8 Referências Bibliográficas
|
|
|
- Vera Caldas Rodrigues
- 6 Há anos
- Visualizações:
Transcrição
1 8 Referências Bibliográficas ANDERSON, David R., SWEENEY, Dennis J., WILLIAMS, Thomas A., (2000) Essentials of Statistics for Business and Economics, South-Western College Publishing, USA. An Illustrative Example, (2004) disponível em acesso em 04/08/04. ANTUNES, Cláudia M., (2005) Aula 6 Aprendizagem Baseada em Instâncias, disponível em acesso em 20/03/2005. ARROYO, Raúl G., CHICO, Alfredo A. P., Aprendizaje Basado en Instancias (IBL), (2005) disponivel em acesso em 24/04/05. ÁRVORES DE DECISÃO, (2004) disponível em acesso em 04/08/04. Assignment 4: Decision Trees, (2004) Neural Nets, Instance-based Learning, SVMs, disponivel em acesso em 13/09/04. Backpropagation, (2005) disponivel em acesso em 05/01/05. BAUCHSPIESS, Adolfo, (2004) Introdução aos Sistemas Inteligentes, Aplicações em Engenharia de Redes Neurais Artificiais, Lógica Fuzzy e Sistemas Neuro- Fuzzy, disponível em acesso em 04/08/04. BERRY, Michael J. A., LINOFF, Gordon, (1997) Data Mining Techniques: for Marketing, Sales, and Customer Support, John Wiley & Sons, Inc, USA. BREIMAN, Leo et al, (1998) Classification and Regression Trees, Chapman & Hall/CRC, USA. BOX, G. E. P., JENKINS, G. M., REINSEL, G. C., (1994) Time Series Analysis Forecasting and Control, Prentice Hall, New Jersey, 3rd edition. CLEMEN, Robert T., REILLY, Terence, (2001) Making Hard Decisions with Decisions Tools, Duxbury, 2sd edition.
2 Referências Bibliográficas 92 COIMBRA, UNIVERSIDADE DE (2004) - Introdução à Inteligência Artificial, disponível em Departamento de Engenharia Informática, acesso em 02/08/04. CUROTTO, Claudio L., Árvores de Decisão, disponível em acesso em 23/01/05. Decision Trees, disponivel em acesso em 08/06/04. Decision Tree Construction, disponivel em acesso em 08/06/04. Decision Tree Learning, Machine Learning, Chapter 3, Littman (Wu, TA), disponivel em acesso em 23/01/05. Decision Tree Learning, disponivel em acesso em 23/01/05. ENDERS, Walter, (1995) Applied Econometric Time Series, John Wiley & Sons, Inc, USA, 1st edition.. Error Backpropagation, disponível em acesso em 28/02/2005 Estruturas de Dados, Capítulo 8, Árvores, disponivel em acesso em 12/01/05. Extended Kohonen Maps, (2005) disponivel em acesso em 05/01/05. FARNUM, N.R., STANTON, L.W., (1992) Quantitative Forecasting Methods, John Wiley & Sons. GAMA, João, (2004) Árvores de Decisão, Universidade do Porto, disponível em acesso em 20/08/04. GARCIA, Simone C., O uso de Árvores de Decisão na descoberta de Conhecimento na área da Saúde, disponível em acesso em 01/02/05. GNECCO, Bruno Barberi et al., (2005) Um Sistema de Visualização Imersivo e Interativo de Apoio ao Ensino de Classificação de Imagens, disponível em acesso em 25/05/2005.
3 Referências Bibliográficas 93 GREEN, Paul E., (1978) Analyzing Multivariate Data, The Dryden Press, USA. GOODWIN, Paul, WRIGHT, George, (1998) Decision Analysis for Management Judgment, John Wiley & Sons, Inc., USA, 2sd edition. HAMILTON, James D., (1994) Time Series Analysis, Princeton University Press, New Jersey. HAN, Jiawei, KAMBER, Micheline, (2001) Data Mining: Concepts and Techniques, Academic Press, USA. HART, Peter e DUDA, Richard O., (2000) Pattern Classification, John Wiley Professio, USA, 2nd edition. HARVEY, Andrew C., (1993) Time Series Models, MIT Press, Great Britain, 2nd edition., pp. 22/28. HAYKIN, Simon, (2001) Redes neurais: princípios e prática, Bookman, Porto Alegre, 2ª edição. International Center for Computational Logic, (2004) disponivel em acesso em 01/10/04. Introduction to the Matlab Neural Network Toolbox 3.0, (2004) disponivel em acesso em 20/12/04. JOHNSON, Richard A., WICHERN, Dean W., (1998) Applied Multivariate Statistical Analysis, Prentice-Hall, USA. KARLIK, Bekir, (2004) Differentiating Type of Muscle Movement via AR Modeling and Neural Network Classification Department of Electrical and Electronic Engineering,University of Celal Bayar, Manisa-TURKEY Kohonen Networks, (2005) disponivel em acesso em 05/01/05. Kohonen's Self-Organizing Map (SOM), (2005) disponivel em acesso em 05/01/05. LANGIE, Leonardo C., LIMA, Vera L. S., (2005) Classificação Hierárquica de Documentos Textuais Digitais Usando o Algoritmo Knn, disponível em acesso em 20/03/2005. Learning Decision Trees, (2004) disponivel em acesso em 20/08/04. MACHADO, Maria A. S., (2000) Identificação das Estruturas Box & Jenkins não Sazonais usando Redes Neurais Nebulosas, Tese de Doutorado, PUC-RJ.
