Sistema de Análise de Ativos Através de Redes Neurais de Múltiplas Camadas
|
|
- Vinícius Martins Fonseca
- 8 Há anos
- Visualizações:
Transcrição
1 Sistema de Análise de Ativos Através de Redes Neurais de Múltiplas Camadas André Pacheco Miranda 1, Rodrigo Antoniazzi 1, Marco Antonio Barbosa 1 1 Ciência da Computação Universidade de Cruz Alta (UNICRUZ) Campus Universitário Cruz Alta RS Brazil andmirandapippi@gmail.com,rodrigoantoniazzi@yahoo.com.br, mabarbosa@unicruz.edu.br Abstract. When investors decide to adventure through stock markets they look up for a method to provide safety on making decision. In fact, there is no precise way to know which stocks will became a profitable investment. Technical analysis is a discipline that supports the investors on making decisions. Such a discipline uses a set of tools and statistical methods to forecast the movement of the markets. Such a paper presents the development of a robotic Trade System, using a heuristic method. The system has a Neural Network multilayer perceptron, trained with an algorithm for back propagation error. Thus, approaching to the technical analysis without emotional aspects, using the Neural Network forecast on supporting the decisions of a investor on stock market. Resumo. Quando investidores decidem-se aventurar pelo mercado de renda variável, como no mercado de ações, buscam um método de ter mais segurança na tomada de decisão. Na prática, não há como saber quais ativos tornar-se-ão um investimento lucrativo. No mercado acionário a Análise Técnica procura auxiliar o investidor na tomada de decisão, para isso utilizam-se ferramentas e métodos estatísticos para tentar antever os movimentos do mercado. Este artigo apresenta o desenvolvimento de um trade system robótico, utilizando um método heurístico. O sistema conta com uma rede neural multilayer perceptron treinada com o algoritmo de retro propagação de erro, aproximando-se da análise técnica sem o fator emoção. 1. Introdução O uso de métodos e modelos matemáticos como forma de antever as possíveis movimentações do mercado financeiro não é uma prática nova. Nas últimas décadas esta foi uma área de grande interesse para a comunidade de Inteligência Artificial (Kimoto, 1990; Steiner, 1995; Lawrence, 1997). Sistemas para a predição do mercado acionário vão desde as mais simples estatísticas, presentes em análises técnicas (Robert, 2007), lógica fuzzy, algoritmos genéticos (Lawrence, 1997), modelos de Markov (Hassan, 2005), dentre outros (Lawrence, 1997). Entretanto, o modelo matemático mais utilizado neste tipo de aplicação são as Redes Neurais, como pode ser visto em (Lawrence, 1997; Kim, 2004; Hassan, 2005; Phua 2000; Smith & Gupta, 2000), apenas para citar alguns exemplos. O comportamento não linear, aleatório e altamente complexo do mercado acionário configura as redes neurais como um dos modelos matemáticos mais adequados para a sua
2 modelagem. As redes neurais são utilizadas para previsão dos preços no mercado acionário em função do mapeamento não linear entre as entradas e as saídas da rede. Existe uma grande variedade de aplicações de redes neurais para previsão do mercado financeiro. Algumas redes utilizam como informações de entrada resultados da análise fundamentalista, outras baseiam-se apenas em informações básicas como cotação da ação e o volume das negociações, outras, ainda, utilizam informações extraídas da análise técnica (Lawrence, 1997). O presente artigo descreve um sistema que utiliza algumas informações da análise técnica como fonte de alimentação da rede neural. As saídas da rede sugerem ao usuário pontos de compra, venda ou manutenção de um ativo em carteira, ou seja, foi desenvolvido um trade system robótico, que tome suas próprias decisões com base no treinamento de um determinado ativo. O sistema desenvolvido utiliza a rede neural perceptron de múltiplas camadas (MLP), treinada com o algoritmo de retro propagação de erro, aproximando-se dos resultados da análise técnica com objetivo de antever com mais rapidez o movimento do mercado com relação à análise técnica tradicional. Este artigo está estruturado da seguinte forma. Na Seção 2 são descritas técnicas de análise financeira. A Seção 3 faz uma breve descrição sobre redes neurais. Na Seção 4 é apresentado o sistema proposto. Na Seção 5 são apresentados alguns resultados. Por fim, na Seção 6, algumas conclusões são consideradas. 2. Técnicas de Análise Financeira Existem várias formas técnicas para se avaliar se o preço de uma ação subvalorizado ou sobrevalorizado, se vai cair ou subir. Entretanto duas técnicas destacam-se neste sentido: a análise fundamentalista e a análise técnica. Embora ambas tenham por objetivo identificar a direção do preço de uma ação, elas diferem na sua forma de avaliação Análise Fundamentalista A premissa básica da análise fundamentalista é a de que o valor justo para uma empresa (e, por conseqüência, para suas ações) está relacionado à sua capacidade de gerar lucros futuros. Para avaliar a possível direção no preço da ação a análise fundamentalista leva em considerações informações obtida junto às empresas, partindo do entendimento do contexto macroeconômico e do panorama setorial nos quais a companhia se insere (microeconômico). A análise fundamentalista é um tipo de análise indicada para analistas altamente especializados (Graham, 1990) Análise Técnica A Análise Técnica ou Análise Gráfica utiliza-se do comportamento das ações no passado para avaliar as possibilidades de flutuações futuras. A análise técnica consiste em utilizar gráficos multiformes, conjugados a fórmulas matemáticas e estatísticas que envolvem uma série de figuras ou formações que identificam tendências. Alguns exemplos de técnicas de análise são: linhas de suporte e resistência; indicadores de tendências, médias móveis, osciladores dentre outros. Para uma visão mais completa do tema sugere-se como leitura a referência (Robert, 2007; Noronha, 2009).
