Inteligência Artificial

Tamanho: px
Começar a partir da página:

Download "Inteligência Artificial"

Transcrição

1 Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini Curso: Sistemas de Informação 1º Semestre / 2015

2 Como estimar a acurácia da classificação? Qual a taxa de acerto do modelo? IA-14 2

3 Como estimar a acurácia da classificação? Qual a taxa de acerto do modelo? (Número de Predições Corretas) / (Total de Predições) IA-14 3

4 Como estimar a acurácia da classificação? Qual a taxa de acerto do modelo? (Número de Predições Corretas) / (Total de Predições) O usuário deve ter uma noção de quão confiável é o aprendizado de máquina IA-14 4

5 Como estimar a acurácia da classificação? Qual a taxa de acerto do modelo? (Número de Predições Corretas) / (Total de Predições) O usuário deve ter uma noção de quão confiável é o aprendizado de máquina Devemos estimar a acurácia a partir dos dados IA-14 5

6 Validação Conceitos Básicos Treinamento Base de dados utilizada para obter o modelo Teste Base de dados utilizada para avaliar o modelo IA-14 6

7 Podemos estimar a acurácia da classificação usando apenas dados de treinamento? IA-14 7

8 Podemos estimar a acurácia da classificação usando apenas dados de treinamento? Construção do Preditivo Treinamento IA-14 8

9 Podemos estimar a acurácia da classificação usando apenas dados de treinamento? Construção do Preditivo Validação do Treinamento Treinamento IA-14 9

10 Podemos estimar a acurácia da classificação usando apenas dados de treinamento? Construção do Preditivo Validação do Treinamento Treinamento Resposta: NÃO O valor da acurácia fica sobreajustado (overfitting) Alta acurácia em dados de treinamento Baixa acurácia na prática IA-14 10

11 Devemos usar um conjunto independente de dados de treinamento e teste Construção do Preditivo Validação do Treinamento Teste A acurácia é estimada a partir de dados que ainda não foram vistos Mais próximo da realidade IA-14 11

12 Estratégias para Validação Cruzada Utiliza o próprio conjunto do dados para estimar a acurácia real do modelo preditivo Avaliação em ambiente simulado (não em produção) Técnicas Hold-out K-fold Leave-one-out IA-14 12

13 Hold-out Divide a base de dados em treinamento e teste Construção do modelo usando dados de treinamento Validação do modelo usando dados de teste IA-14 13

14 Hold-out Divide a base de dados em treinamento e teste Construção do modelo usando dados de treinamento Validação do modelo usando dados de teste Treinamento Teste Divisão dos Dados Base de Dados IA-14 14

15 Hold-out Divide a base de dados em treinamento e teste Construção do modelo usando dados de treinamento Validação do modelo usando dados de teste Construção do Preditivo Validação do Treinamento Teste Divisão dos Dados Base de Dados IA-14 15

16 Hold-out Divide a base de dados em treinamento e teste Construção do modelo usando dados de treinamento Validação do modelo usando dados de teste Construção do Preditivo Validação do Treinamento Divisão dos Dados Base de Dados Teste O processo processo é é repetido repetido um um número número suficiente suficiente de de vezes vezes Calcular Calcular acurácia acurácia média média IA-14 16

17 k-fold Divide a base de dados em k subconjuntos (folds) Construção do modelo usando (1-k) subconjuntos Validação do modelo usando 1 subconjunto IA-14 17

18 k-fold Divide a base de dados em k subconjuntos (folds) Construção do modelo usando (1-k) subconjuntos Validação do modelo usando 1 subconjunto treino treino teste Base de Dados IA-14 18

19 k-fold Divide a base de dados em k subconjuntos (folds) Construção do modelo usando (1-k) subconjuntos Validação do modelo usando 1 subconjunto Construção do Preditivo Validação do treino treino teste Base de Dados IA-14 19

20 k-fold Divide a base de dados em k subconjuntos (folds) Construção do modelo usando (1-k) subconjuntos Validação do modelo usando 1 subconjunto Construção do Preditivo Validação do treino treino teste treino teste treino Base de Dados IA-14 20

21 k-fold Divide a base de dados em k subconjuntos (folds) Construção do modelo usando (1-k) subconjuntos Validação do modelo usando 1 subconjunto Construção do Preditivo Validação do treino treino teste treino teste treino Base de Dados teste treino treino IA-14 21