4 Referências Bibliográficas 94 MATLAB Summary, (2004) disponivel em acesso em 05/08/04. MATSUMOTO, Élia Y., (2001) Matlab 6: Fundamentos de Programação, Ed. Érica, SP. MITCHELL, Tom M., (1997) Machine Learning, McGraw-Hill, USA., Machine Learning, Slides for instructors: McGraw-Hill, disponível em acesso em 01/09/04 e 05/01/05. MORETTIN, Pedro A., TOLOI, Célia M., (1987) Previsão de Séries Temporais, Atual. MOORE, Andrew W., (2004A) Decision Trees, disponível em 2.cs.cmu.edu/%7Eawm/tutorials/dtree16.pdf, acesso em 13/08/04., (2004B) Information Gain, disponível em 2.cs.cmu.edu/%7Eawm/tutorials/infogain10.pdf, acesso em 13/08/04. Multilayer Nets, Sigmoid Units, (2005) disponivel em acesso em 05/01/05. MURRE, Jaap, Learning Neural Networks: Perceptron and Backpropagation, University of Amsterdam, (2004) disponível em acesso em 13/08/04. NETO, Anselmo C.; (1991) Bootstrap em series temporais, Tese de doutorado, PUC RJ. Neural Networks and Error Backpropagation Learning, (2005) disponível em acesso em 13/01/05. Neuron Model and Network Architectures, (2005) disponível em acesso em 13/01/05. ONODA, Maurício, (2001) Estudo sobre um algoritmo de árvore de decisão acoplado a um sistema de banco de dados relacional, Dissertação de mestrado, UFRJ. PYLE, Dorian, (1999) Data Preparation for Data Mining, Academic Press, USA. QUINLAN, John R., (1993) C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, USA. REYNOLDS, B., STEVENS T., MELLICHAMP R., SMITH M.J., (Jun/1995) Box-Jenkins Forecast Model Identification, A.I. Expert.
5 Referências Bibliográficas 95 ROCHA, José Eduardo N., (2003) Sistemas Inteligentes no Estudo de Perdas comerciais no setor de energia elétrica, Dissertação de mestrado, PUC-RJ. SHUMWAY, Robert H., STOFFER, David S., (2000) Time Series Analysis and Its Applications, Springer. SOBRAL, Ana Paula B., (2003) Previsão de Carga Horária Uma Nova Abordagem por Árvore de Decisão, Tese de Doutorado, PUC-RJ. SOUTO, Marcílio C. P., (2005) Aprendizado de Máquina, UFRN, disponível em acesso em 20/03/05. SOUZA, Reinaldo C., CAMARGO, Maria E., (2004) Análise e Previsão de Séries Temporais: os Modelos ARIMA, s/e, Rio de Janeiro, 2ª edição. TÁPIA, Milena, (2000) Redes Neurais Artificiais: Uma Aplicação na Previsão de Preços de Ovos, Dissertação de mestrado, UFSC. TANER, Turhan M., (2005) Kohonen s Self Organizing Networks with Conscience, disponível em acessado em 20/01/05. The Backpropagation Algorithm, (2005) disponivel em acesso em 05/01/05. THOMÉ, Antonio G., (2004) Redes Neurais - Uma Ferramenta para Kdd e Data Mining, disponível em acesso em 20/12/04., SILVA, Eugênio, (2004A) Inteligência Computacional, disponível em acesso em 20/12/04., (2004B) Inteligência Computacional - Redes Neurais Artificiais - Notas de aula, disponível em acesso em 20/12/04. TORTOSA, Santiago G., (2005) KNN, disponível em acesso em 20/03/05. Turk J Elec Engin, VOL.7, NO.1-3, disponivel em acesso em 25/09/04. UNICAMP (2004) - Análise Exploratória de Dados, disponível em acesso em 20/08/04.
6 Referências Bibliográficas 96 WEBB, Andrew R., (2002) Statistical Pattern Recognition, John Wiley & Sons Ltd, UK, 2º edition. WEISS, Sholom M., KULIKOWSKI, Casimir A., (1991) Computer Systems that Learn: Classification and Prediction Methods from Statistics, Neural Nets, Machine Learning, and Expert Systems, Morgan Kaufmann Publishers, Inc., USA.
7 9 Anexos Anexo 1 Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão Modelos Box & Jenkins não sazonais. Em relação ao conjunto de treinamento e teste formado pelos lags 1, 2, 3 e 4. Figura 28 - Árvore de decisão para modelos não sazonais sem ACF5 e PACF5 Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste.