3 A B Na Figura 1, pode-se observar um gráfico onde foram utilizadas algumas das técnicas descritas anteriormente, como médias móveis, para encontrar um ponto de compra e um ponto de venda. Foram identificados dois pontos. No ponto A, no dia 04/11/2008, quando a Média Móvel Aritmética inferior sobrepôs as duas médias superiores, identificou-se um ponto de compra. No ponto B, dia 23/12/2008, a média aritmética superior cruza as outras duas médias inferiores, caracterizando um ponto de venda. 3. Redes Neurais Artificiais Figura 1: Exemplo de Analise Técnica. Fonte: Banifinvest, As Redes Neurais Artificiais foram inspiradas na estrutura do cérebro humano com o objetivo de apresentar características humanas necessárias ao tratamento de problemas de difícil modelagem por técnicas computacionais tradicionais (Haykin, 2001). Uma rede neural artificial é um modelo formal para representar o neurônio biológico (Judd, 1990). A seguir são descritos alguns dos principais componentes de uma rede neural artificial presentes em (Ludwing Jr. & Montgomery, 2007). O neurônio matemático, similarmente ao natural, recebe um ou mais sinais de entrada e devolve um único sinal de saída, que pode ser distribuído como sinal de saída da rede, ou como sinal de entrada para um ou vários outros neurônios da camada posterior. No neurônio matemático as sinapses fazem a parte dos dendritos no neurônio biológico. O papel dos axônios é desempenhado no modelo matemático pelos bias. O corpo do neurônio biológico, onde são processados os estímulos, é responsabilidade da função de transferência e de ativação em um neurônio. A função de ativação faz a soma ponderada dos sinais de entrada e a função de transferência determina a saída do neurônio, em função da soma ponderada. Somente a função de ativação não fará o papel do corpo do neurônio. Para isso é necessária a combinação com a fórmula de transferência. A Perceptron, proposto por Rosenblatt, foi a primeira máquina de aprendizado com possibilidade de treinamento supervisionado. Perceptron é uma rede que pode ser apresentada apenas com uma camada de neurônios ou com múltiplas camadas (Multi-Layer Perceptron MLP). As redes neurais artificiais perceptron de múltiplas camadas são redes extremamente precisas em suas respostas. Estas redes estendem a rede neural original com o acréscimo de camadas ocultas que significam mais poder computacional para as redes neurais Retropropagação do Erro com Aprendizagem Supervisionada Há vários algoritmos que produzem o aprendizado para as redes neurais artificiais. Um destes é o algoritmo de retro propagação de erro. O algoritmo funciona com um vetor de valores de entrada que inicia na primeira camada de neurônios. Nesta camada são realizados os cálculos de ativação e de transferência para cada neurônio, repassando o resultado à entrada do neurônio na camada seguinte, prosseguindo até chegar à última camada de neurônios. Nesta camada é calculada a diferença entre a saída desejada e a saída calculada pela rede neural.
4 A utilização de técnicas supervisionadas, como o cálculo do erro do neurônio de saída e a taxa de aprendizado, prosseguem de trás para frente, do último neurônio para o primeiro, levando as redes neurais artificiais a um grande propósito, a de ajustá-las em sua precisão, isto é, se o erro não for aceitável, colocam-se novos pesos para as sinapses e bias do neurônio. Em uma rede neural de múltiplas camadas utiliza-se um valor de erro para definir uma parada aceitável. A rede neural artificial procurará aproximar-se desse valor ou até mesmo igualá-lo em alguns casos. O erro não pode ser inferior ao escolhido ou ocasionará uma parada forçada da rede e novos valores terão que serem escolhidos. Para medir o desempenho do treinamento, diminui-se o valor desejado do valor calculado do neurônio. A diferença indica o quanto a rede aprendeu. Esse procedimento chama-se treinamento por supervisão Treinamento, Validação e Verificação A confiabilidade dos resultados obtidos pela rede neural depende da utilização correta da mesma. Por exemplo, da ordem dos cálculos utilizados para o treinamento da rede e do ajuste dos bias e sinapses do neurônio. Quanto menor for o erro, mais próximo a correção das sinapses e bias estarão. Há três etapas para que a rede neural possa ser considerada validada: treinamento, validação cruzada e verificação. O treinamento/aprendizado da rede neural leva em consideração uma regra formal, a utilização de informações do supervisor da rede, que atualiza os parâmetros modificáveis da rede como os bias e as sinapses. A participação do supervisor pode ser classificada em métodos de treinamento. Quando essa participação for forte, o supervisor fornece um conjunto de entradas correlacionadas com um conjunto de saída desejada, ou seja, o supervisor apresenta os resultados almejados no vetor de saída desejada, para que se tenha a mesma correlação de entradas posteriores, aumentando o aprendizado a cada entrada do treinamento. Este método corresponde ao algoritmo de backpropagation (retro-propagação). O erro é retro propagado da saída para a entrada, fazendo com que a rede imite o supervisor procurando sempre obter um erro menor (Nascimento Jr. & Yoneyana. 2004; Schlkoff, 2001). No Treinamento os valores recebidos no neurônio, para melhor refinamento da entrada, foram normalizados com a Fórmula Linear (Valença, 2009). A Validação Cruzada é um ponto muito importante para o Treinamento com ela pode-se ter uma certeza de parada, ou seja, é uma forma de descobrir se a Rede Neural não esta super treinada para a entrada correspondente, e assim saber exatamente quando a Rede Neural esta precisamente Treinada, para isso utiliza-se o Erro Médio Quadrado (Ludwing Jr. & Montgomery, 2007; Schalkoff, 2001), Erro Médio Global (Valença, 2009) e o Erro Padrão de Predição (Valença, 2009), para um valor aceitável de resultado entre 0.08 a 0.05 por ciclo no Erro Médio Global, um valor entre a por ciclo no Erro Médio Quadrático e um valor entre a por ciclo no Erro Padrão de Predição (Valença, 2009). A validação cruzada é uma etapa muito importante para o treinamento. Esta etapa dá garantias sobre a condição de parada, ou seja, é uma forma de descobrir se a rede neural não esta super treinada para a entrada correspondente, e assim saber exatamente quanto a rede neural esta precisamente treinada Topologias da Rede Neural A Topologia da Rede Neural é o número de neurônios nas camadas de entrada, camadas escondidas e camada de saída. A topologia que se enquadra melhor ao problema, somente é verificada no treinamento, com o método de tentativa e erro.
