Aprendizagem de Máquina
|
|
- Marco Bicalho Pinheiro
- 6 Há anos
- Visualizações:
Transcrição
1 Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos mas próxmos) Exemplos Resumo Racocíno Baseado em Casos (CBR) Mestrado em Informátca Aplcada Pontfíca Unversdade Católca do Paraná (PUCPR) Mestrado em Informátca Aplcada Aprendzagem de Máquna 2 Introdução Introdução O problema central de aprendzagem é nduzr funções geras a partr de exemplos de trenamento específcos. Mutos métodos de aprendzagem constroem uma descrção geral e explcta da função alvo a partr de exemplos de trenamento. Exemplo: Aprendendo a jogar damas. Os métodos de aprendzagem baseados em nstâncas smplesmente armazenam os exemplos de trenamento. A generalzação é feta somente quando uma nova nstânca deve ser classfcada. Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 4
2 Introdução: Aprendzagem Introdução: Classfcação D (exemplos de trenamento) H (conjunto de hpóteses) trenamento Árvore de Decsão Árvore h h 2 h 4 Hpóteses P(h ), P(D h ) P(h 2 ), P(D h 2 ) P(h 3 ), P(D h 3 ) Bayes x (exemplo de teste) h h 2 h 4 Hpóteses P(h ), P(D h ) P(h 2 ), P(D h 2 ) P(h 3 ), P(D h 3 ) Bayes Valor do Conceto Alvo Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 6 Introdução Introdução Comparação (dstânca) D (exemplos de trenamento) Métodos de aprendzagem baseados em nstâncas assumem que as nstâncas podem ser representadas como pontos em um espaço Eucldano. x (exemplo de teste) Valor do Conceto Alvo (exemplo de trenamento mas próxmo Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 8
3 Espaço Eucldano Espaço Eucldano x 2 Vetores de Característcas ou Atrbutos x x 2 2-dmensonal? Vetores de Característcas ou Atrbutos x x 2 x 3 x 4 4-dmensonal x 2 x... x x x 2 x 3 3-dmensonal? x x 2 x 3 x 4... x n n-dmensonal x 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 9 Mestrado em Informátca Aplcada Aprendzagem de Máquna 0 Espaço de Hpóteses Introdução Vetores de Característcas ou Atrbutos sunny hgh sunny hgh strong sunny hgh strong cool 2-dmensonal 3-dmensonal 4-dmensonal Os métodos de aprendzagem baseados em nstâncas são métodos não paramétrcos. Métodos não paramétrcos: podem ser usados com dstrbuções arbtráras e sem a suposção de que a forma das densdades são conhecdas. Mestrado em Informátca Aplcada Aprendzagem de Máquna Mestrado em Informátca Aplcada Aprendzagem de Máquna 2
4 Aprendzagem Baseada em Instâncas Aprendzagem Baseada em Instâncas A aprendzagem consste somente em armazenar os exemplos de trenamento <x,c >, <x 2,c 2 >... <x n,c n >. vetor de atrbutos ou característcas valor do conceto alvo ou classe Após a aprendzagem, para encontrar o valor do conceto alvo assocado a uma nstânca de testes <x t,? >, um conjunto de nstâncas smlares são buscadas na memóra e utlzadas para classfcar a nova nstânca. Exemplos de Trenamento <atrbutos,conceto alvo> <x,c > <x 2,c 2 > <x 3,c 3 >... <x n,c n > Quão smlar são x e x t? d t = dstânca Eucldana Quão smlar são x 2 e x t? d 2t = dstânca Eucldana Quão smlar são x 3 e x t? d 3t = dstânca Eucldana Quão smlar são x n e x t? d nt = dstânca Eucldana Exemplo a Classfcar <atrbutos,????? > <x t,?> d t d 2t d 3t... d nt Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 4 Aprendzagem Baseada em Instâncas Aprendzagem Baseada em Instâncas No fnal teremos um conjunto de dstâncas (medda de smlardade) entre a nstânca de teste x t e todos os exemplos de trenamento x, x 2,..., x n Qual valor de conceto alvo (classe) atrbuímos ao exemplo x t? O conceto alvo assocado ao exemplo de trenamento mas smlar!! Isto é, pegamos o exemplo de trenamento cuja dstânca seja a menor e verfcamos o valor do conceto alvo assocado a este exemplo. Suponha que a dstânca d 9t seja a menor entre as n dstâncas avaladas, logo, o exemplo mas próxmo do exemplo de teste x t é < x 9, c 9 >. Assm, atrbuímos a x t o conceto alvo c 9!!! Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 6