8 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 98 Árvore Modelo Não-sazonal (sem ACF5/PACF5) Performance Percentual no Treinamento AR AR MA MA ARMA RB Média AR AR MA MA ARMA RB Média Em relação ao conjunto de treinamento e teste modificado. Figura 29 - Árvore de decisão para modelos não sazonais (conjunto modificado)
9 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 99 Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Não-sazonal Modificado Performance Percentual no Treinamento AR AR MA MA ARMA RB Média AR AR MA MA ARMA RB Média
10 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 100 Em relação ao conjunto de treinamento e teste modificado formado pelos lags 1, 2, 3 e 4. Figura 30 - Árvore de decisão para modelos não sazonais sem ACF5 e PACF5 (conjunto modificado) Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Não-sazonal Modificado (sem ACF5/PACF5) Performance Percentual no Treinamento AR AR MA MA ARMA RB Média
11 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 101 AR AR MA MA ARMA RB Média Modelos Box & Jenkins sazonais de período 3. Em relação ao conjunto de treinamento e teste modificado. Figura 31 - Árvore de decisão para modelos sazonais de período 3 (conjunto modificado)
12 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 102 Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Sazonal Período 3 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
13 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 103 Modelos Box & Jenkins sazonais de período 4. Em relação ao conjunto de treinamento e teste modificado. Figura 32 - Árvore de decisão para modelos sazonais de período 4 (conjunto modificado) Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Sazonal Período 4 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB 98 2 Média
14 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 104 SAR SAR SMA SMA SARMA RB Média Modelos Box & Jenkins sazonais de período 6. Em relação ao conjunto de treinamento e teste modificado. Figura 33 - Árvore de decisão para modelos sazonais de período 6 (conjunto modificado) Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste.
15 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 105 Árvore Modelo Sazonal Período 6 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
16 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 106 Modelos Box & Jenkins sazonais de período 12. Em relação ao conjunto de treinamento e teste formado pelos lags 12, 24, 36 e 48. Figura 34 - Árvore de decisão para modelos sazonais de período 12 sem ACF60 e PACF60 Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Sazonal Período 12 (Sem ACF60/PACF60) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média
17 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 107 SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste modificado. Figura 35 - Árvore de decisão para modelos sazonais de período 12 (conjunto modificado) Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste.
18 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 108 Árvore Modelo Sazonal Período 12 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média Total SAR SAR SMA SMA SARMA RB Média
19 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 109 Em relação ao conjunto de treinamento e teste modificado formado pelos lags 12, 24, 36 e 48. Figura 36 - Árvore de decisão para modelos sazonais de período 12 sem ACF60 e PACF60 (conjunto modificado) Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Sazonal Período 12 Modificado (Sem ACF60/PACF60) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média
20 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 110 SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste onde Θ > 0, 2 e Φ > 0, 2. Figura 37 - Árvore de decisão para modelos sazonais de período 12 onde Θ > 0, 2 e Φ > 0,2
21 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 111 Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Sazonal Período 12 onde Θ > 0, 2 e Φ > 0, 2 Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB 98 2 Média SAR SAR SMA SMA SARMA RB 97 3 Média
22 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 112 Em relação ao conjunto de treinamento e teste onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2. Figura 38 - Árvore de decisão para modelos sazonais de período 12 onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0, 2 Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Sazonal Período 12 onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2 Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média 74 26
23 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 113 SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste onde ruído branco (a t ) ~ N(0,2). Figura 39 - Árvore de decisão para modelos sazonais de período 12 onde a t ~ N(0,2) Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste.
24 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 114 Árvore Modelo Sazonal Período 12 com a t ~ N(0,2) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
25 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 115 Em relação ao conjunto de treinamento e teste modificado onde ruído branco (a t ) ~ N(0,2). Figura 40 - Árvore de decisão para modelos sazonais de período 12 onde at ~ N(0,2) (conjunto modificado) Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Árvore Modelo Sazonal Período 12 Modificado com a t ~ N(0,2) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média
26 Anexo 1 - Resultados Complementares Obtidos Ao Utilizar Árvores de Decisão 116 SAR SAR SMA SMA SARMA RB Média
27 Anexo 2 Resultados Complementares Obtidos Ao Utilizar Redes Neurais Modelos Box & Jenkins não sazonais. Em relação ao conjunto de treinamento e teste formado pelos lags 1, 2, 3 e 4. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Não-sazonal (sem ACF5/PACF5) Performance Percentual no Treinamento AR AR MA MA ARMA RB Média AR AR MA MA ARMA RB Média
28 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 118 Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Não-sazonal Modificado Performance Percentual no Treinamento AR AR MA MA ARMA RB Média AR AR MA MA ARMA RB Média
29 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 119 Em relação ao conjunto de treinamento e teste modificado formado pelos lags 1, 2, 3 e 4. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Não-sazonal Modificado (sem ACF5/PACF5) Performance Percentual no Treinamento AR AR MA MA ARMA RB Média AR AR MA MA ARMA RB Média
30 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 120 Modelos Box & Jenkins sazonais de período 3. Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 3 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
31 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 121 Modelos Box & Jenkins sazonais de período 4 Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 4 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
32 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 122 Modelos Box & Jenkins sazonais de período 6. Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 6 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
33 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 123 Modelos Box & Jenkins sazonais de período 12. Em relação ao conjunto de treinamento e teste formado pelos lags 12, 24, 36 e 48. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 12 (Sem ACF60/PACF60) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