22 k-fold Divide a base de dados em k subconjuntos (folds) Construção do modelo usando (1-k) subconjuntos Validação do modelo usando 1 subconjunto Construção do Preditivo Validação do Base de Dados treino treino teste treino teste treino teste treino treino O processo processo é é repetido repetido até até que que cada cada subconjunto subconjunto seja seja utilizado utilizado uma uma vez vez para para teste teste Calcular Calcular acurácia acurácia média média IA-14 22

23 Leave-one-out Selecionar e remover 1 objeto da base de dados Construção do modelo usando a base de dados (-1) Validação do modelo usando o objeto selecionado IA-14 23

24 Leave-one-out Selecionar e remover 1 objeto da base de dados Construção do modelo usando a base de dados (-1) Validação do modelo usando o objeto selecionado Treinamento Objeto Selecionado Seleciona um Objeto Base de Dados IA-14 24

25 Leave-one-out Selecionar e remover 1 objeto da base de dados Construção do modelo usando a base de dados (-1) Validação do modelo usando o objeto selecionado Construção do Preditivo Validação do Treinamento Objeto Selecionado Seleciona um Objeto Base de Dados IA-14 25

26 Leave-one-out Selecionar e remover 1 objeto da base de dados Construção do modelo usando a base de dados (-1) Validação do modelo usando o objeto selecionado Construção do Preditivo Validação do Treinamento Objeto Selecionado Seleciona um Objeto Base de Dados O processo processo é é repetido repetido até até testar testar todos todos os os objetos objetos Calcular Calcular acurácia acurácia média média IA-14 26

27 Comparação Hold-out Útil quando há grande quantidade de dados disponível Poucos dados acurácia estimada sofre muita variação Leave-one-out K-fold Análise completa sobre a variação do modelo preditivo Alto custo computacional Útil quando há pequena quantidade de dados Mais utilizado na prática (modelo estratificado) K=10 é uma convenção (obtém melhores resultados experimentais) IA-14 27

28 Bibliografia REZENDE, S.O. Sistemas Inteligentes: Fundamentos e Aplicações. Ed. Manole, Avaliação de Algoritmos: página IA-14 28

DCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...

DCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho... DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem

Leia mais

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por

Leia mais

Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si

Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências

Leia mais

5 Experimentos Conjunto de Dados

5 Experimentos Conjunto de Dados Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto

Leia mais

5 Experimentos Corpus

5 Experimentos Corpus 5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.

Leia mais

Aula 9. Prof. Adilson Gonzaga

Aula 9. Prof. Adilson Gonzaga Aula 9 Prof. Adilson Gonzaga Mapeamento Atribuir uma Instância a uma classe. Cada Instância é mapeada para um elemento do conjunto de Rótulos de Classe {p,n} p positivo n negativo Atribui uma Instância

Leia mais

O que é população? O que é amostra? Curso de Bacharelado em Educação Física e Saúde

O que é população? O que é amostra? Curso de Bacharelado em Educação Física e Saúde Curso de Bacharelado em Educação Física e Saúde Disciplina de Epidemiologia da Atividade Física Prof. Alex Antonio Florindo Prof. Douglas Andrade População e amostra O que é população e amostra; Tipos

Leia mais

MAC 0425/ Inteligência Artificial

MAC 0425/ Inteligência Artificial MAC 0425/5739 - Inteligência Artificial Exercício-Programa 4 - Clasificação Prazo limite de entrega: 23:59 07/12/2016 1 Introdução Neste exercício-programa estudaremos o problema de aprendizagem supervisionado

Leia mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

Redes Neurais Artificiais. Professor: Juan Moises Villanueva Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Sumário 1. Sistemas Inteligentes 2. Introdução as Redes Neurais Artificias Neurônio Biológico

Leia mais

Pontifícia Universidade Católica de São Paulo Programa de TIDD

Pontifícia Universidade Católica de São Paulo Programa de TIDD Disciplina: 2854 - Sistemas Inteligentes e Ambientes Virtuais Turma A Área de Concentração: Processos Cognitivos e Ambientes Digitais Linha de Pesquisa: Inteligência Coletiva e Ambientes Interativos Professor:

Leia mais

INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos

Leia mais

INSTITUTO FEDERAL CEARÁ - IFCE CAMPUS AVANÇADO DE ARACATI CURSO: BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO PROGRAMA DE UNIDADE DIDÁTICA PUD.

