Introdução às Redes Neurais Artificiais
|
|
- Luna Azeredo Ramalho
- 6 Há anos
- Visualizações:
Transcrição
1 Introdução às Redes Neurais Artificiais Introdução Prof. João Marcos Meirelles da Silva Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade Federal Fluminense Prof. João Marcos Meirelles da Silva p. 1/60
2 Créditos autorais Este curso e estes slides são parcialmente adaptados da bibliografia citada e das aulas do professor Luiz Pereira Calôba - COPPE/UFRJ Prof. João Marcos Meirelles da Silva p. 2/60
3 Objetivo da Disciplina Oferecer uma visão geral de redes neurais artificiais, seus diferentes paradigmas, possibilidades e restrições, bem como estudar as aplicações mais recentes em nosso dia-a-dia e destacar a importância do estudo nesta área. Prof. João Marcos Meirelles da Silva p. 3/60
4 Avaliação A avaliação do curso se dará da seguinte forma: Média das Listas de Exercícios (ML) Apresentação de um projeto (P) 1 Prova Final (Verificação Suplementar) Prof. João Marcos Meirelles da Silva p. 4/60
5 Avaliação MF = 0, 4 ML + 0, 6 P Condições Se MF 6 Aprovado Se 4 MF < 6 V S Se MF < 4 Reprovado Prof. João Marcos Meirelles da Silva p. 5/60
6 Avaliação Os alunos que fizerem a VS deverão alcançar a nota mínima de 6,0 para serem aprovados. Freqüência mínima das aulas: 75% Prof. João Marcos Meirelles da Silva p. 6/60
7 Ementa Introdução Processos de aprendizagem Perceptrons de camada única Perceptrons de múltiplas camadas Redes de base radial Máquinas de vetores de suporte Clusterização Mapas auto-organizáveis Prof. João Marcos Meirelles da Silva p. 7/60
8 Ementa Análise de componentes principais Aplicações diversas - Processamento básico de áudio, voz e imagem. - Aplicações em segurança. - Aplicações em gerenciamento e desempenho. - Aplicações em engenharia de tráfego - etc... Prof. João Marcos Meirelles da Silva p. 8/60
9 Bibliografia Prof. João Marcos Meirelles da Silva p. 9/60
10 Bibliografia Complementar Cichoki, A., Unbehauen, R., Neural Networks for Optimization and Signal Processing, Wiley, Bishop, C. M., Neural Networks for Pattern Recognition, Oxford, Sarle, W. S., ftp://ftp.sas.com/pub/neural/faq.html Prof. João Marcos Meirelles da Silva p. 10/60
11 software Matlab Neuralworks Neuroshell Statistica Neunet ( SNNS (Stuttgart Neural Network Simulator) - ftp.informatik.uni-stuttgart.de Neurolab Sirene (UFRJ e CEPEL) - caloba Prof. João Marcos Meirelles da Silva p. 11/60
12 Introdução Inteligência Artificial / Computacional: Cognitiva, Simbólica IA Tradicional Evolucionista Algoritmos Genéticos, Vida Artificial Conexionista Redes Neurais Artificiais Prof. João Marcos Meirelles da Silva p. 12/60
13 Por quê Redes Neurais Artificiais? Desafio de utilizar máquinas para realizar tarefas fáceis para os seres humanos: Reconhecimento de escrita Reconhecimento de rostos Mapeamento de conhecimento tácito Problemas de otimização com restrições Algoritmos convencionais não lidam bem com determinados problemas. Prof. João Marcos Meirelles da Silva p. 13/60
14 Aplicações Processamento de sinais (vídeo, áudio, imagem e texto) Controle e Automação Reconhecimento de Padrões Data Mining Clusterização Diagnósticos em Medicina Síntese de Fala Reconhecimento de voz e locutor Negócios (mercado financeiro, análise de risco, etc.) Prof. João Marcos Meirelles da Silva p. 14/60
15 Aplicações em Telecomunicações Segurança Detecção de Intrusão e fraudes Criptografia/Criptoanálise Esteganografia e marcas d água Reconhecimento de voz e locutor Desempenho Gerenciamento inteligente de redes Compactação de dados Predição de falhas Correlação de alarmes Prof. João Marcos Meirelles da Silva p. 15/60
16 Vantagens Aprendizado Generalização Robustez Não requer um modelo matemático do problema Prof. João Marcos Meirelles da Silva p. 16/60
17 Desvantagens Instabilidade nas redes com realimentação; Problemas com diversos mínimos locais; Problemas de aprendizagem (convergência prematura, paralisia, overtraining, etc...); Correlação entre características nos dados de entrada; Ruído não-correlacionado; Outros... Prof. João Marcos Meirelles da Silva p. 17/60
18 Redes Neurais: Quando usar? Existe um algoritmo (modelo matemático) que seja satisfatório? SIM Então use-o! NÃO Então pense em usar redes neurais... Prof. João Marcos Meirelles da Silva p. 18/60