5 Aprendzagem Baseada em Instâncas Aprendzagem k NN Observações mportantes: Constroem uma aproxmações para a função alvo para cada nstânca de teste dferente. Constroe uma aproxmação local da função alvo. Podem utlzar representações mas complexas e smbólcas para as nstâncas Uma desvantagem é o alto custo para classfcação. Toda a computação ocorre no momento da classfcação!!! Aumenta com a quantdade de exemplo de trenamento. k-nn = k Nearest Neghbor = k Vznhos mas Próxmos O algortmo k NN é o método de aprendzagem baseado em nstâncas mas elementar. O algortmo k NN assume que todas as nstâncas correspondem a pontos em um espaço n dmensonal. R n Os vznhos mas próxmos de uma nstânca são defndos em termos da dstânca Eucldana. Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 8 Regra k NN Aprendzagem k NN A regra dos vznhos mas próxmos: Meta: Classfcar x t atrbundo a ele o rótulo representado mas freqüentemente dentre as k amostras mas próxmas e utlzando um esquema de votação. Vamos consderar uma nstânca arbtrára x que é descrta pelo vetor de característcas (vetor de atrbutos ou feature vector): <a (x), a 2 (x),..., a n (x)> onde a r (x) representa o valor do r ésmo atrbuto da nstânca x. Mestrado em Informátca Aplcada Aprendzagem de Máquna 9 Mestrado em Informátca Aplcada Aprendzagem de Máquna 20
6 Aprendzagem k NN Dstânca Eucldana Então a dstânca entre duas nstâncas x e x j é defnda como d(x, x j ), onde: Exemplo: Calcule a dstânca entre o vetor de teste x t = [0.68, 0.60] e os exemplos de trenamento: d( x, x ) j n ( ar ( x ) ar ( x j )) r= 2 Exemplos de Trenamento x = [0.50, 0.30] Conceto Alvo ω Dstânca Eucldana d(x, x t ) = x 2 =[0.70, 0.65] ω 2 d(x 2, x t ) = Decsão: o rótulo (classe, valor do conceto alvo) atrbuído a x t é Mestrado em Informátca Aplcada Aprendzagem de Máquna 2 Mestrado em Informátca Aplcada Aprendzagem de Máquna 22 Algortmo k NN Aprendzagem k NN Algortmo de trenamento Para cada exemplo de trenamento <x, f(x)>, adcone o exemplo à lsta tranng_examples Algortmo de classfcação Dada uma nstânca x t a ser classfcada, Faça x,...,x k representar as k nstâncas de tranng_examples que estão mas próxmas de x t Retorne v V f ( x ) arg max δ t = ( v, f ( x )) onde δ(a,b)= se a=b e δ(a,b)=0 caso contráro. k Mestrado em Informátca Aplcada Aprendzagem de Máquna 23 Mestrado em Informátca Aplcada Aprendzagem de Máquna 24
7 Regra k NN Algortmo k NN Mestrado em Informátca Aplcada Aprendzagem de Máquna 25 Mestrado em Informátca Aplcada Aprendzagem de Máquna 26 Algortmo k NN Algortmo k NN Mestrado em Informátca Aplcada Aprendzagem de Máquna 27 Mestrado em Informátca Aplcada Aprendzagem de Máquna 28
8 Algortmo k NN Algortmo k NN Mestrado em Informátca Aplcada Aprendzagem de Máquna 29 Mestrado em Informátca Aplcada Aprendzagem de Máquna 30 Exemplo k NN Aprendzagem k NN k=3 (valor ímpar) e x t =(0.0, 0.25) Protótpos (0.5, 0.35) (0.0, 0.28) (0.09, 0.30) (0.2, 0.20) Rótulos Os vetores mas próxmos a x t, com suas etquetas, são: {(0.0, 0.28, ω 2 ); (0.2, 0.20, ω 2 ); (0.5, 0.35, ω )} ω ω 2 ω 5 ω 2 Uma votação atrbu o rótulo ω 2 a x t pos ω 2 é a classe representada com mas freqüênca. Supondo: n exemplos de trenamento rotulados; d dmensões; buscamos o exemplo mas próxmo de um ponto de teste x t (k=). A efcênca do algortmo k NN = O (dn 2 ): nspecona cada exemplo armazenado, um após o outro; calcula a dstânca Eucldana até x t [O (d)]; Retém a dentdade somente do mas próxmo; Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 32