INSTITUTO FEDERAL CEARÁ - IFCE CAMPUS AVANÇADO DE ARACATI CURSO: BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO PROGRAMA DE UNIDADE DIDÁTICA PUD. PROGRAMA DE UNIDADE DIDÁTICA PUD DISCIPLINA: INTRODUÇÃO A COMPUTAÇÃO Código: Carga Horária: 40h Número de Créditos: 2 Código pré-requisito: Semestre: Nível: EMENTA S1 Bacharelado PARTE A: 1) Introdução

Leia mais

3 Redes Neurais Artificiais

3 Redes Neurais Artificiais 3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida

Leia mais

Inteligência Artificial

Inteligência Artificial https://www.pinterest.com/carlymundo/decision-tree-infographics/ Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial

Leia mais

Aprendizado de Máquina

Aprendizado de Máquina Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento

Leia mais

Análise de Risco de Crédito Bancário

Análise de Risco de Crédito Bancário UNIVERSIDADE FEDERAL DE CAMPINA GRANDE UFCG Curso de Mestrado em Informática Aluno: Francisco Fabian de Macedo Almeida Disciplina: Mineração de Dados Professor: Marcos Sampaio Data: 20 de dezembro de 2007

Leia mais

Aula 10: Tratabilidade

Aula 10: Tratabilidade Teoria da Computação DAINF-UTFPR Aula 10: Tratabilidade Prof. Ricardo Dutra da Silva Na aula anterior discutimos problemas que podem e que não podem ser computados. Nesta aula vamos considerar apenas problemas

Leia mais

Disciplina de Modelos Lineares

Disciplina de Modelos Lineares Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 15 Árvores de Decisão Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso.

Leia mais

SOCIEDADE CAMPINEIRA DE EDUCAÇÃO E INSTRUÇÃO PONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS Média de Qualidade de cada Aspecto por ano/semestre

SOCIEDADE CAMPINEIRA DE EDUCAÇÃO E INSTRUÇÃO PONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS Média de Qualidade de cada Aspecto por ano/semestre 1º Semestre de 2007 03/08/16 17:03 Pagina 1 de19 2º Semestre de 2007 03/08/16 17:03 Pagina 2 de19 1º Semestre de 2008 03/08/16 17:03 Pagina 3 de19 2º Semestre de 2008 03/08/16 17:03 Pagina 4 de19 1º Semestre

Leia mais

Aprendizado de Máquina

Aprendizado de Máquina Aprendizado de Máquina Sistemas de Informação Inteligente Prof. Leandro C. Fernandes Adaptação dos materiais de: Thiago A. S. Pardo, Daniel Honorato e Bianca Zadrozny APRENDIZADO SIMBÓLICO: ÁRVORES DE

Leia mais

Redes Neurais no WEKA

Redes Neurais no WEKA Redes Neurais WEKA http://www.cs.waikato.ac.nz/ml/weka/ Redes Neurais no WEKA Introdução ao WEKA Base Benchmark Estudo de Casos Análise de Crédito Bancário 1 Redes Neurais no Weka WEKA (Waikaito Environment

Leia mais

17/07/2017. Semiprobabilística. Amostra. Amostra Probabilística. Estatística. Amostra Não probabilística TÉCNICAS DE AMOSTRAGEM NOÇÕES DE AMOSTRAGEM

17/07/2017. Semiprobabilística. Amostra. Amostra Probabilística. Estatística. Amostra Não probabilística TÉCNICAS DE AMOSTRAGEM NOÇÕES DE AMOSTRAGEM Probabilística Não probabilística Semiprobabilística 17/07/2017 Técnica de gem Não Probabilística Semiprobabilistica probabilística 1 TÉCNICAS DE AMOSTRAGEM Estatística 2 Por conveniência Sistemática Por

Leia mais

Um Estudo Sobre a Efetividade do Método de Imputação Baseado no Algoritmo k-vizinhos Mais Próximos

Um Estudo Sobre a Efetividade do Método de Imputação Baseado no Algoritmo k-vizinhos Mais Próximos Um Estudo Sobre a Efetividade do Método de Imputação Baseado no Algoritmo k-vizinhos Mais Próximos Gustavo Enrique de Almeida Prado Alves Batista Maria Carolina Monard Laboratório de Inteligência Computacional

Leia mais

2284-ELE/5, 3316-IE/3. Universidade da Beira Interior, Departamento de Informática

2284-ELE/5, 3316-IE/3. Universidade da Beira Interior, Departamento de Informática INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem A aprendizagem é um aspecto crucial da Inteligência

Leia mais

Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.

Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos

Leia mais

Redes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação

Redes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas

Leia mais

WEKA: Prática Carregando a base de dados no Weka

WEKA: Prática Carregando a base de dados no Weka WEKA: Prática 2 1. Introdução O objetivo desta prática é utilizar a ferramenta Weka para comparar dois algoritmos de aprendizagem de máquina em um problema de detecção de SPAM. Os algoritmos a serem comparados

Leia mais

01/06/2016. Semiprobabilística. Amostra. Amostra Probabilística. Bioestatística. Amostra Não probabilística TÉCNICAS DE AMOSTRAGEM

01/06/2016. Semiprobabilística. Amostra. Amostra Probabilística. Bioestatística. Amostra Não probabilística TÉCNICAS DE AMOSTRAGEM Probabilística Não probabilística Semiprobabilística 01/06/2016 Técnica de gem Não Probabilística Semiprobabilistica probabilística 1 TÉCNICAS DE AMOSTRAGEM Bioestatística 2 Por conveniência Sistemática

Leia mais

5 Modelagem e análise dos resultados

5 Modelagem e análise dos resultados 5 Modelagem e análise dos resultados Neste capítulo serão detalhados os resultados da modelagem realizada por meio de árvores de decisão, a escolha final do modelo das variáveis que melhor definem o perfil

Leia mais

AGRUPAMENTO de ESCOLAS Nº1 de SANTIAGO do CACÉM Ano Letivo 2013/2014 PLANIFICAÇÃO ANUAL

AGRUPAMENTO de ESCOLAS Nº1 de SANTIAGO do CACÉM Ano Letivo 2013/2014 PLANIFICAÇÃO ANUAL AGRUPAMENTO de ESCOLAS Nº1 de SANTIAGO do CACÉM Ano Letivo 2013/2014 PLANIFICAÇÃO ANUAL Documento(s) Orientador(es): Programa e Metas Curriculares de Matemática 1º CICLO MATEMÁTICA 4º ANO TEMAS/DOMÍNIOS

Leia mais

INF 1771 Inteligência Artificial

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

Leia mais

EAE36AM - ESTATÍSTICA APLICADA A EXPERIMENTOS

EAE36AM - ESTATÍSTICA APLICADA A EXPERIMENTOS EAE36AM - ESTATÍSTICA APLICADA A EXPERIMENTOS AULA 1 PROFª SHEILA REGINA ORO EMENTA Planejamento de experimentos; Planejamento amostral; Delineamento experimental; Coleta e validação dos dados; Testes

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Técnicas de Reamostragem

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Técnicas de Reamostragem Estatística: Aplicação ao Sesoriameto Remoto SER 202 - ANO 2016 Técicas de Reamostragem Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Distribuição Amostral Testes paramétricos

Leia mais

PERFIL DOS AUTORES... XVII PREFÁCIO... XIX INTRODUÇÃO... XXI

PERFIL DOS AUTORES... XVII PREFÁCIO... XIX INTRODUÇÃO... XXI Sumário PERFIL DOS AUTORES... XVII PREFÁCIO... XIX INTRODUÇÃO... XXI CAPÍTULO 1 O processo de pesquisa e os enfoques quantitativo e qualitativo rumo a um modelo integral... 2 Que enfoques foram apresentados

Leia mais

Tutorial: Árvore de Decisão com Weka para a classificação de carne suína

Tutorial: Árvore de Decisão com Weka para a classificação de carne suína Universidade Estadual de Londrina - UEL 2 CTA 121 - Processamento de Imagens em Alimentos Prática de Aprendizado de Máquina com Weka 28/07/2016 Prof. Dr. Sylvio Barbon Jr Tutorial: Árvore de Decisão com

Leia mais

A ESTATÍSTICA Introdução Histórica

A ESTATÍSTICA Introdução Histórica A ESTATÍSTICA Introdução Histórica Desde a antigu idade, os homens faziam registros: Número de habitantes; Nascimentos e óbitos; Avaliavam bens e riquezas do povo, para cobrar impostos; Estoque de alimentos,

Leia mais

1 INTRODUÇÂO. 1.1.Motivação

1 INTRODUÇÂO. 1.1.Motivação 22 1 INTRODUÇÂO 1.1.Motivação Duas componentes formam as perdas globais das empresas distribuidoras: perdas técnicas e perdas comerciais também denominadas perdas não técnicas. As perdas técnicas são,