34 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 124 Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 12 Modificado Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
35 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 125 Em relação ao conjunto de treinamento e teste modificado formado pelos lags 12, 24, 36 e 48. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 12 Modificado (Sem ACF60/PACF60) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
36 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 126 Em relação ao conjunto de treinamento e teste onde Θ > 0, 2 e Φ > 0, 2. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 12 onde Θ > 0, 2 e Φ > 0, 2 Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média 69 31
37 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 127 Em relação ao conjunto de treinamento e teste onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2. Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 12 onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2 Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB Média SAR SAR SMA SMA SARMA RB Média
38 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 128 Em relação ao conjunto de treinamento e teste onde ruído branco (a t ) ~ N(0,2). Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 12 com a t ~ N(0,2) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB 93 7 Média SAR SAR SMA SMA SARMA RB Média
39 Anexo 2 - Resultados Complementares Obtidos Ao Utilizar Redes Neurais 129 Em relação ao conjunto de treinamento e teste modificado onde ruído branco (a t ) ~ N(0,2). Abaixo tem-se o percentual de acertos e erros nos conjuntos de treinamento e teste. Rede Neural Modelo Sazonal Período 12 Modificado com a t ~ N(0,2) Performance Percentual no Treinamento SAR SAR SMA SMA SARMA RB 98 2 Média SAR SAR SMA SMA SARMA RB Média
40 Anexo 3 Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana Modelos Box & Jenkins não sazonais. Em relação ao conjunto de treinamento e teste formado pelos lags 1, 2, 3 e 4. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 12. KNN Modelo Não-sazonal (sem ACF5/PACF5) - Distância Euclidiana AR AR MA MA ARMA RB Média
41 Anexo 3 - Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana 131 Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 12. KNN Modelo Não-sazonal Modificado - Distância Euclidiana AR AR MA MA ARMA RB Média Em relação ao conjunto de treinamento e teste modificado formado pelos lags 1, 2, 3 e 4. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 10. KNN Modelo Não-sazonal Modificado (sem ACF5/PACF5) - Distância Euclidiana AR AR MA MA ARMA RB Média
42 Anexo 3 - Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana 132 Modelos Box & Jenkins sazonais de período 3. Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 10. KNN Modelo Sazonal Período 3 Modificado - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média Modelos Box & Jenkins sazonais de período 4. Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 7. KNN Modelo Sazonal Período 4 Modificado - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média
43 Anexo 3 - Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana 133 Modelos Box & Jenkins sazonais de período 6. Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 9. KNN Modelo Sazonal Período 6 Modificado - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média Modelos Box & Jenkins sazonais de período 12. Em relação ao conjunto de treinamento e teste formado pelos lags 12, 24, 36 e 48. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 10.
44 Anexo 3 - Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana 134 KNN Modelo Sazonal Período 12 (Sem ACF60/PACF60) - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 16. KNN Modelo Sazonal Período 12 Modificado - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média
45 Anexo 3 - Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana 135 Em relação ao conjunto de treinamento e teste modificado formado pelos lags 12, 24, 36 e 48. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 10. KNN Modelo Sazonal Período 12 Modificado (Sem ACF60/PACF60) - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste onde Θ > 0, 2 e Φ > 0, 2. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 3. KNN Modelo Sazonal Período 12 onde Θ > 0, 2 e Φ > 0, 2 - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média
46 Anexo 3 - Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana 136 Em relação ao conjunto de treinamento e teste onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 13. KNN Modelo Sazonal Período 12 onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2 - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste onde ruído branco (a t ) ~ N(0,2). Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 20. KNN Modelo Sazonal Período 12 com a t ~ N(0,2) - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média
47 Anexo 3 - Resultados Complementares obtidos ao Utilizar Knn Distância Euclidiana 137 Em relação ao conjunto de treinamento e teste modificado onde ruído branco (a t ) ~ N(0,2). Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 7. KNN Modelo Sazonal Período 12 Modificado com a t ~ N(0,2) - Distância Euclidiana SAR SAR SMA SMA SARMA RB Média
48 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan Modelos Box & Jenkins não sazonais. Em relação ao conjunto de treinamento e teste formado pelos lags 1, 2, 3 e 4. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 7. KNN Modelo Não-sazonal (sem ACF5/PACF5) distância de Manhattan AR AR MA MA ARMA RB Média Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 7.
49 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan 139 KNN Modelo Não-sazonal Modificado distância de Manhattan AR AR MA MA ARMA RB Média Em relação ao conjunto de treinamento e teste modificado formado pelos lags 1, 2, 3 e 4. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 7. KNN Modelo Não-sazonal Modificado (sem ACF5/PACF5) distância de Manhattan AR AR MA MA ARMA RB Média
50 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan 140 Modelos Box & Jenkins sazonais de período 3. Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 7. KNN Modelo Sazonal Período 3 Modificado distância de Manhattan SAR SAR SMA SMA SARMA RB Média Modelos Box & Jenkins sazonais de período 4. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 13. KNN Modelo Sazonal Período 4 Modificado distância de Manhattan SAR SAR SMA SMA SARMA RB Média
51 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan 141 Modelos Box & Jenkins sazonais de período 6. Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 7. KNN Modelo Sazonal Período 6 Modificado distância de Manhattan SAR SAR SMA SMA SARMA RB Média Modelos Box & Jenkins sazonais de período 12. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 9. KNN Modelo Sazonal Período 12 (Sem ACF60/PACF60) distância de Manhattan SAR SAR SMA SMA SARMA RB Média
52 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan 142 Em relação ao conjunto de treinamento e teste modificado. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 15. KNN Modelo Sazonal Período 12 Modificado distância de Manhattan SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste modificado formado pelos lags 12, 24, 36 e 48. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 13.