19 Redes Neurais: Biológicas x Artificiais Figura 1: Neurônios do córtex cerebral. Prof. João Marcos Meirelles da Silva p. 19/60
20 Redes Neurais: Biológicas x Artificiais Figura 2: Neurônios de diferentes espécies. Prof. João Marcos Meirelles da Silva p. 20/60
21 Redes Neurais: Biológicas x Artificiais Em um neurônio biológico: Este recebe diversos sinais de outros neurônios ou terminações nervosas. Os sinais podem ser recebidos com diferentes intensidades (pesos) nas sinapses receptoras. O neurônio soma as entradas. Sob circunstâncias apropriadas (entradas com nível suficiente), o neurônio dispara um sinal elétrico (saída). Prof. João Marcos Meirelles da Silva p. 21/60
22 Redes Neurais: Biológicas x Artificiais Em um neurônio biológico: A saída de um neurônio pode ser a entrada de diversos outros neurônios (rede). A memória é distribuída, residindo nas sinapses (nos pesos). A resposta a um estímulo pode alterar a força (o peso) de uma sinapse aprendizado através da experiência. Neurotransmissores em uma sinapse podem ser excitatórios ou inibitórios. Prof. João Marcos Meirelles da Silva p. 22/60
23 Redes Neurais: Biológicas x Artificiais Figura 3: Sinapse entre dois neurônios biológicos. Prof. João Marcos Meirelles da Silva p. 23/60
24 Redes Neurais: Biológicas x Artificiais Figura 4: Sentido da propagação do sinal. Prof. João Marcos Meirelles da Silva p. 24/60
25 Modelo de um neurônio Um neurônio é uma unidade de processamento de informação essencial em uma rede neural biológica. Figura 5: Modelagem de um neurônio biológico. Prof. João Marcos Meirelles da Silva p. 25/60
26 Modelo de um neurônio O diagrama em blocos abaixo representa o modelo matemático de um neurônio... Figura 6: Modelo matemático de um neurônio artificial. Prof. João Marcos Meirelles da Silva p. 26/60
27 Modelo de um neurônio... o qual forma a base para o projeto de redes neurais artificiais. Temos: x 1, x 2,...,x m são os sinais de entrada. ω k1, ω k2,...,ω km são os pesos das sinapses do k-ésimo neurônio. u k é a combinação linear dos sinais de entrada ponderados por seus respectivos pesos. b k é o bias do k-ésimo neurônio. Prof. João Marcos Meirelles da Silva p. 27/60
28 Modelo de um neurônio ϕ k ( ) é a função de ativação do k-ésimo neurônio. y k é a saída do k-ésimo neurônio. u k = m ω kj x j (1) j=1 y k = ϕ(u k + b k ) (2) v k = u k + b k (3) Prof. João Marcos Meirelles da Silva p. 28/60
29 Modelo de um neurônio O bias b k é um parâmetro externo do k-ésimo neurônio artificial. Também pode ser interpretado como uma entrada x 0 = +1 com peso de sinapse igual a ω k0 = b k. u k = m ω kj x j, x 0 = +1 (4) j=0 y k = ϕ(u k ) (5) Prof. João Marcos Meirelles da Silva p. 29/60
30 Modelo de um neurônio Figura 7: Efeito do bias sobre o neurônio artificial. Prof. João Marcos Meirelles da Silva p. 30/60
31 Modelo de um neurônio Podemos reformular o modelo do neurônio mostrado na Figura 7 de forma a incorporar o bias. Figura 8: Segundo modelo matemático do neurônio artificial. Prof. João Marcos Meirelles da Silva p. 31/60
32 Modelo de um neurônio Agora que o segundo modelo foi apresentado, podemos simplificar a sua representação gráfica apenas por maior conveniência. Figura 9: Modelo simplificado do neurônio artificial. Prof. João Marcos Meirelles da Silva p. 32/60
33 Modelo de um neurônio Exemplo: Seja a entrada de um neurônio dado pelo vetor x = [1.4, 2.5, 0.7] T e seja o vetor de pesos das sinapses ω = [0.4, 0.6, 0.3] T. Determine se a saída é positiva ou negativa nos casos: com bias unitário e sem bias. Prof. João Marcos Meirelles da Silva p. 33/60
34 Tipos de Função de Ativação A função de ativação, representada por ϕ(ν), define a saída de um neurônio em termos do campo local induzido ν. Basicamente, há 3 tipos de função de ativação: 1. Função Threshold 2. Função Linear-por-Partes 3. Função sigmoidal Prof. João Marcos Meirelles da Silva p. 34/60
35 Tipos de Função de Ativação Função Threshold Figura 10: Função threshold. ϕ(ν) = 1 se ν 0 0 se ν < 0 (6) Prof. João Marcos Meirelles da Silva p. 35/60
36 Tipos de Função de Ativação De forma correspondente, a saída do k-ésimo neurônio é dado por: y k = 1, se ν k 0 0, se ν k < 0 onde ν k é o campo local induzido do neurônio: (7) ν k = m ω kj xj + b k (8) j=1 Prof. João Marcos Meirelles da Silva p. 36/60