Leia mais

EXPERIMENTO I MEDIDAS E ERROS

EXPERIMENTO I MEDIDAS E ERROS EXPERIMENTO I MEDIDAS E ERROS Introdução Na leitura de uma medida física deve-se registrar apenas os algarismos significativos, ou seja, todos aqueles que a escala do instrumento permite ler mais um único

Leia mais

AVALIAÇÃO DE MÉTODOS DE SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO DE SOLOS

AVALIAÇÃO DE MÉTODOS DE SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO DE SOLOS AVALIAÇÃO DE MÉTODOS DE SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO DE SOLOS Fernando Attique Maximo Embrapa Informática Agropecuária Stanley Robson de Medeiros Oliveira Embrapa Informática Agropecuária Maria

Leia mais

CE Estatística I

CE Estatística I CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,

Leia mais

Compressão Adaptativa de Arquivos HTML em Ambientes de Comunicação Sem Fio

Compressão Adaptativa de Arquivos HTML em Ambientes de Comunicação Sem Fio Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM Compressão Adaptativa de Arquivos HTML em Ambientes de Comunicação Sem Fio

Leia mais

MATEMÁTICA 3º ANO. Novo programa de matemática Objetivos específicos. Currículo Paulo VI. Números naturais. Relações numéricas Múltiplos e divisores

MATEMÁTICA 3º ANO. Novo programa de matemática Objetivos específicos. Currículo Paulo VI. Números naturais. Relações numéricas Múltiplos e divisores MATEMÁTICA 3º ANO NÚMEROS E OPERAÇÕES Tópicos Números naturais Relações numéricas Múltiplos e divisores Novo programa de matemática Objetivos específicos Realizar contagens progressivas e regressivas a

Leia mais

Fundamentos de sistemas de informação. Plano de ensino

Fundamentos de sistemas de informação. Plano de ensino Fundamentos de sistemas de informação Plano de ensino 1 Ementa Conceitos básicos de sistemas de informação e tecnologia de informação; Componentes de um sistema de informação (SI); Recursos de um SI; As

Leia mais

3 INTERVALOS DE CONFIANÇA

3 INTERVALOS DE CONFIANÇA 3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,

Leia mais

AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA PLANIFICAÇÃO ANUAL 5.

AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA PLANIFICAÇÃO ANUAL 5. AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA PLANIFICAÇÃO ANUAL 5.º ANO ANO LECTIVO 2008/2009 1.º PERÍODO Avaliação diagnóstica. Poliedros

Leia mais

Noções de Amostragem. Universidade Estadual de Santa Cruz Gustavo Fragoso

Noções de Amostragem. Universidade Estadual de Santa Cruz Gustavo Fragoso Noções de Amostragem Universidade Estadual de Santa Cruz Gustavo Fragoso Motivação Raramente se consegue obter a distribuição exata de alguma variável, ou porque isso é muito dispendioso, ou muito demorado

Leia mais

Mistura de modelos. Marcelo K. Albertini. 31 de Julho de 2014

Mistura de modelos. Marcelo K. Albertini. 31 de Julho de 2014 Mistura de modelos Marcelo K. Albertini 31 de Julho de 2014 2/11 Mistura de modelos Ideia básica Em vez de aprender somente um modelo, aprender vários e combiná-los Isso melhora acurácia Muitos métodos

Leia mais

2.4 Divisão de Áreas. Divisão por ponto:

2.4 Divisão de Áreas. Divisão por ponto: 2.4 Divisão de Áreas Divisão por ponto: Esta função cria uma nova área a partir de uma área existente (polilinha fechada), sendo a nova área menor do que área inicial. Ao selecionar a ferramenta, indique

Leia mais

NOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS

NOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS NOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS Prof. Érica Polycarpo Bibliografia: Data reduction and error analysis for the physica sciences (Philip R. Bevington and D. Keith Robinson) A practical

Leia mais

étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA

Leia mais

HORÁRIO DE PROVAS 2º semestre 2013

HORÁRIO DE PROVAS 2º semestre 2013 1º PERÍODO 1ª Bimestrais 11/09 Cálculo Diferencial e Integral I 27/09 Física Experimental I 30/09 Física Geral I 2ª Bimestrais 23/10 Cálculo Diferencial e Integral I 25/10 Física Experimental I 31/10 Física

Leia mais

Resumo das respostas obtidas e análise do material coletado

Resumo das respostas obtidas e análise do material coletado Resumo das respostas obtidas e análise do material coletado Figura 1. Distribuição de respostas entre as categorias professors e alunos e profissionais Grupo de Professores Figura 2. Distribuição de atuação