9 Aprendzagem k NN k NN com Dstânca Ponderada Exstem técncas para reduzr a computação do algortmo k NN: dstânca parcal; pré estruturação; edção dos protótpos armazenados; Consultar pgs 85 e 86, R. O. Duda, P. E. Hart e D. G. Stork, Pattern Classfcaton, Wley Interscence, 200. Refnamento do k NN: Ponderar a contrbução de cada um dos k vznhos de acordo com suas dstâncas até o ponto x t que queremos classfcar, dando maor peso aos vznhos mas próxmos. Exemplo: No algortmo anteror, podemos ponderar o voto de cada vznho, de acordo com o quadrado do nverso de sua dstânca de x t. Mestrado em Informátca Aplcada Aprendzagem de Máquna 33 Mestrado em Informátca Aplcada Aprendzagem de Máquna 34 k NN com Dstânca Ponderada k NN com Dstânca Ponderada Isso pode ser feto pela substtução da lnha fnal do algortmo por: onde f ˆ ( x ) arg max t v V v V t f ( x ) arg max δ t = k = w δ w d( x, x ) k ( v, f ( x )) 2 ( v, f ( x )) Porém, se x t = x, o denomnador d(x t,x ) 2 torna se zero. Neste caso fazemos f(x t ) = f(x ). f ˆ ( x ) arg max t v V k = w d( x, x t w δ ) 2 ( v, f ( x )) Mestrado em Informátca Aplcada Aprendzagem de Máquna 35 Mestrado em Informátca Aplcada Aprendzagem de Máquna 36
10 k NN com Dstânca Ponderada Regra k NN Todas as varações do algortmo k NN consderam somente os k vznhos mas próxmos para classfcar o ponto desconhecdo. Uma vez ncluída a ponderação pela dstânca, não há problemas em consderar todos os exemplos de trenamento: Exemplos muto dstantes terão pouco efeto em f(x ^ t ). Desvantagem: mas lento A regra dos vznhos mas próxmos leva a uma taxa de erro maor do que a mínma taxa de erro possível: a taxa de Bayes Se o número de protótpos for grande (lmtado), a taxa de erro do classfcador k NN não será nunca por do que o dobro da taxa de Bayes (pode ser demonstrado!) Mestrado em Informátca Aplcada Aprendzagem de Máquna 37 Mestrado em Informátca Aplcada Aprendzagem de Máquna 38 Resumo Resumo Métodos de aprendzagem baseados em nstâncas não necesstam formar uma hpótese explícta da função alvo sobre o espaço das nstâncas. Eles formam uma aproxmação local da função alvo para cada nova nstânca a classfcar. O k NN é um algortmo baseado em nstâncas para aproxmar funções alvo de valor real ou de valor dscreto, assumndo que as nstâncas correspondem a pontos em um espaço d dmensonal. O valor da função alvo para um novo ponto é estmada a partr dos valores conhecdos dos k exemplos de trenamento mas próxmos. Mestrado em Informátca Aplcada Aprendzagem de Máquna 39 Mestrado em Informátca Aplcada Aprendzagem de Máquna 40
11 Resumo Racocíno Baseado em Casos Vantagens: habldade para modelar funções alvo complexas por uma coleção de aproxmações locas menos complexas. A nformação presente nos exemplos de trenamento nunca é perdda. Dfculdades: Tempo? Determnação de uma métrca. Propredades chaves dos métodos baseados em nstâncas: Métodos de aprendzagem preguçosos, pos, somente generalzam quando uma nova nstânca tver que ser classfcada. Classfcam nova nstâncas analsando nstâncas smlares e gnorando nstâncas bem dferentes Representam nstâncas como pontos de valor real em um espaço Eucldano n dmensonal. Mestrado em Informátca Aplcada Aprendzagem de Máquna 4 Mestrado em Informátca Aplcada Aprendzagem de Máquna 42 Racocíno Baseado em Casos Racocíno Baseado em Casos Racocíno baseado em casos é um método de aprendzagem baseado nos dos prmeros prncípos. As nstâncas são representadas por descrtores smbólcos mas rcos. Os métodos utlzados para recuperar as nstâncas mas smlares são mas elaborados que o k NN. RBC ou CBR (Case-Based Reasonng). Exemplo: Sstema CADET Utlza RBC para auxlar no desgn concetual de dspostvos mecâncos smples como torneras. Utlza uma bbloteca com 75 desgnes prévos e fragmentos de desgnes para sugerr desgnes concetuas que cumpram as especfcações dos novos problemas de desgn. Cada nstânca armazenada na memóra é representada pela sua estrutura e função qualtatva. Mestrado em Informátca Aplcada Aprendzagem de Máquna 43 Mestrado em Informátca Aplcada Aprendzagem de Máquna 44