5 4. Sistema de Apoio a Decisão A rede neural presente no sistema foi desenvolvida na linguagem Java. O sistema utiliza uma rede neural perceptron de múltiplas camadas para suas tomadas de decisão. Desta forma, o sistema assegura maior garantia de sua saída. A rede aprende com o comportamento passado de um ativo específico e faz um prognóstico de comportamento futuro deste ativo, fortalecendo a decisão do usuário e melhorando a confiabilidade da análise. O objetivo da construção da rede neural, descrita neste trabalho, é construir um rastreador de tendências que apóie à tomada de decisões de um investidor na bolsa de valores, ou seja, auxilie a localizar o momento certo de compra e venda da ação analisada. No treinamento da rede neural foram testados trinta intervalos de saída desejada, cem taxas de aprendizado, dezenove modificações da topologia da rede neural, de dois neurônios até vinte e um neurônios na camada oculta, dez mil modificações do número de ciclos utilizado na rede neural, com o intuito de garantir que a solução encontrada seja tão generalizável quanto possível Entradas da Rede Neural As entradas da rede neural foram divididas em quatro categorias: saída desejada, treinamento, validação cruzada e verificação. O treinamento satisfez 50% das cotações obtidas de um total de 240 cotações de 01/02/2008 à 19/01/2009. A validação cruzada correspondeu a 25% do total e a verificação correspondeu aos 25% restantes. A saída desejada foi desenvolvida a partir de uma análise técnica. A escolha dos pontos de compra e venda, corresponderam a uma análise do gráfico da Figura 2, em que um ponto de compra foi caracterizado com 0 no vetor de saída desejada da rede e como 1 para ponto de venda do ativo. Os demais pontos foram dispostos com coerência gradual para o mesmo intervalo, quando possível, acompanhando a posição do zero ou do um. O treinamento da rede neural foi realizado da forma descrita a seguir. Na camada de entrada, com três neurônios, foi recebido, no primeiro neurônio, um vetor de cotações diárias do ativo analisado (NATU3, neste exemplo). O segundo neurônio recebeu o tempo correspondente das cotações. E o terceiro neurônio recebeu um vetor de 1 s para melhor obtenção de um erro mais baixo. 5. Análise dos Resultados A rede neural desenvolvida neste trabalho constituiu-se de um aprendizado supervisionado. O aprendizado ocorreu, com uma pequena margem de erro, pois o seu vetor de saída desejada constituiu-se de intervalos muito pequenos entre o primeiro valor de saída e os seguintes, fazendo com que não houvesse muita variação entre um ponto e outro. A escolha de intervalos pequenos foi importante para os resultados permanecessem progredindo e o erro diminuindo a cada iteração. Foram testados vários outros intervalos da variação dos valores de entrada na saída desejada da rede neural, porém a que obteve o menor erro foi o intervalo de A Tabela 1, a seguir, mostra essa correlação entre uma entrada do vetor de saída com a seguinte. Tabela 1: Intervalo entre a Saída Desejada Intervalo de Intervalo de Intervalo de Intervalo de Erro Médio Quadrático no Ciclo A taxa de aprendizagem por iteração foi escolhida a partir dos testes feitos na etapa do treinamento da rede neural. Neste processo ocorreu uma comparação entre os valores escolhidos com os resultados dos erros obtidos. Os critérios utilizados foram o menor erro por iteração, menor erro global, menor erro médio quadrático, e menor tempo de execução.