53 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan 143 KNN Modelo Sazonal Período 12 Modificado (Sem ACF60/PACF60) distância de Manhattan SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste onde Θ > 0, 2 e Φ > 0, 2. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 3. KNN Modelo Sazonal Período 12 onde Θ > 0, 2 e Φ > 0, 2 distância de Manhattan SAR SAR SMA SMA SARMA RB Média
54 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan 144 Em relação ao conjunto de treinamento e teste onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2. Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 12. KNN Modelo Sazonal Período 12 onde 0,2 < Θ < 0, 2 e 0,2 < Φ < 0,2 distância de Manhattan SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste onde ruído branco (a t ) ~ N(0,2). Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 15.
55 Anexo 4 Resultados Complementares Obtidos ao Utilizar Knn Distância Manhattan 145 KNN Modelo Sazonal Período 12 com a t ~ N(0,2) distância de Manhattan SAR SAR SMA SMA SARMA RB Média Em relação ao conjunto de treinamento e teste modificado onde ruído branco (a t ) ~ N(0,2). Abaixo tem-se o percentual de acertos e erros no conjunto de teste onde k = 9. KNN Modelo Sazonal Período 12 Modificado com a t ~ N(0,2) distância de Manhattan SAR SAR SMA SMA SARMA RB Média
Jorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
6 Referências bibliográficas
6 Referências bibliográficas BARROS, M.; SOUZA, R.C. Regressão Dinâmica. Núcleo de Estatística Computacional. PUC-Rio, 1995. BARROS, M. Processos Estocásticos. Rio de Janeiro. Papel Virtual, 2004. BROCKWELL,
Uma Aplicação de Árvores de Decisão, Redes Neurais e KNN para a Identificação de Modelos ARMA Não-Sazonais e Sazonais
Luiza Maria Oliveira da Silva Uma Aplicação de Árvores de Decisão, Redes Neurais e KNN para a Identificação de Modelos ARMA Não-Sazonais e Sazonais Tese de Doutorado Tese apresentada ao Programa de Pós-graduação
Aprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA
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 MC5004 - APRENDIZADO DE MÁQUINA
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Aprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Redes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
6 Referências Bibliográficas
94 6 Referências Bibliográficas Abdo, J. M. M., Resolução Nº 31, Agência Nacional De Energia Elétrica. Publicado no D.O. de 25.01.2002, Seção 1, p. 259, v. 139, n. 18. Abelém, A. J. G. Redes Neurais Artificiais
PLANO DE ENSINO DA DISCIPLINA BLOCO I IDENTIFICAÇÃO
CURSO DE GRADUAÇÃO: SÉRIE: SEMESTRE LETIVO DO ANO: ( ) 1º SEMESTRE ( X ) 2º SEMESTRE ( ) 1º e 2º SEMESTRES ANO: PLANO DE ENSINO DA DISCIPLINA BLOCO I IDENTIFICAÇÃO Código da Disciplina: Nome da Disciplina:
Título do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas
Número do BANPESQ/THALES: Título do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas I. Autor: Leandro dos Santos Coelho II. Resumo: A Inteligência Computacional é
Inteligência Computacional
Inteligência Computacional CP78D Apresentação do Plano de Ensino Aula 1 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 9º Período 1/14 Professor
Processamento de Sinais e Imagem
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Projecto de filtros Processamento
IN 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 Quem usa
INTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL Engenharia da Computação Professor: Rosalvo Ferreira de Oliveira Neto Dados pessoais Rosalvo Ferreira de Oliveira Neto Dr. em ciência da computação (UFPE) rosalvo.oliveira@univasf.edu.br
Aprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem de Máquina Segundo semestre de 2018 Francisco Carvalho e Cleber Zanchettin Universidade Federal de Pernambuco - UFPE Centro de Informtica - CIn Objetivos da disciplina
Universidade de Lisboa University of Lisbon. Instituto Superior de Ciências Sociais e Políticas School of Social and Political Sciences
Estabelecimento Unidade Orgânica Plano de Estudos Study Plan Tipo (diurno ou pós-laboral) Type Universidade de Lisboa University of Lisbon Instituto Superior de Ciências Sociais e Políticas School of Social
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Processamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE CIÊNCIAS CONTÁBEIS PROGRAMA DE PÓS GRADUAÇÃO EM CIÊNCIAS CONTÁBEIS - PPGCC FICHA DE DISCIPLINA
FICHA DE DISCIPLINA Disciplina Auditoria Contábil Código PPGCC Carga Horária 60 Créditos 4 Tipo: Optativa OBJETIVOS Proporcionar ao aluno conhecimentos sobre as Normas Nacionais e Internacionais de Auditoria,
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:
Aprendizagem 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
Redes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Apresentação da Disciplina Edirlei Soares de Lima O que é Inteligência Artificial? O que é Inteligência Artificial? Área de pesquisa que tem
UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática. 6 a ETAPA
6 a ETAPA Componente Curricular: exclusivo de curso (X) Eixo Comum ( ) Eixo Universal ( ) PESQUISA OPERACIONAL APLICADA (04) Sala de aula FUNDAMENTOS DE COMPUTAÇÃO Busca da compreensão da importância do
Redes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática
2 a ETAPA exclusivo de curso (X) Eixo Comum ( ) Eixo Universal ( ) Curso: CIÊNCIA DA COMPUTAÇÃO ALGORITMOS E PROGRAMAÇÃO II ( 02 ) Sala de Aula 04 h/a ( 02 ) Laboratório ALGORITMOS E PROGRAMAÇÃO Estudo
CC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Informação Geral 2008/2009
MODELOS DE APOIO À DECISÃO Informação Geral 2008/2009 Docentes: Carlos Bana e Costa (Prof. Responsável) Mónica Oliveira 2 Contactos e Horário de Atendimento Prof. Carlos Bana e Costa Mail: carlosbana@ist.utl.pt
DATA MINING. Prof. Fulvio Cristofoli. Mineração De Dados.