12 Racocíno Baseado em Casos Racocíno Baseado em Casos Exemplo: Sstema CADET Exemplo: Sstema CADET Novos problemas de desgn correspondem a: Apresentar a especfcação da função desejada Obter a estrutura correspondente Mestrado em Informátca Aplcada Aprendzagem de Máquna 45 Mestrado em Informátca Aplcada Aprendzagem de Máquna 46 Racocíno Baseado em Casos Racocíno Baseado em Casos A parte nferor da fgura mostra um novo problema de desgn descrto pela função desejada. Q c : fluxo de água fra Q h : fluxo de água quente Q m : fluxo de água msturado T c : temperatura da água fra T h : temperatura da água quente T m : temperatura da água msturada C t : controle de temperatura C f : controle de fluxo Dado a especfcação funconal para o novo problema de desgn, o sstema busca em sua bbloteca por casos arquvados cuja descrção funconal concda com o problema de desgn. Se for encontrado um caso exato este é retornado Se NÃO for encontrado um caso exato o sstema retorna casos que concdam parcalmente com partes do problema de desgn. Mestrado em Informátca Aplcada Aprendzagem de Máquna 47 Mestrado em Informátca Aplcada Aprendzagem de Máquna 48
Aprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Baseada em Instâncias Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Aprendizagem Baseada em Instâncias Plano de Aula Introdução Espaço
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Não Supervsonada Alessandro L. Koerch Aprendzagem não supervsonada Algortmos de agrupamento (Clusterng) Seqüencas Herárqucos Baseados na otmzação de funções
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisALGORITMOS PARA RECONHECIMENTO DE PADRÕES
ALGORITMOS PARA RECONHECIMENTO DE PADRÕES ARMANDO ANTONIO MONTEIRO DE CASTRO PEDRO PAULO LEITE DO PRADO Departamento de Engenhara Elétrca Unversdade de Taubaté RESUMO O obetvo prncpal desse trabalho fo
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisMétodos Supervisionados vs. não supervisionados
10/4/010 Capítulo 5 Algortmo dos k-vznhos mas próxmos Prepared by James Steck, Graduate Assstant DESCOBRINDO CONHECIMENTO NOS DADOS DANIEL T. LAROSE, PH.D. Copyrght 005 John Wley & Sons, Inc. 1 Métodos
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisModelagem do Transistor Bipolar
AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais2 Fundamentos Teóricos
Fundamentos Teórcos 2 Fundamentos Teórcos 2. Aprendzado de Máquna Aprendzado de Máquna é uma área de Intelgênca Artfcal cuo obetvo é o desenvolvmento de técncas computaconas sobre o aprendzado bem como
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisMáquinas de Vetores Suportes
Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO Monografa fnal de curso sob orentação do Prof. Raul Fonseca Neto Juz de Fora, MG feverero de 004 Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisLaboratório de Mecânica Aplicada I Determinação de Centros de Gravidade
Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisJogos. Jogos. Jogo. Jogo. Óptimo alvo investigação
Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia mais3.3 Ordenação por Heap (Heapsort)
3.3 Ordenação por Heap (Heapsort) Heap descendente (max heap ou arvore descendente parcalmente ordenada) de tamanho n é um array que pode ser vsto como uma arvore bnára quase completa de n nós tal que
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisESTUDO DE ALGORITMOS DE FILTRAGEM DE INFORMAÇÃO BASEADOS EM CONTEÚDO
Unversdade Federal de Pernambuco Centro de Informátca Trabalho de Graduação em Intelgênca Artfcal ESTUDO DE ALGORITMOS DE FILTRAGEM DE INFORMAÇÃO BASEADOS EM CONTEÚDO Autor: Byron Lete Dantas Bezerra Orentador:
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisLeis de conservação em forma integral
Les de conservação em forma ntegral J. L. Balño Departamento de Engenhara Mecânca Escola Poltécnca - Unversdade de São Paulo Apostla de aula Rev. 10/08/2017 Les de conservação em forma ntegral 1 / 26 Sumáro
Leia maisLivros Grátis. Milhares de livros grátis para download.