6 Com os testes realizados concluiu-se que a taxa de aprendizado por interação 20, teve o melhor custo benefício entre as testadas, com o menor erro médio global no ciclo 10000, menor erro por interação na posição 80 do vetor de saída do erro e com o segundo menor tempo de execução total. A posição 80 do vetor de saída do erro foi escolhida aleatoriamente. Os resultados foram predispostos na Figura 2, onde é mostrada a taxa que ocorreu menor erro médio global, menor erro médio quadrático e menor erro na interação escolhida. A rede neural conta com uma topologia 3-8-1, pois foi à melhor resposta no treinamento dentre as 13 diferentes topologias testadas, variando entre 2 a 14 neurônios na camada oculta. A melhor situação correspondeu a três neurônios na camada de entrada, oito neurônios na camada oculta e um neurônio na camada de saída. Nessa etapa também foi observado quantos ciclos seriam necessários para que a predição ocorresse em um erro médio quadrático aceitável, como mostra a Tabela 2, com os resultados mais relevantes do Erro Médio Quadrático na Saída da rede neural. Tabela 2: Tabela da Topologia da MLP Ciclo 100 Ciclo 500 Ciclo 1000 Ciclo 8000 Ciclo Figura 2: Gráfico melhor taxa de aprendizado Na Tabela 2, pode se observar que um ótimo resultado do erro médio quadrático foi obtido no ciclo 500 com seis neurônios na camada oculta e no ciclo 100 com oito neurônios na camada oculta. São os dois menores erros entre os ciclos testados e topologias, comprovando um dos objetivos do trabalho, mapear as oscilações da BOVESPA. O valor do erro desejado por iteração foi escolhido, a partir da aproximação do erro obtido com o erro desejado, o critério utilizado foi o menor valor do erro calculado sem danificar os resultados. A seguir, na Tabela 3, os resultados dessa comparação. Tabela 3: Erro Desejado Erro Desejado 0.70 Erro Desejado 0.50 Erro Desejado 0.30 Erro Desejado 0.09 Erro Médio Quadrático Erro Médio Global Erro Padrão de Predição Concluiu-se que o valor do erro desejado 0.50, teve o melhor custo benefício entre os valores comparados, com a melhor aproximação do erro desejado e o menor erro propiciado pelo esforço da rede neural para alcançá-lo. Levando-se em consideração o treinamento, a rede neural com 100 ciclos foi considerada a mais satisfatória no conjunto do treinamento e validação. Para validar o sistema, foram comparadas duas formas de localização do tempo exato para compra ou venda de um ativo: a análise técnica e a análise do trade system desenvolvido. Os métodos utilizados para a análise técnica foram os descritos na Seção 2, para a análise feita pelo trade system foram utilizadas as técnicas de um método heurístico descrito na Seção 3, na construção o e treinamento do mesmo, na Seção 4 e Seção 5.
7 Foram realizadas duas análises do ativo NATU3, no período de tempo de 17/10/2008 até 16/01/2009, com o intuito de observar qual análise obteve a melhor predição, a análise de um investidor humano, que utiliza seus anseios para sua tomada de decisão, ou a análise de um sistema robótico, que toma suas próprias decisões no mercado acionário. Como pôde-se observar na Seção 2 foi feita uma Análise Técnica e identificado um ponto de compra do ativo escolhido, no dias 04/11/2008 por R$ 19,50 e um ponto de venda no dia 23/12/2008 por R$ 21,22. Também foi feita uma análise do mesmo ativo, no mesmo período de tempo no dia 20/10/2008 pela rede neural descrita na Seção 3, com uma análise de compra por R$17,02, não foi possível observar indícios de uma previsão ascendente, ou seja, de um ponto de compra sem a ajuda do trade system construído, podendo perceber que a análise do trade system, parecerá inviável ou insustentável pelos métodos estabelecidos na Seção 2, o trade system, também previu uma análise de venda no dia 8/12/2008 por R$23,00, que a Análise Técnica com convencional, previu no dia 23/12/2008 por R$21,22 sendo 15 dias depois que a análise do Trade System previu como mostra a Figura 3, a seguir. Figura 3: Comparação dos Pontos de Venda e de Compra Fonte: Banifinvest, Na Figura 3, após o ciclo de compra e venda, concluído pôde-se observar que a análise do trade system obteve melhores resultados, pois nela consegue se observar que pontos de compra e venda não podem ser identificados na Análise Técnica estabelecida no período analisado com base nos conceitos da subseção 2. Cabe-se destacar que o desempenho apresentado na Análise Técnica não causará prejuízo, porém foi menos lucrativo que o desempenho do trade system. 6. Considerações Finais Este trabalho obteve resultados positivos na predição de oscilações da ação analisada, à medida que os gráficos construídos foram sendo analisados na fase de treinamento e demais etapas, pôde-se examinar que o treinamento foi aprimorando-se cada vez mais, até se obter um resultado altamente satisfatório de 0, Porém, na validação do mesmo, uma nova rede, que obtivera resultados muito parecidos no treinamento, superou-a e foi a rede utilizada na versão final do sistema. Com os resultados obtidos desta nova rede pôde ser construído um sistema de apoio à decisão, para apoiar investidores na escolha dos pontos de compra e venda de ativos no mercado acionário. Vários testes foram realizados com o sistema. Um destes testes foi com o ativo NATU3. O uso deste sistema com foco neste ativo fez com que as operações lucrativas sobrepuseram às operações com prejuízo no médio e longo prazo em mais de 90%. Houve, uma análise e uma compra do ativo NATU3 no dia 20/10/2008 por R$17,02 e venda no dia 8/12/2008 por R$23,00 tendo um ganho de R$ 5,98 por ação sendo superior à compra feita com base na análise técnica tradicional em 42,6%. Na analise técnica tradicional observa-se claramente que os sinais de compra e venda, tornam-se visíveis muito depois dos sinais dados pelo sistema apresentado neste artigo. Como trabalho futuro, espera-se desenvolver um sistema, que posso trazer resultados nas operações de compra e venda não só de um ativo, mas sim de grade parte dos ativos da bolsa de valores de São Paulo (BOVESPA), comparado com a análise técnica convencional respectiva.