Leia mais

Conclusões e Trabalhos Futuros

Conclusões e Trabalhos Futuros 79 8 Conclusões e Trabalhos Futuros O presente trabalho teve o propósito de desenvolver um algoritmo para segmentação e quantificação de tecidos internos em imagens de úlceras de perna. O trabalho fará

Leia mais

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aulas 5 e 6 03/2014 Erros Aritmética no Computador A aritmética executada por uma calculadora ou computador é diferente daquela

Leia mais

Princípios de Modelagem Matemática Aula 08

Princípios de Modelagem Matemática Aula 08 Princípios de Modelagem Matemática Aula 08 Prof. José Geraldo DFM CEFET/MG 06 de maio de 2014 1 A validação de um modelo matemático não se resume apenas em verificar suas predições com o comportamento

Leia mais

Uma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law

Uma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não

Leia mais

Técnicas Básicas de Compressão de Vídeo

Técnicas Básicas de Compressão de Vídeo Aula 11 Técnicas Básicas de Compressão de Vídeo Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação Introdução

Leia mais

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 4 Tipos de Agentes Inteligentes Racionais e Ambientes

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 4 Tipos de Agentes Inteligentes Racionais e Ambientes Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 4 Tipos de Agentes Inteligentes Racionais e Ambientes 1 Um programa de IA pode ser visto como um Agente Racional Plano da aula Ambientes e arquiteturas

Leia mais

Aprendizado Bayesiano Anteriormente...

Aprendizado Bayesiano Anteriormente... Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas

Leia mais

EnsinoTécnicoIntegrado ao Médio.

EnsinoTécnicoIntegrado ao Médio. PLANO DE TRABALHO DOCENTE 1º Semestre/2015 EnsinoTécnicoIntegrado ao Médio. Código: 262 ETEC ANHANQUERA Município: Santana de Parnaíba Componente Curricular: Operação de Software e Aplicativos Série: 1

Leia mais

supor

supor MANUAL DE TESTE A/B Este manual é de uso exclusivo de clientes, parceiros, fornecedores e colaboradores da Dinamize. No caso de dúvidas, entre em contato através do e-mail suporte@dinamize.com. CONHEÇA

Leia mais

[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações

[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações [2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de

Leia mais

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Capítulo 3 Introdução à Probabilidade e à Inferência Estatística INTERVALOS DE CONFIANÇA: Diferentes pesquisadores, selecionando amostras de uma mesma

Leia mais

Noções de Amostragem

Noções de Amostragem Noções de Amostragem AMOSTRAGEM Amostragem: é a área da estatística que estuda técnicas e procedimentos para retirar e analisar uma amostra com o objetivo de fazer inferência a respeito da população de

Leia mais

Introdução à Ciência da Computação

Introdução à Ciência da Computação 1 Universidade Federal Fluminense Campus de Rio das Ostras Curso de Ciência da Computação Introdução à Ciência da Computação Professor: Leandro Soares de Sousa e-mail: leandro.uff.puro@gmail.com site:

Leia mais

Aprendizado de Máquina

Aprendizado de Máquina Aprendizado de Máquina Introdução ao WEKA Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR) Aprendizado de

Leia mais

Redes Neurais Artificiais. Everton Gago

Redes Neurais Artificiais. Everton Gago Redes Neurais Artificiais Everton Gago Como vai ser? O que é RNA? Conglomerado de neurônios!?!? Neurônio: Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3

Leia mais

GFM015 Introdução à Computação. Algoritmos. Ilmério Reis da Silva UFU/FACOM

GFM015 Introdução à Computação. Algoritmos. Ilmério Reis da Silva  UFU/FACOM GFM015 Introdução à Computação Algoritmos Ilmério Reis da Silva ilmerio@facom.ufu.br www.facom.ufu.br/~ilmerio/ic UFU/FACOM Programa 1. Noções básicas sobre os componentes de micro computadores 2.Uso de

Leia mais

Introdução. Mundo: Aumento populacional (77 milhões de pessoas por ano) 2050: 9 bilhões de pessoas. Brasil: recursos hídricos em abundância (!?