AVALIAÇÃO DE COMBINAÇÕES DE CLASSIFICADORES FUZZY Elísa dos Santos Prucole DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS PRORAMAS DE PÓS-RADUAÇÃO DE ENENHARIA DA UNIVERSIDADE FEDERAL DO RIO
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisFigura 1.9. Modelo estrutural corpo for suficientemente pequena quando comparada
1.5 Expansão Térmca de Sóldos e íqudos Nossa dscussão sobre o termómetro de líqudo emprega uma das mudanças mas bem conhecdas que ocorrem na maora das substâncas: quando a temperatura aumenta, o volume
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisParte 1: Exercícios Teóricos
Cálculo Numérco SME0300 ICMC-USP Lsta 2: Sstemas Lneares Métodos Dretos Professora: Cyntha de O. Lage Ferrera Parte 1: Exercícos Teórcos 1. Consdere o sstema Ax = b, onde 1 α 3 α 1 4 ; x = 5 2 1 Para que
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia mais3 Definição automática de carregamento ótimo
3 Defnção automátca de carregamento ótmo A formulação ncal mostrada neste capítulo fo feta por Sérgo Álvares Maffra[11] e parte da mplementação fo feta por Anderson Perera, tendo sofrdo algumas modfcações
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisEletromagnetismo. Distribuição de grandezas físicas: conceitos gerais
Eletromagnetsmo Dstrbução de grandezas físcas: concetos geras Eletromagnetsmo» Dstrbução de grandezas físcas: concetos geras 1 Introdução Pode-se caracterzar um problema típco do eletromagnetsmo como o
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisEstimativa da Matriz de Covariância para Classificadores Bayesianos em Problemas de Amostras Insuficientes utilizando Computação Evolucionária
Estmatva da Matrz de Covarânca para Classfcadores Bayesanos em Problemas de Amostras Insufcentes utlzando Computação Evoluconára Dogo Menezes Duarte, Raul Queroz Fetosa, Marco Aurélo C. Pacheco Pontfíca
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia mais3 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
Leia maisCATEGORIZAÇÃO AUTOMÁTICA DE ARTIGOS CIENTÍFICOS DA ENGENHARIA DE PRODUÇÃO UTILIZANDO MÉTODOS DE APRENDIZAGEM DE MÁQUINA
CATEGORIZAÇÃO AUTOMÁTICA DE ARTIGOS CIENTÍFICOS DA ENGENHARIA DE PRODUÇÃO UTILIZANDO MÉTODOS DE APRENDIZAGEM DE MÁQUINA FERNANDO JOSE FERREIRA ANDINOS JUNIOR (UCAM) ferandnos@gmal.com GEOGIA REGINA RODRIGUES
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia maisUma abordagem Multi-objetiva Híbrida para Seleção e Atribuição de Pesos a Características para Classificadores k-nn
Uma abordagem Mult-objetva Híbrda para Seleção e Atrbução de Pesos a Característcas para Classfcadores k-nn Salomão S. Madero, Joás E. Souza, Carmelo J. A. Bastos Flho e Adrano L. I. Olvera Departamento
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisCap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
Leia mais0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p.
Leandro Franco de Souza lefraso@cmc.usp.br p. 1/1 0.5 setgray0 0.5 setgray1 Mecânca dos Fludos Computaconal Aula 7 Leandro Franco de Souza Leandro Franco de Souza lefraso@cmc.usp.br p. 2/1 Equações Dferencas
Leia mais