8 Referências Banifinvest. BI Desktop Streamer 5. São Paulo Sistema para Analise Técnica, Disponível em ( Acesso em: 10 Dez Graham Benjamin and Dodd David. Security Analysis. McGraw-Hill Haykin, S. Redes Neurais: Princípios e Prática, 3ª Edição, São Paulo. Bookman Hassan, Md. Rafiul Hassan and Nath Baikunth. Stock Market Forecasting Using Hidden Markov Model: A New Approach. Proceedings of the th International Conference on Intelligent Systems Design and Applications (ISDA 05). IEEE Computer Society Lawrence R, Forecasting stock prices using neural networks, Department of Computer Science, University of Manitobo, December Ludwing Jr., Oswaldo e Montgomery, Eduard. Redes Neurais: Fundamentos e Aplicações com Programa em C. Rio de Janeiro: Ciência Moderna, Judd J. S, Neural Network design and Complexity of Learning. MIT Press, USA, Kim, Kyoung-jae & Lee, Won Boo. Stock market prediction using artificial neural networks with optimal feature transformation. Neural Computing & Applications. Springer-Verlag, 13: , Kimoto. T, K. Asakawa, M. Yoda, and M. Takeoka. Stock market prediction system with modular neural networks. In Proceedings of the International Joint Conference on Neural Networks, volume 1, pages 1 6, Nascimento Jr., L Cairo; Yoneyana, Takashy. Inteligência Artificial em Controle de Automação. São Paulo: FAPESP, Noronha, Marcio. Analise Técnica: Teorias Ferramentas Estratégias. 7ª Edição. Rio de Janeiro, EDITEC, Phua, P.K.H. Ming, D., Lin, W. Neural Network With Genetic Algorithms For Stocks Prediction, Fifth Conference of the Association of Asian-Pacific Operations Research Societies, 5th - 7th July, Singapore, Robert D. Edwards, John Magee, W.H.C. Bassetti (Editor). Technical Analysis of Stock Trends. American Management Association, Schalkoff, R. J. Artificial neural networks. SAGE Publication - Progress in Physical Geography, New York: McGraw-Hill, Smith, K. A.; Gupta, J. N. D. Neural networks in business: techniques and applications for the operations researcher. Volume 27, Oxford: Computers & Operations Research, Elsevier, Steiner Manfred and Wittkemper Hans-Georg. Neural networks as an alternative stock market model. In Neural Networks in the Capital Markets, chapter 9, pages John Wiley and Sons, Valença, Mêuser; Fundamento das Redes Neurais: Exemplos em Java. 2ª Edição. Olinda: Livro Rápido Elógica, 2009.
Revista de Administração da Universidade Federal de Santa Maria E-ISSN: 1983-4659 rea@smail.ufsm.br Universidade Federal de Santa Maria Brasil
Revista de Administração da Universidade Federal de Santa Maria E-ISSN: 1983-4659 rea@smail.ufsm.br Universidade Federal de Santa Maria Brasil Pacheco Miranda, André; Antoniazzi, Rodrigo Luiz; Dias Lopes,
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia 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 maisPrevisão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais
Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisPrevisão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais
Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José
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 maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
Leia maisDESENVOLVIMENTO DE INTERFACE WEB MULTIUSUÁRIO PARA SISTEMA DE GERAÇÃO AUTOMÁTICA DE QUADROS DE HORÁRIOS ESCOLARES. Trabalho de Graduação
DESENVOLVIMENTO DE INTERFACE WEB MULTIUSUÁRIO PARA SISTEMA DE GERAÇÃO AUTOMÁTICA DE QUADROS DE HORÁRIOS ESCOLARES Trabalho de Graduação Orientando: Vinicius Stein Dani vsdani@inf.ufsm.br Orientadora: Giliane
Leia mais4 Estratégias para Implementação de Agentes
Estratégias para Implementação de Agentes 40 4 Estratégias para Implementação de Agentes As principais dúvidas do investidor humano nos dias de hoje são: quando comprar ações, quando vendê-las, quanto
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisUma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro
Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,
Leia maisFUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO
FUNDAÇÃO DE APOIO AO ENINO TÉCNICO DO ETADO DO RIO DE JANEIRO PLANO DE CURO 1. Identificação Curso de Extensão: INTRODUÇÃO AO ITEMA INTELIGENTE Professor Regente: José Carlos Tavares da ilva Carga Horária:
Leia maisINF 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 maisGRUPO 12. Celso André Locatelli de Almeida Gabriell Orisaka Jorge Domingos Pizollato Filho José Lucas do Nascimento Santos
GRUPO 12 Celso André Locatelli de Almeida Gabriell Orisaka Jorge Domingos Pizollato Filho José Lucas do Nascimento Santos Nostrademus VENDA COMPRA O mercado de ações se caracteriza por possuir diversas
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
Leia 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 maisANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS
Universidade Federal de Pernambuco Centro de Informática Graduação em Ciência da Computação ANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS PROPOSTA DE TRABALHO DE
Leia maisAutomatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial
Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial André Ricardo Gonçalves; Maria Angélica de Oliveira Camargo Brunetto Laboratório Protem Departamento
Leia maisEstudo comparativo entre dois tradicionais algoritmos de roteamento: vetor distância e estado de enlace.