DATA MINING Mineração De Dados fulviocristofoli@uol.com.br www.fulviocristofoli.com.br Conceito As organizações perseguem inteligência. Nessa perseguição, elas processam informação, formulam planos e aspirações,
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Automação Inteligente
Curso de Graduação em Engenharia Elétrica Universidade Federal da Paraíba Período 2016-2 Automação Inteligente Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Informações
Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas Thays Abreu, Marleide F. Alves, Carlos R. Santos Junior, Anna
Estrutura de Dados e Algoritmos
Mestrado Integrado em Engenharia Biomédica http://www.fe.up.pt/ rcamacho/cadeiras/eda FEUP Universidade do Porto rcamacho@fe.up.pt 14 de Setembro de 2009 Objectivos da disciplina A disciplina tem por
Código: EST014 Departamento. Unidade: DEPARTAMENTO DE ESTATÍSTICA. INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal. N o de Créditos 04
Disciplina: ESTATISTICA MULTIVARIADA I Código: EST014 Departamento N o de Créditos 18 Semestral Ementa: Revisão de Álgebra Matricial; Introdução à Estatística Multivariada; Distribuição Normal Multivariada;
UNIVERSIDADE PRESBITERIANA MACKENZIE Centro de Ciências e Tecnologia Engenharia de Produção
Métodos para Tomada de Decisão ( 4 ) Sala de Aula ( 0 ) Laboratório ENEX50703 Técnicas e métodos para a tomada de decisão, análise de decisão; processo de Decisão com diversos métodos como AHP; Electre;
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) MIRELA TEIXEIRA CAZZOLATO Orientador(es) MARINA TERESA PIRES VIEIRA Apoio
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Oferta de disciplinas para o período 2018/2
PINF-6017 Metodologia de Pesquisa 09:00- PINF-6033 Seminário de Pesquisa: Ontological Foundations for Conceptual Modeling with Applications CT VII 18 Lucia Catabriga Maria Claudia Silva Boeres Giancarlo
PROFTS: A MultiAgent System for Stock Portfolio Management
PROFTS: A MultiAgent System for Stock Portfolio Management Everton Rodrigues Reis LTI USP everton.rreis@gmail.com Jaime Simão Sichman jaime.sichman@poli.usp.br 1. Conceitos Básicos 2. Proposta 3. Resultados
Protótipo de um Simulador de um Aspirador de Pó, Utilizando Algoritmo de Busca e Agentes Inteligentes, em Ambientes com Barreiras
Protótipo de um Simulador de um Aspirador de Pó, Utilizando Algoritmo de Busca e Agentes Inteligentes, em Ambientes com Barreiras Jussara Vieira Ramos ROTEIRO Objetivo Introdução: I.A. X Robótica Agentes
ACURÁCIA NA PREVISÃO DE PREÇOS DE CELULOSE DE FIBRA CURTA BRASILEIRA
ACURÁCIA NA PREVISÃO DE PREÇOS DE CELULOSE DE FIBRA CURTA BRASILEIRA Lucas Gabriel Souza Santos (1) ; Jessica da Silva Cavalotti (2) ; Júlio Conceição dos Santos Neto (3) ; George Moreira Oliveira (4)
Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Análise de previsão da inflação no período pós-plano Real
Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Campus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Apresentação da Disciplina Edirlei Soares de Lima O que é Inteligência Artificial? O que é Inteligência Artificial? Área de pesquisa que tem como
Aprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Organização da Disciplina Controle de Processos 1
Organização da Disciplina Controle de Processos 1 Ronaldo Guimarães Corrêa Departamento de Engenharia Química Universidade Federal de São Carlos 2 o Sem. 2017 Organização da Disciplina (CP1) www.professores.deq.ufscar.br/ronaldo/cp1
UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática. 7th SEMESTER
SEMESTER Curriculum Component: Degree only (X) Common to school ( ) Universal ( ) DISTRIBUTED INFRASTRUCTURE 04 h/a (02) Online TECHNOLOGY AND INFRASTRUCTURE Fundamentals of Distributed Systems: models,
7 Referências Bibliográficas
Referências Bibliográficas ALMEIDA, A.; ELLIAN, S; NOBRE, J. Modificações e alternativas aos testes de Levene e de Brown e Forsythe para igualdade de variâncias e médias. Revista Colombiana de Estadística,
A Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining
A Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining José Márcio Cassettari Junior, Merisandra Côrtes de Mattos 2, Priscyla Waleska Targino de Azevedo Simões 2, Cristian
SOCIEDADE EDUCACIONAL DE SANTA CATARINA INSTITUTO SUPERIOR TUPY PLANO DE ENSINO
