada. Representa-se o determinante de A por det(a) ou A.
Determinantes A cada matriz quadrada de números reais, pode associar-se um número real, que se designa por determinante da matriz Definição de determinantes de primeira e segunda ordens Seja A uma matriz
Leia maisDETECÇÃO DE INTRUSÕES BASEADA EM USER PROFILING E REDES NEURAIS
DETECÇÃO DE INTRUSÕES BASEADA EM USER PROFILING E REDES NEURAIS Paulo Henrique Pisani 1, Silvio do Lago Pereira 2 1 Aluno do curso de Especialização em Análise e Projetos de Sistemas da FATEC-SP 2 Prof.
Leia maisEstudo de Caso no Mercado Imobiliário de Castelo Branco
23 Estudo de Caso no Mercado Imobiliário de Castelo Branco Maria Cristina Canavarro Teixeira Escola Superior Agrária, Quinta da Sra. de Mércules, 6001-909 Castelo Branco, Portugal ccanavarro@ipcb.pt Sumário
Leia maisA. Equações não lineares
A. Equações não lineares 1. Localização de raízes. a) Verifique se as equações seguintes têm pelo menos uma solução nos intervalos dados: i) (x - 2) 2 ln(x) = 0, em [1, 2] e [e, 4]. ii) 2 x cos(x) (x 2)
Leia maisÁlgebra 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
Leia maisVIII Oficinas de Formação A Escola na Sociedade da Informação e do Conhecimento praticar ao Sábado. E-learning. 3 de Março de 2007
VIII Oficinas de Formação A Escola na Sociedade da Informação e do Conhecimento praticar ao Sábado E-learning 3 de Março de 2007 Plataformas de E-learning em contexto educativo Intervenção de José Luís
Leia maisUniversidade Federal de Juiz de Fora - Laboratório de Eletrônica - CEL037
Página 1 de 5 1 Título 2 Objetivos Prática 10 Aplicações não lineares do amplificador operacional. Estudo e execução de dois circuitos não lineares que empregam o amplificador operacional: comparador sem
Leia maisIntrodução à Engenharia de Sistemas INOVAÇÃO?
Introdução à Engenharia de Sistemas INOVAÇÃO? Renato Dourado Maia Universidade Estadual de Montes Claros Sistemas de Informação O que é Inovação? O que eu não pretendo: Apresentar uma definição para inovação.
Leia maisOtimização Linear Aplicada a Problemas de Planejamento de Produção
Otimização Linear Aplicada a Problemas de Planejamento de Produção Rafaela Schuindt Santos¹, Daniela Renata Cantane² ¹Escola Estadual Luiz Campacci Laranjal Paulista SP - Brasil ²Universidade Estadual
Leia mais[1] Na terceira sessão, analisamos o Perceptron de Múltiplas Camadas inclusive um problema típico como o XOR.
Deolinda M. P. Aguieiras de Lima Nilton Alves Jr. naj@cat.cbpf.br [1] Resumo Este trabalho tem como finalidade servir de primeira leitura para aqueles alunos que desejam iniciar se no estudo de Redes Neurais.
Leia mais2 Workshop processamento de artigos em serviços de saúde Recolhimento de artigos esterilizados: é possível evitar?