Estudo comparativo entre dois tradicionais algoritmos de roteamento: vetor distância e estado de enlace. Ederson Luis Posselt 1, Geovane Griesang 1 1 Instituto de Informática Universidade de Santa Cruz
Leia maisPESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *
PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária
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 maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia maisMASSACHUSETTS INSTITUTE OF TECHNOLOGY Sloan School of Management
MASSACHUSETTS INSTITUTE OF TECHNOLOGY Sloan School of Management 15.565 INTEGRAÇÃO DE SISTEMAS DE INFORMAÇÃO: FATORES TECNOLÓGICOS, ESTRATÉGICOS E ORGANIZACIONAIS Panorama Funcional CP0 -- INTRODUÇÃO AO
Leia maisRedes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005
Redes Neurais Artificiais na Engenharia Nuclear 1 - Apresentação do Professor: dados, lista de E-mail s, etc. - Apresentação da Turma: Estatística sobre origem dos alunos para adaptação do curso - Apresentação
Leia maisAnálises: Análise Fundamentalista Análise Técnica
Análises: Análise Fundamentalista Análise Técnica Análise Fundamentalista Origem remonta do final do século XIX e princípio do século XX, quando as corretoras de bolsa tinham seus departamentos de análise
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisAula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
Leia maisAspectos Sociais de Informática. Simulação Industrial - SIND
Aspectos Sociais de Informática Simulação Industrial - SIND Jogos de Empresas Utilizada com sucesso para o treinamento e desenvolvimento gerencial Capacita estudantes e profissionais de competência intelectual
Leia maisClassificação: Determinístico
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos
Leia maisAVALIAÇÃO DE INTERFACES UTILIZANDO O MÉTODO DE AVALIAÇÃO HEURÍSTICA E SUA IMPORTÂNCIA PARA AUDITORIA DE SISTEMAS DE INFORMAÇÕES
AVALIAÇÃO DE INTERFACES UTILIZANDO O MÉTODO DE AVALIAÇÃO HEURÍSTICA E SUA IMPORTÂNCIA PARA AUDITORIA DE SISTEMAS DE INFORMAÇÕES Rafael Milani do Nascimento, Claudete Werner Universidade Paranaense (Unipar)
Leia maisIN0997 - Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa
Leia maisAnálise de Tendências de Mercado por Redes Neurais Artificiais
Análise de Tendências de Mercado por Redes Neurais Artificiais Carlos E. Thomaz 1 e Marley M.B.R. Vellasco 2 1 Departamento de Engenharia Elétrica (IAAA), FEI, São Paulo, Brasil 2 Departamento de Engenharia
Leia maiswww.contratofuturo.com
www.contratofuturo.com www.contratofuturo.com O que é o Índice Futuro Para falar de índice futuro, primeiro precisamos falar do ÍNDICE no presente, que é o Ibovespa. O famoso índice que serve para medir
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisFeature-Driven Development
FDD Feature-Driven Development Descrição dos Processos Requisitos Concepção e Planejamento Mais forma que conteúdo Desenvolver um Modelo Abrangente Construir a Lista de Features Planejar por
Leia maisAnálise e visualização de dados utilizando redes neurais artificiais auto-organizáveis
Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)
Leia maisPós-Graduação em Engenharia Elétrica Inteligência Artificial
Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms
Leia maisTécnicas de Caixa Preta de Teste de Software
Técnicas de Caixa Preta de Teste de Software Na maioria de projetos de teste, o tempo para a realização dos mesmos sempre é curto e os números de testes a serem realizados nas aplicações são inúmeros.
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisEste capítulo é divido em duas seções, a primeira seção descreve a base de
30 3. Metodologia Este capítulo é divido em duas seções, a primeira seção descreve a base de dados utilizada, identificando a origem das fontes de informação, apresentando de forma detalhada as informações
Leia maisCOM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES
DESENVOLVIMENTO DE UM SISTEMA PARA SIMULAÇÃO DE PREVISÃO DE PREÇO DE AÇÕES NA BOVESPA UTILIZANDO DATA MINING COM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES Davi da Silva Nogueira Orientador: Prof. Oscar Dalfovo,
Leia maisPanorama da Avaliação. de Projetos Sociais de ONGs no Brasil
Panorama da Avaliação de Projetos Sociais de ONGs no Brasil Realização Parceria Iniciativa Este documento foi elaborado para as organizações que colaboraram com a pesquisa realizada pelo Instituto Fonte,
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisTecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler
Tecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler Introdução Objetivos da Gestão dos Custos Processos da Gerência de Custos Planejamento dos recursos Estimativa dos
Leia maisINSTITUTO DE TECNOLOGIA FACULDADE DE ENGENHARIA DA COMPUTAÇÃO SITEC2010 - Semana do Instituto de Tecnologia Aluno: Edson Adriano Maravalho Avelar Orientador: Prof. Dr. Kelvin Lopes Dias 1 Motivação Aumento
Leia maisGestão do Conhecimento A Chave para o Sucesso Empresarial. José Renato Sátiro Santiago Jr.