DISCIPLINA: Sistemas de Informação na OBJETIVO GERAL DA DISCIPLINA / COMPETÊNCIAS EMENTA / BASES TECNOLÓGICAS Informação, Sistemas de Informação, Tecnologia de Informação & Comunicação. Conceito de Engenharia
Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel
19 a 21 de mar o de 2010 157 Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel José Márcio Cassettari Junior 1, Merisandra Côrtes de Mattos 1, João Manuel M. De Carlo 1, Priscyla
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Modelagem da Anomalia Magnética no Granito Silva Jardim
Modelagem da Anomalia Magnética no Granito Silva Jardim Antonio Nuno de Castro Santa Rosa 1 Nilton Correia da Silva 2 Natasha Gomes Santos Stanton 3 Renata Schimit 3 Universidade Federal do Rio de Janeiro/CT/NIDES
Aprendizagem de máquina
Aprendizagem de máquina Introdução Objetivos Fornecer o ferramental necessário ao entendimento e ao projeto de sistemas baseados em aprendizagem. A disciplina cobre os principais tópicos da aprendizagem
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e ARIMA de Box & Jenkins
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e de Box & Jenkins Daniela J. Rossi, Anna D. P. Lotufo, Mara L. M. Lopes Depto de Engenharia Elétrica, FEIS, UNESP 13-000, Ilha Solteira,
Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais
1 Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais Thays Abreu, Miguel Paredes, Klayton A. M. Araujo, Mara L. M. Lopes e Anna Diva P. Lotufo, Membro
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
![Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr](/thumbs/82/85635671.jpg "Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr")
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
MÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo APRESENTAÇÃO Métodos Multivariados: São métodos (ferramentas analíticas) utilizados na transformação de dados (várias medidas
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 18 Aprendizado Por Reforço Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Inteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Eliane da Silva Christo. Previsão de Potência Reativa. Tese de Doutorado
Eliane da Silva Christo Previsão de Potência Reativa Tese de Doutorado Tese apresentada como requisito parcial para obtenção do título de Doutor pelo Programa de Pós- Graduação em Engenharia Elétrica da
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto Rodrigo Rodrigues Antunes e Israel Rodrigues Gonçalves Resumo: O objetivo
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Campus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração MATEMÁTICA APLICADA E COMPUTACIONAL
PROGRAMA DE ENSINO Disciplina Análise Wavelets de Séries Temporais Semestre Código Ano Letivo Área de Concentração MATEMÁTICA APLICADA E COMPUTACIONAL Curso: MESTRADO (X) DOUTORADO ( ) Número de créditos:
Previsão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado
Previsão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado Thays Abreu 1, Carlos R. Santos Junior 2 Mara L. M. Lopes 1 Anna Diva Lotudo 1 Carlos R Minussi 1 1 Universidade
Programação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO
Programação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO Tipos de Problemas 1. Dada uma variedade de alimentos, escolher uma dieta de menor custo que atenda as necessidades nutricionais de um indivíduo?
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
Substituição de títulos da bibliografia do curso Engenharia Biomédica
Substituição de títulos da bibliografia do curso Engenharia Biomédica Disciplina: Princípios de ética em serviços de saúde. 1 título da bibliografia complementar (Administração) esgotado O referido título
O uso da Inteligência Articial no auxílio à tomada de decisões para alocação dinâmica de recursos. F. C. Xavier
O uso da Inteligência Articial no auxílio à tomada de decisões para alocação dinâmica de recursos F. C. Xavier Technical Report - RT-INF_001-11 - Relatório Técnico June - 2011 - Junho The contents of this
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação O setor elétrico em todo o mundo vem sofrendo um processo de transformação, quer no campo político, quer no econômico. A privatização e a desregulamentação do sistema elétrico
Referências Bibliográcas
Referências Bibliográcas [1] BOX, G.; JENKINS, G. ; REINSEL, G.. Time Series Analysis, Forecasting and Control. Prentice Hall, New Jersey, 1994. [2] BREIMAN, L.; FRIEDMAN, J.; OLSHEN, R. ; STONE, C. J..