Introdução. Mundo: Aumento populacional (77 milhões de pessoas por ano) 2050: 9 bilhões de pessoas. Brasil: recursos hídricos em abundância (!? INFLUÊNCIA DA PRECIPITAÇÃO PLUVIOMÉTRICA, ÁREA DE CAPTAÇÃO, NÚMERO DE MORADORES E DEMANDAS DE ÁGUA POTÁVEL E PLUVIAL NO DIMENSIONAMENTO DE RESERVATÓRIOS PARA FINS DE APROVEITAMENTO DE ÁGUA PLUVIAL EM RESIDÊNCIAS

Leia mais

Redes de Computadores

Redes de Computadores Redes de Computadores Aula 2 Introdução à Segurança de Redes Conceitos de Criptografia Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação 1º Semestre / 2015 http://moodle.lives.net.br

Leia mais

4 O Modelo Termodinâmico da Turbina a Gás

4 O Modelo Termodinâmico da Turbina a Gás 4 O Modelo Termodinâmico da Turbina a Gás 4.1. Introdução Com o intuito de realizar o diagnóstico de falhas em turbinas a gás, são necessários muitos dados para a análise de falha dos componentes. O diagnóstico

Leia mais

6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA TEORIA: 60 LABORATÓRIO: 30

6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA TEORIA: 60 LABORATÓRIO: 30 Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC5001 - SISTEMAS MULTIAGENTES

Leia mais

INTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO. Lamartine N. F. Guimarães.

INTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO. Lamartine N. F. Guimarães. INTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO Lamartine N. F. Guimarães. Roteiro Inteligência Computacional: Problemas. Os BEOWULFS do IEAv. Possibilidades de Paralelismo. Redes neurais:

Leia mais

Inteligência Artificial. Conceitos Gerais

Inteligência Artificial. Conceitos Gerais Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.

Leia mais

RESULTADOS OBTIDOS CAPÍTULO

RESULTADOS OBTIDOS CAPÍTULO MELCONIAN, Marcos Vinícius. "Resultados Obtidos", p.103-108. In MELCONIAN, Marcos Vinicius. Modelagem numérica e computacional com similitude e elementos finitos, São Paulo: Editora Edgard Blücher, 2014.

Leia mais

Algoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto

Algoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca

Leia mais

Aula 7 - Mais problemas com inteiros

Aula 7 - Mais problemas com inteiros Aula 7 - Mais problemas com inteiros Já vimos nas aulas anteriores alguns detalhes de operações com inteiros. a) A divisão é inteira e o resultado é truncado b) Existe o operador % (resto da divisão) c)

Leia mais

Interfaces Pessoa. Avaliação III. Máquina. Cap. 9 - Avaliação

Interfaces Pessoa. Avaliação III. Máquina. Cap. 9 - Avaliação Interfaces Pessoa Máquina Avaliação III Cap. 9 - Avaliação 11 Melhor e Pior? Melhor e Pior? Resumo Aula Anterior Avaliadores 3 a 5 avaliadores (normal) Graus de Severidade 5 graus (0 a 4) Fases da Avaliação

Leia mais

Análise de Sentimentos em Notícias Utilizando Dicionário Léxico e Aprendizado de Máquina

Análise de Sentimentos em Notícias Utilizando Dicionário Léxico e Aprendizado de Máquina Análise de Sentimentos em Notícias Utilizando Dicionário Léxico e Aprendizado de Máquina Ana Carolina Bras Costa 1, Êmile Cunha Lopes 1 1 Departamento de Informática Universidade Federal do Maranhão (UFMA)

Leia mais

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 5 Resolvendo Problemas

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 5 Resolvendo Problemas Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 5 Resolvendo Problemas 1 Agente solucionador de problemas (guiado por objetivo) O agente reativo Escolhe suas ações com base apenas nas percepções

Leia mais

5 Análise Experimental

5 Análise Experimental 5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da

Leia mais

Inferência Estatística: Conceitos Básicos II

Inferência Estatística: Conceitos Básicos II Inferência Estatística: Conceitos Básicos II Distribuição Amostral e Teorema do Limite Central Análise Exploratória de dados no SPSS Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação

Leia mais

SEXO POPULAÇÃO AMOSTRA

SEXO POPULAÇÃO AMOSTRA Amostragem É o estudo de um pequeno grupo de elementos retirado de uma população que se pretende conhecer. Esses pequenos grupos retirados da população são chamados de Amostras. Como a amostragem considera

Leia mais

Algoritmos e Estruturas de Dados I. Universidade Federal de São João del-rei Pedro Mitsuo Shiroma Sala 119 Bloco 3

Algoritmos e Estruturas de Dados I. Universidade Federal de São João del-rei Pedro Mitsuo Shiroma Sala 119 Bloco 3 Algoritmos e Estruturas de Dados I Universidade Federal de São João del-rei Pedro Mitsuo Shiroma Sala 119 Bloco 3 Material do curso http://www.ufsj.edu.br/prof_shiroma Portal didatico Horário das aulas