37 Tipos de Função de Ativação Função Linear-por-Partes Figura 11: Função linear-por-partes. ϕ(ν) = 1, se ν 0.5 v, se 0.5 < ν < , se ν 0.5 (9) Prof. João Marcos Meirelles da Silva p. 37/60
38 Tipos de Função de Ativação Função Sigmoidal Figura 12: Função sigmóide. ϕ(ν) = exp aν (10) Prof. João Marcos Meirelles da Silva p. 38/60
39 Tipos de Função de Ativação Função Sigmoidal Figura 13: Função sigmóide - tangente hiperbólica. ϕ(ν) = tanhν (11) Prof. João Marcos Meirelles da Silva p. 39/60
40 Tipos de Função de Ativação Função mais comumente utilizada em redes neurais. É definida como uma função estritamente crescente que exibe uma balanço interessante entre um comportamento linear e não-linear. Função diferenciável. Prof. João Marcos Meirelles da Silva p. 40/60
41 Modelo Estocástico de Neurônio Em algumas aplicações, é desejável o funcionamento de um neurônio baseado em um modelo estocástico. x = +1, com probabilidade P(ν) 1, com probabilidade 1 P(ν) onde x é o estado do neurônio.uma escolha típica para P é: (12) P = exp ν/t (13) Prof. João Marcos Meirelles da Silva p. 41/60
42 Como os neurônios formam uma rede? Da mesma maneira que os neurônios no córtex cerebral são organizados em camadas, em geral, organizamos também as redes neurais artificiais em camadas. Figura 14: Organização em camadas. Prof. João Marcos Meirelles da Silva p. 42/60
43 Como os neurônios formam uma rede? Arquiteturas típicas: Redes de camada única Redes de múltiplas camadas Redes de camada competitiva Treinamento: Supervisionado Não supervisionado Pesos fixos Prof. João Marcos Meirelles da Silva p. 43/60
44 Como os neurônios formam uma rede? Freqüentemente é conveniente visualizar os neurônios em camadas. Neurônios da mesma camada tipicamente possuem o mesmo comportamento (função de ativação e padrão de conexões). O arranjo de neurônios em camadas e o padrão de interconexão entre estas é conhecido como arquitetura da rede. Redes neurais também podem ser classificadas como redes feedfoward ou recorrentes. Prof. João Marcos Meirelles da Silva p. 44/60
45 Redes de Camada Única Possuem uma única camada de conexões com pesos. Para classificação de padrões, cada neurônio de saída corresponde à uma classe em particular a qual um vetor de entrada pode pertencer ou não. Prof. João Marcos Meirelles da Silva p. 45/60
46 Redes de Camada Única Figura 15: Rede de Camada Única. Prof. João Marcos Meirelles da Silva p. 46/60
47 Redes de Múltiplas Camadas Possuem uma ou mais camadas de neurônios escondidos entre as unidades de entrada e as unidades de saída. Em geral, redes de múltiplas camadas podem resolver problemas mais complexos que as redes de camada única, mas o treinamento pode ser mais complexo. Prof. João Marcos Meirelles da Silva p. 47/60
48 Redes de Múltiplas Camadas Figura 16: Rede de Múltiplas Camadas. Prof. João Marcos Meirelles da Silva p. 48/60
49 Redes de Camada Competitiva Estão presentes em um grande número de redes neurais. Em geral, a saída dos neurônios da camada de saída conecta-se aos outros neurônios desta última, permitindo que um neurônio compare o seu valor de saída com os valores dos outros n 1 neurônios. Normalmente as interconexões entre os neurônios da camada competitiva não são representados nas arquiteturas de rede deste tipo. Prof. João Marcos Meirelles da Silva p. 49/60
50 Redes feedfoward recorrentes Redes feedfoward Sem realimentações Estática Estruturalmente estável Redes Recorrentes Com realimentações Dinâmica Instabilidade Prof. João Marcos Meirelles da Silva p. 50/60
51 Redes feedfoward recorrentes Figura 17: Redes Feedfoward Recorrentes. Prof. João Marcos Meirelles da Silva p. 51/60
52 Treinamento Treinamento Supervisionado Geralmente a base de dados disponível é divida em dois conjuntos: o conjunto de treinamento e o conjunto de testes. A base de dados é formada por tuplas, ou seja, pares de dados de entrada e saída (base rotulada). Apresenta-se uma seqüência de vetores de treinamento, ou padrões, cada um associado a um determinado vetor de saída. Prof. João Marcos Meirelles da Silva p. 52/60
53 Treinamento Treinamento Supervisionado Os pesos das sinapses são ajustados de acordo com um algoritmo de aprendizado. Utilizado nos problemas de classificação de padrões e associação de padrões (memória auto-associativa e hetero-associativa). Prof. João Marcos Meirelles da Silva p. 53/60