SME Séries Temporais
SME0808 - Séries Temporais Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Apresentação da Disciplina Disciplina de 6 o Período. Oferecimento
Organização da Disciplina Controle de Processos 2
Organização da Disciplina Controle de Processos 2 Ronaldo Guimarães Corrêa Departamento de Engenharia Química Universidade Federal de São Carlos 1 o Sem. 2019 Organização da Disciplina (CP2) www.professores.deq.ufscar.br/ronaldo/cp2
UNIVERSIDADE PRESBITERIANA MACKENZIE Decanato Acadêmico
Unidade Universitária Escola de Engenharia Curso Engenharia Elétrica e Eletrônica Disciplina Sistemas Dinâmicos Código da Disciplina: ENEX00810 Professor Luiz Henrique Alves Monteiro Carga horária Teoria:
Redes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
COMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB
COMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB KENJI NOSE FILHO, JORGE L. Y. MAEDA, ANNA D. P. LOTUFO Departamento
Previsão da Carga de Energia Diária em Patamares Combinando Técnicas Estatísticas e de Inteligência Computacional
Douglas Alexander Alves de Farias Previsão da Carga de Energia Diária em Patamares Combinando Técnicas Estatísticas e de Inteligência Computacional Dissertação de Mestrado Dissertação apresentada como
Introdução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
DE BASE DE CONHECIMENTO E MOTOR DE INFERÊNCIA PARA O PROCESSO DE MINERAÇÃO DE DADOS DA FERRAMENTA KIRA
18º Congresso de Iniciação Científica IMPLEMENTAÇÃO DE BASE DE CONHECIMENTO E MOTOR DE INFERÊNCIA PARA O PROCESSO DE MINERAÇÃO DE DADOS DA FERRAMENTA KIRA Autor(es) ANDRÉ DE ANDRADE BINDILATTI Orientador(es)
Clustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
KDD E MINERAÇÃO DE DADOS:
KDD E MINERAÇÃO DE DADOS: Introdução e Motivação Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Fatos: Avanços em TI e o crescimento
CURSO DE MESTRADO EM Construções Metálicas
CURSO DE MESTRADO EM Construções Metálicas DEPARTAMENTO DE ENGENHARIA CIVIL - ESCOLA DE MINAS UNIVERSIDADE FEDERAL DE OURO PRETO Disciplina: Otimização Estrutural I Carga Horária: 45 Código: CIV 733 Responsável:
ARTIGO ORIGINAL. Métodos Avançados de Previsão de Séries Temporais Aplicados a Dados Socioeconômicos na Região Sul da Bahia
ARTIGO ORIGINAL Dados Socioeconômicos na Região Sul da Bahia Advanced Methods for Time Series Forecasting Applied to Bahia South Region Socioeconomic Data Darcio
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
UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática EMENTAS DAS DISCIPLINAS 7ª. ETAPA
EMENTAS DAS DISCIPLINAS 7ª. ETAPA Curso: Bacharelado em Álgebra III 100.1772.0 7ª ( 4 ) Teórica 4 aulas/ semana 1º Semestre de 2013 Demonstração dos problemas clássicos geometricamente e algebricamente
SOFTWARE DE APOIO A DISCIPLINAS DO 1º ANO DO ENSINO MÉDIO: UMA PROPOSTA DE EXPERIMENTAÇÃO
SOFTWARE DE APOIO A DISCIPLINAS DO 1º ANO DO ENSINO MÉDIO: UMA PROPOSTA DE EXPERIMENTAÇÃO Luciano Lucas Fernandes Lima; Ana Maria Felix Liborio; José Gilberto Barbosa de Medeiros Júnior; Marineide Furtado
Informações Gerais Prof. Aluizio Fausto Ribeiro Araújo Depto. of Sistemas de Computação Centro de Informática - UFPE
ES413 Informações Gerais Prof. Aluizio Fausto Ribeiro Araújo Depto. of Sistemas de Computação Centro de Informática - UFPE Objetivos Conteúdo Referências Avaliação Estrutura de Apoio Tópicos 1-2 Principal
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS Autor(es) ANDRE DE ANDRADE BINDILATTI Orientador(es) ANDERSON BERGAMO, ANA ESTELA
19 Congresso de Iniciação Científica INCLUSÃO DE UM NOVO ALGORITMO DE CLASSIFICAÇÃO NA FERRAMENTA KIRA
19 Congresso de Iniciação Científica INCLUSÃO DE UM NOVO ALGORITMO DE CLASSIFICAÇÃO NA FERRAMENTA KIRA Autor(es) MIRELA TEIXEIRA CAZZOLATO Orientador(es) MARINA TERESA PIRES VIEIRA Apoio Financeiro PIBIC/CNPQ
EDITAL SIMPLIFICADO DE SELEÇÃO PARA ALUNOS ESPECIAIS DO PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E TECNOLOGIA DE ALIMENTOS 2º SEMESTRE LETIVO DE 2017
EDITAL SIMPLIFICADO DE SELEÇÃO PARA ALUNOS ESPECIAIS DO PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E 2º SEMESTRE LETIVO DE 2017 O Programa de Pós-Graduação em Ciência e Tecnologia de Alimentos da Fundação Universidade