Leia mais

MEDIDAS DE POSIÇÃO E DE DISPERSÃO. Profª Andréa H Dâmaso

MEDIDAS DE POSIÇÃO E DE DISPERSÃO. Profª Andréa H Dâmaso MEDIDAS DE POSIÇÃO E DE DISPERSÃO Profª Andréa H Dâmaso Bioestatística e Delineamento Experimental - 2012 Tópicos da aula Medidas de tendência central e dispersão Variáveis contínuas: distribuição normal

Leia mais

Portal da OBMEP. Material Teórico - Módulo de Divisibilidade. MDC e MMC - Parte 1. Sexto Ano

Portal da OBMEP. Material Teórico - Módulo de Divisibilidade. MDC e MMC - Parte 1. Sexto Ano Material Teórico - Módulo de Divisibilidade MDC e MMC - Parte 1 Sexto Ano Autor: Prof. Angelo Papa Neto Revisor: Prof. Antonio Caminha M. Neto 1 Máximo divisor comum Nesta aula, estudaremos métodos para

Leia mais

Aula 8 A coleta de dados na Pesquisa Social

Aula 8 A coleta de dados na Pesquisa Social Aula 8 A coleta de dados na Pesquisa Social População População- totalidade dos elementos sob estudo. Apresentam uma ou mais características em comum. Universo ou população: é o conjunto de indivíduos

Leia mais

Técnicas de Amostragem. É o estudo de um pequeno grupo de elementos retirado de uma população que se pretende conhecer.

Técnicas de Amostragem. É o estudo de um pequeno grupo de elementos retirado de uma população que se pretende conhecer. Técnicas de Amostragem O que é? É o estudo de um pequeno grupo de elementos retirado de uma população que se pretende conhecer. Esses pequenos grupos retirados da população são chamados de Amostras. Por

Leia mais

Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra

Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação

Leia mais

Prof. Luiz A. Nascimento

Prof. Luiz A. Nascimento Prof. Luiz A. Nascimento Qual a importância da Engenharia de Software? O desenvolvimento de um software envolve processos muitos complexos. A engenharia de software estabelece um modelo para se construir

Leia mais

Tamanho da Amostra Parâmetros de interesse:

Tamanho da Amostra Parâmetros de interesse: Tamanho da Amostra Para calcular o tamanho de amostra da PNS necessário para a estimação de parâmetros de interesse em níveis diferentes de desagregação geográfica, deverão ser considerados os seguintes

Leia mais

PLANO DE ENSINO. Componente Curricular: Cálculo Numérico Turma: EMC /2

PLANO DE ENSINO. Componente Curricular: Cálculo Numérico Turma: EMC /2 PLANO DE ENSINO Componente Curricular: Cálculo Numérico Turma: EC - 2013/2 Carga Horária: 60 horas semestrais Créditos: 4 Professores: arcus Vinicius achado Carneiro Ricardo Antonello Período: 2015/1 EENTA:

Leia mais

Administração Central Unidade de Ensino Médio e Técnico - CETEC. Ensino Técnico

Administração Central Unidade de Ensino Médio e Técnico - CETEC. Ensino Técnico Plano de Trabalho Docente 2013 Ensino Técnico ETEC PROF. MASSUYUKI KAWANO Código: 136 Município: TUPÃ Eixo Tecnológico: GESTÃO E NEGOCIOS Habilitação Profissional: TÉCNICA DE NÍVEL MÉDIO DE TÉCNICO EM

Leia mais

Redes Neuronais e Aprendizagem Automática 1

Redes Neuronais e Aprendizagem Automática 1 Redes Neuronais e Aprendizagem Automática 2005/2006 9 a aula Fernando.Silva@ist.utl.pt Instituto Superior Técnico Redes Neuronais e Aprendizagem Automática 1 Sumário Aprendizagem e generalização Redes

Leia mais

Avaliando o que foi Aprendido

Avaliando o que foi Aprendido Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função

Leia mais

QUÍMICA ANALÍTICA V 2S Prof. Rafael Sousa. Notas de aula:

QUÍMICA ANALÍTICA V 2S Prof. Rafael Sousa. Notas de aula: QUÍMICA ANALÍTICA V 2S 2011 Aulas 1 e 2 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf/baccan Algarismos significativos

Leia mais