54 Treinamento Treinamento Não Supervisionado Uma seqüência de vetores de treinamento (entrada) é apresentada à rede, mas sem apresentar a saída (base não-rotulada). Os pesos das sinapses são ajustados de forma que os vetores de entrada mais similares, sejam agrupados sob o mesmo rótulo (cluster ou classe). A rede produzirá um vetor exemplar (representativo) para cada cluster formado. Prof. João Marcos Meirelles da Silva p. 54/60
55 Treinamento Treinamento Não Supervisionado O número de clusters pode ser conhecido previamente ou não. É bastante utilizado em problemas de clusterização e data mining. Prof. João Marcos Meirelles da Silva p. 55/60
56 Treinamento Redes com pesos fixos Geralmente utilizada em problemas de otimização com restrições. Tais redes pode trabalhar muito bem em problemas que causam dificuldades para técnicas tradicionais, tais como restrições conflitantes (nem todas as restrições podem ser satisfeitas simultaneamente). Prof. João Marcos Meirelles da Silva p. 56/60
57 Treinamento Redes com pesos fixos Os pesos das sinapses são ajustados de forma a representar as restrições e a quantidade a ser maximizada ou minimizada. São exemplos: a máquina de Boltzmann (sem aprendizado) e a Rede de Hopfield. Prof. João Marcos Meirelles da Silva p. 57/60
58 Histórico McCulloch e Pitts (1943) pioneiros. The organization of behavior de Donald Hebb (1949). Frank Rosemblatt (1958) perceptron. Widrow e Hoff (1960) LMS ou Regra Delta. Teuvo Kohonen (1972) Mapas auto-organizáveis. Rumelhart, Williams e Hinton (1986) Backpropagation. Ainda na década de 80, John Hopfield e David Tank redes neurais com pesos fixos. Prof. João Marcos Meirelles da Silva p. 58/60
59 Referências 1. Haykin, S., Neural Networks - A Comprehensive Foundation, 2 nd edition - Prentice Hall, Fausett, L., Fundamental of Neural Networks - Architectures, Algorithms and Applications, Prentice Hall, Theodoris, S., Koutroumbas, K, Pattern Recognition, 4 th edition, Academic Press. Prof. João Marcos Meirelles da Silva p. 59/60
60 FIM Prof. João Marcos Meirelles da Silva p. 60/60
Inteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisInteligência Artificial Redes Neurais Artificiais
Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta
Leia mais2011 Profits Consulting. Inteligência Computacional
Inteligência Computacional Quem Somos Excelência em Soluções Tecnológicas A Profits Consulting é uma empresa composta por consultores com ampla experiência em Tecnologia que desenvolve soluções inovadoras,
Leia maisPontifícia Universidade Católica de São Paulo Programa de TIDD
Disciplina: 2854 - Sistemas Inteligentes e Ambientes Virtuais Turma A Área de Concentração: Processos Cognitivos e Ambientes Digitais Linha de Pesquisa: Inteligência Coletiva e Ambientes Interativos Professor:
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisIC Inteligência Computacional Redes Neurais. Redes Neurais
Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais
Leia maisRECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS
1 RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS Giovanni Crestan Leonardo Enomoto Araki Thiago Antonio Grandi De Tolosa Wânderson de Oliveira Assis Wilson Carlos Siqueira Lima Júnior IMT Instituto Mauá
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Leia maisSistemas de Informação e Decisão. Douglas Farias Cordeiro
Sistemas de Informação e Decisão Douglas Farias Cordeiro Decisão Tomamos decisões a todo momento! O que é uma decisão? Uma decisão consiste na escolha de um modo de agir, entre diversas alternativas possíveis,
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisI - Introdução à Simulação
1 I - Introdução à Simulação Simulação é, entendida como a imitação de uma operação ou de um processo do mundo real. A simulação envolve a geração de uma história artificial de um sistema para a análise
Leia maisGrade Curricular do Curso de Graduação em Engenharia de Computação
Grade Curricular do Curso de Graduação em Engenharia de Computação Currículo 6 Aprovado pelo CDI em 30/05/16 - Carga Horária - Carga Horária Núcleo Básico 1.280h Carga Horária Núcleo Profissionalizante
Leia maisInteligência 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
Leia maisSoluções de Equações Diferenciais Usando Redes Neurais de Múltiplas camadas com os métodos da Descida mais íngreme e Levenberg-Marquardt.