2 Workshop processamento de artigos em serviços de saúde Recolhimento de artigos esterilizados: é possível evitar? 3 Farm. André Cabral Contagem, 19 de Maio de 2010 Rastreabilidade É definida como a habilidade
Leia maisReconhecimento de Caracteres Através de Redes Neurais Artificiais com Aplicação a Placas de Automóveis
Anais do XVI Encontro de Iniciação Científica e Pós-Graduação do ITA XVI ENCITA / 2010 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil 20 de outubro de 2010 Reconhecimento de Caracteres
Leia maisFlávia Rodrigues. Silves, 26 de Abril de 2010
Flávia Rodrigues STC5 _ Redes de Informação e Comunicação Silves, 26 de Abril de 2010 Vantagens e Desvantagens da Tecnologia Acessibilidade, quer a nível pessoal quer a nível profissional; Pode-se processar
Leia maisÁLGEBRA BOOLEANA- LÓGICA DIGITAL
ÁLGEBRA BOOLEANA- LÓGICA DIGITAL LÓGICA DIGITAL Álgebra Booleana Fundamentação matemática para a lógica digital Portas Lógicas Bloco fundamental de construção de circuitos lógicos digitais Circuitos Combinatórios
Leia maisResumo: Estudo do Comportamento das Funções. 1º - Explicitar o domínio da função estudada
Resumo: Estudo do Comportamento das Funções O que fazer? 1º - Explicitar o domínio da função estudada 2º - Calcular a primeira derivada e estudar os sinais da primeira derivada 3º - Calcular a segunda
Leia mais8 -SISTEMA DE PROJEÇÃO UNIVERSAL TRANSVERSA DE MERCATOR - UTM
8 -SISTEMA DE PROJEÇÃO UNIVERSAL TRANSVERSA DE MERCATOR - UTM Introdução: histórico; definições O Sistema de Projeção UTM é resultado de modificação da projeção Transversa de Mercator (TM) que também é
Leia maisLucratividade: Crescer, Sobreviver ou Morrer
Lucratividade: Crescer, Sobreviver ou Morrer Foco da Palestra Orientar e esclarecer os conceitos de Lucratividade e a importância para existência e sucesso das empresas. Proporcionar aos participantes
Leia maisENG1000 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
Leia maisGSCI - GSIG. 2 Programação Linear. Prof. Ricardo Villarroel Dávalos, Dr. Eng.
GSCI - GSIG 2 Programação Linear Prof. Ricardo Villarroel Dávalos, Dr. Eng. E-mail: ricardo.davalos@unisul.br Fpolis, Setembro de 2012 2.4 Modelagem do Problema Problema MODELO: * Restrições =; =
Leia maisProgramação Orientada a Objetos SANTOS, Rafael
Programação Orientada a Objetos SANTOS, Rafael É parte do software, e deve atender os requisitos do usuário Controla o hardware, incluindo periféricos de entrada e saída Usa um conjunto de comandos e regras:
Leia maisTÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS
TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS Trabalho de Conclusão de Curso Engenharia da Computação Nome do Aluno: Carolina Baldisserotto Orientador: Prof. Adriano
Leia maisCapítulo1 Tensão Normal
- UNIVERSIDADE FEDERAL FLUMINENSE ESCOLA DE ENGENHARIA INDUSTRIAL METALÚRGICA DE VOLTA REDONDA PROFESSORA: SALETE SOUZA DE OLIVEIRA BUFFONI DISCIPLINA: RESISTÊNCIA DOS MATERIAIS Referências Bibliográficas:
Leia maisAula de Hoje. Processamento Estatístico da Linguagem Natural. Decodificação. Decodificação. A treliça do algoritmo Viterbi
Processamento Estatístico da Linguagem Natural Aula 14 Professora Bianca (Sala 302 Bloco E) bianca@ic.uff.br http://www.ic.uff.br/~bianca/peln/ Aula de Hoje Cap. 6 Jurafsky & Martin Hidden Markov and Maximum
Leia maisCurso de Redes Neurais utilizando o MATLAB
Curso de Redes Neurais utilizando o MATLAB Victoria Yukie Matsunaga Belém-Pará-Brasil 2012 Esta apostila tem como principal objetivo fornecer um material de auxílio ao Curso de Redes Neurais utilizando
Leia maisEmails: slsnazario@aluno.feis.unesp.br, hcbo@cin.ufpe.br, kitano@dee.feis.unesp.br, jacira@agr.feis.unesp.br, tokio@dee.feis.unesp.
CLASSIFICAÇÃO DO TEOR DE GORDURA EM LEITE UHT UTILIZANDO TÉCNICAS DE ULTRA-SOM E REDES NEURAIS EM FUNÇÃO DA TEMPERATURA Sérgio Luiz Sousa Nazario, Humberto Cesar Brandao de Oliveira, Claudio Kitano, Jacira
Leia maisRelatório de uma Aplicação de Redes Neurais
UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS
Leia mais