A Chave para o Sucesso Empresarial José Renato Sátiro Santiago Jr. Capítulo 1 O Novo Cenário Corporativo O cenário organizacional, sem dúvida alguma, sofreu muitas alterações nos últimos anos. Estas mudanças
Leia maisProf. Cleber Oliveira Gestão Financeira
Aula 2 Gestão de Fluxo de Caixa Introdução Ao estudarmos este capítulo, teremos que nos transportar aos conceitos de contabilidade geral sobre as principais contas contábeis, tais como: contas do ativo
Leia maisMS 777 Projeto Supervisionado Professor: Laércio Luis Vendite Ieda Maria Antunes dos Santos RA: 033337
1 Análise de Investimentos MS 777 Projeto Supervisionado Professor: Laércio Luis Vendite Ieda Maria Antunes dos Santos RA: 033337 2 Sumário 1- Juros------------------------------------------------------------------------------------------------------
Leia maisAvaliando 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 maisIntrodução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3
Introdução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3 A LEGO Education tem o prazer de trazer até você a edição para tablet do Software LEGO MINDSTORMS Education EV3 - um jeito divertido
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 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 maisCurso CPA-10 Certificação ANBID Módulo 4 - Princípios de Investimento
Pág: 1/18 Curso CPA-10 Certificação ANBID Módulo 4 - Princípios de Investimento Pág: 2/18 Módulo 4 - Princípios de Investimento Neste módulo são apresentados os principais fatores para a análise de investimentos,
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisPalestrante: Nome Cargo. Indicadores Ferramenta Essencial da Gestão. Palestrante: Pedro Rachid Analista de TIC
Palestrante: Nome Cargo Indicadores Ferramenta Essencial da Gestão Palestrante: Pedro Rachid Analista de TIC Indicadores 1. Indicadores são intuitivos? 2. Criando um Indicador 3. Desafios e Recompensas
Leia mais4o ENCONTRO DE USUÁRIOS DE BI
4o ENCONTRO DE USUÁRIOS DE BI Contextualizando Para o quarto Encontro de Usuários de Bi o tema escolhido foi sobre os mo8vos que levam projetos de BI a serem tão longos e o que poderia ser feito para torná-
Leia maisERP Enterprise Resource Planning
ERP Enterprise Resource Planning Sistemas Integrados de Gestão Evolução dos SI s CRM OPERACIONAL TÁTICO OPERACIONAL ESTRATÉGICO TÁTICO ESTRATÉGICO OPERACIONAL TÁTICO ESTRATÉGICO SIT SIG SAE SAD ES EIS
Leia mais5º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS
5º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS TÍTULO DO TRABALHO: REDES NEURAIS APLICADAS EM INDÚSTRIAS PETROQUÍMICAS DE FABRICAÇÃO DE FIBRAS DE POLIÉSTER. AUTORES: Lívia Maciel
Leia maisIntrodução 12. 1 Introdução
Introdução 12 1 Introdução O crescente avanço no acesso à informação, principalmente através da rede mundial de computadores, aumentou o ritmo de mudanças, impondo uma diminuição no tempo necessário para
Leia maisANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD
ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos
Leia maisMatemática Financeira II
Módulo 3 Unidade 28 Matemática Financeira II Para início de conversa... Notícias como essas são encontradas em jornais com bastante frequência atualmente. Essas situações de aumentos e outras como financiamentos
Leia maisAdmistração de Redes de Computadores (ARC)
Admistração de Redes de Computadores (ARC) Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina - Campus São José Prof. Glauco Cardozo glauco.cardozo@ifsc.edu.br RAID é a sigla para Redundant
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 maisCAPÍTULO 7 - ÁRVORES DE DECISÃO
CAPÍTULO 7 - ÁRVORES DE DECISÃO 1. CONSIDERAÇÕES INICIAIS A árvore de decisão é uma maneira gráfica de visualizar as consequências de decisões atuais e futuras bem como os eventos aleatórios relacionados.
Leia maisREDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL
REDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL Luiz Rodrigo Carvalho de Souza (1) RESUMO O alto nível de competitividade exige que as empresas alcancem um nível de excelência na gestão de seus
Leia maisPROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS
Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br
Leia maisLEONARDO NASCIMENTO FERREIRA UM TRADING SYSTEM AUTÔNOMO BASEADO EM REDES NEURAIS ARTIFICIAIS
LEONARDO NASCIMENTO FERREIRA UM TRADING SYSTEM AUTÔNOMO BASEADO EM REDES NEURAIS ARTIFICIAIS Monografia de Graduação apresentada ao Departamento de Ciência da Computação da Universidade Federal de Lavras
Leia maisLeonardo Cavalcante Daniel Santos Costa
Leonardo Cavalcante Daniel Santos Costa Novatec capítulo 1 INTRODUÇÃO Provavelmente você, leitor, perderá dinheiro com o mercado financeiro. Isso mesmo. Repito: provavelmente perderá dinheiro com o mercado
Leia maisIniciando. Bolsa de Valores. O que é uma ação?
O que é uma ação? Por definição é uma fração de uma empresa. Por isso, quem detém ações de uma companhia é dono de uma parte dela, ou melhor, é um dos seus sócios e por conseguinte passa a ganhar dinheiro
Leia maisTRAJECTA NEURO LABS G5
Trajecta :: Robôs Investidores TRAJECTA NEURO LABS G5 Guia Rápido de configuração e operação 22/05/2015 Autor: Rogério Figurelli CEO Trajecta Sumário 1) Neuro Labs a Versão Labs do Neuro Robô... 3 2) Módulos
Leia maisManual SAGe Versão 1.2 (a partir da versão 12.08.01)
Manual SAGe Versão 1.2 (a partir da versão 12.08.01) Submissão de Relatórios Científicos Sumário Introdução... 2 Elaboração do Relatório Científico... 3 Submissão do Relatório Científico... 14 Operação
Leia maisCURSO: LICENCIATURA DA MATEMÁTICA DISCIPLINA: PRÁTICA DE ENSINO 4
CAMPUS CARAGUATUBA CURSO: LICENCIATURA DA MATEMÁTICA DISCIPLINA: PRÁTICA DE ENSINO 4 PROFESSOR: ANDRESSA MATTOS SALGADO-SAMPAIO ORIENTAÇÕES PEDAGÓGICAS PARA A PRÁTICA DE ESTÁGIO SUPERVISIONADO NO CURSO
Leia maisMATRIZ SWOT VANTAGENS DE SUA UTILIZAÇÃO NO COMÉRCIO VAREJISTA
MATRIZ SWOT VANTAGENS DE SUA UTILIZAÇÃO NO COMÉRCIO VAREJISTA Daniela Vaz Munhê 1 Jenifer Oliveira Custódio Camara 1 Luana Stefani 1 Murilo Henrique de Paula 1 Claudinei Novelli 2 Cátia Roberta Guillardi
Leia maisNeurodinâmica do Mercado de Ações
Neurodinâmica do Mercado de Ações Armando Freitas da Rocha Eina Estudos em Inteligência Natural e Artificial Rua Tenente Ary Aps, 172 13207-110 Jundiaí Fone: (11) 4535-1414 Direitos Reservados: Eina The
Leia maisInteligência Computacional [2COP229]
Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da
Leia maisCapítulo 8 MONITORAMENTO E AVALIAÇÃO
Capítulo 8 MONITORAMENTO E AVALIAÇÃO 8 MONITORAMENTO E AVALIAÇÃO 8.1 Introdução O processo de monitoramento e avaliação constitui um instrumento para assegurar a interação entre o planejamento e a execução,
Leia maisREDES NEURAIS ARTIFICIAIS E MODELO DE MARKOWITZ: COMPARANDO TÉCNICAS QUE APÓIAM A TOMADA DE DECISÃO NOS INVESTIMENTOS EM AÇÕES.
REDES NEURAIS ARTIFICIAIS E MODELO DE MARKOWITZ: COMPARANDO TÉCNICAS QUE APÓIAM A TOMADA DE DECISÃO NOS INVESTIMENTOS EM AÇÕES. Paulo Henrique Kaupa (Uninove) paulo.kaupa@gmail.com Renato Jose Sassi (Uninove)
Leia maisSONHOS AÇÕES. Planejando suas conquistas passo a passo
SONHOS AÇÕES Planejando suas conquistas passo a passo Todo mundo tem um sonho, que pode ser uma viagem, a compra do primeiro imóvel, tranquilidade na aposentadoria ou garantir os estudos dos filhos, por
Leia maisAjuste dos Parâmetros de um Controlador PI em uma Coluna de Destilação Binária
Ajuste dos Parâmetros de um Controlador PI em uma Coluna de Destilação Binária Marina Roberto Martins 1*, Fernando Palú 1 (1) Universidade Estadual do Oeste do Paraná, Curso de Engenharia Química. e-mail:
Leia maisAdministração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento
Leia maisINVESTINDO COM A TENDÊNCIA STOCKS ETF S FUTURES CURRENCIES MUTUALFUNDS
Ibovtrend THE MARKET TIMING AND TRADE DECISION SYSTEM FOR EVERY MAJOR GLOBAL MARKET INVESTINDO COM A TENDÊNCIA STOCKS ETF S FUTURES CURRENCIES MUTUALFUNDS A TENDÊNCIA É SUA AMIGA O Ibovtrend se baseia
Leia maisOs sinais do Sistema de Movimento Direcional passíveis de automatização
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS Metodologia de Pesquisa Cientifica e Tecnológica I Profa. Dra. Eloize Seno Os sinais do Sistema de Movimento Direcional passíveis de automatização Rodolfo Pereira
Leia maisESTUDO DO EFEITO DAS AÇÕES DE MARKETING SOBRE O FATURAMENTO DE UMA INSTITUIÇÃO DE SAÚDE DO SUL DE MINAS GERAIS UTLIZANDO TÉCNICAS DE SÉRIES TEMPORAIS
ESTUDO DO EFEITO DAS AÇÕES DE MARKETING SOBRE O FATURAMENTO DE UMA INSTITUIÇÃO DE SAÚDE DO SUL DE MINAS GERAIS UTLIZANDO TÉCNICAS DE SÉRIES TEMPORAIS Maria de Lourdes Lima Bragion 1, Nivaldo Bragion 2,
Leia maisPROJETO NOVAS FRONTEIRAS. Descrição dos processos de gerenciamento da qualidade
PROJETO NOVAS FRONTEIRAS PLANO DE GERENCIAMENTO DA QUALIDADE QUALITY MANAGEMENT PLAN Preparado por Mara Lúcia Menezes Membro do Time Versão 3 Aprovado por Rodrigo Mendes Lemos Gerente do Projeto 15/11/2010
Leia maisOS EFEITOS DOS CUSTOS NA INDÚSTRIA
3 OS EFEITOS DOS CUSTOS NA INDÚSTRIA O Sr. Silva é proprietário de uma pequena indústria que atua no setor de confecções de roupas femininas. Já há algum tempo, o Sr. Silva vem observando a tendência de
Leia maisTranscrição Teleconferência Resultados 3T07 Trisul 14 de Novembro de 2007
Boa tarde, senhoras e senhores. Sejam bem-vindos à teleconferência dos resultados referentes ao 3T07 da. Hoje nós temos a presença do Sr. Jorge Cury Neto, Diretor Presidente, Sr. Marco Antonio Cattini
Leia mais1. Introdução. 1.1 Introdução
1. Introdução 1.1 Introdução O interesse crescente dos físicos na análise do comportamento do mercado financeiro, e em particular na análise das séries temporais econômicas deu origem a uma nova área de
Leia maisBack-Test no MetaStock
Back-Test no MetaStock Visão Geral Tela principal do System Tester O System Tester visa testar sistemas (trading systems) para determinar seu histórico de rentabilidade. Ele ajuda a responder a pergunta
Leia maisDESEMPENHO DE REDES. Fundamentos de desempenho e otimização de redes. Prof. Ulisses Cotta Cavalca <ulisses.cotta@gmail.com>
DESEMPENHO DE REDES Fundamentos de desempenho e otimização de redes Prof. Ulisses Cotta Cavalca Belo Horizonte/MG 2015 Sumário 1. Introdução 2. Gerência de redes 3. Fundamentos
Leia mais