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA E ESTATÍSTICA Brigida Cristina Fernandes Batista Soluções de Equações Diferenciais Usando Redes
Leia maisSTDS - Sistemas de Telecomunicações Definidos por Software PSTR - Processamento de Sinal em Tempo Real
STDS - Sistemas de Telecomunicações Definidos por Software & PSTR - Processamento de Sinal em Tempo Real 3.º (e 1.º) semestre MEET 1.º (e 3.º) semestre MEIC () http://www.deetc.isel.ipl.pt/sistemastele/stds/
Leia maisReconhecendo Instrumentos Musicais Através de Redes Neurais Artificiais
Reconhecendo Instrumentos Musicais Através de Redes Neurais Artificiais Carlos Roberto Ferreira de Menezes Júnior, Eustáquio São José de Faria, Keiji Yamanaka Faculdade de Engenharia Elétrica (Programa
Leia maisINTELIGÊNCIA 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
Leia maisUso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais
Revista Tecnologias em Proeção v n p 8-5 dez 8 Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais Ircílio Chissolucombe Resumo A Inteligência Artificial tem sido muito utilizada
Leia maisINTELIGÊNCIA COMPUTACIONAL
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br A Inteligência Computacional (IC), denominada originalmente de Inteligência Artificial (IA), é uma das ciências
Leia maisIntrodução às Redes Neurais Artificiais. Eduardo Simas
Introdução às Redes Neurais Artificiais Eduardo Simas (eduardo.simas@ufba.br) Sumário O que são as Redes Neurais Artificiais? Para que servem? Processamento da Informação Tipos de Redes Neurais Modos de
Leia maisInteligência Artificial. Prof. Ilaim Costa Jr.
Inteligência Artificial Prof. Ilaim Costa Jr. 4) Ciência da Computação 4) Ciência da Computação Exemplos de Aplicação da IA Matemática: demonstração
Leia maisTurma PCS2304. Objetivos. Site da disciplina. Professor Edson Midorikawa Edson T. Midorikawa 25/02/2008.
Turma Projeto Lógico L Digital Edson T. Midorikawa 25/02/2008 Professor Edson Midorikawa edson.midorikawa@poli.usp.br Horário de atendimento: 6ª feira das 10h00 às 11h00 na sala C2-20 Turma 4 automação
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisCURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS º PERÍODO
CURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS - 2016.2 2º PERÍODO DISCIPLINA: CÁLCULO I DISCIPLINA: FÍSICA I Estudo do centro de Massa e Momento Linear. Estudo da Rotação. Estudo de Rolamento, Torque
Leia maisInteligência Computacional para Jogos Eletrônicos
Inteligência Computacional para Jogos Eletrônicos Papéis da IA em Jogos Adversários Aliados Personagens de apoio NPC s (Non-player Character) Comentaristas Controle de câmera Geração de fases Nivelamento
Leia maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia maisSUMÁRIO REGIMENTO INTERNO E ESTRUTURA CURRICULAR DO MESTRADO PROFISSIONALIZANTE EM CIÊNCIA DA COMPUTAÇÃO
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PERNAMBUCO BOLETIM OFICIAL NÚMERO ESPECIAL SUMÁRIO REGIMENTO INTERNO E ESTRUTURA CURRICULAR DO MESTRADO PROFISSIONALIZANTE EM CIÊNCIA DA COMPUTAÇÃO B. O.
Leia maisIntrodução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
Leia maisAnálise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão.
A.X. Falcão p.1/17 Análise de Imagens Aula 20: Sistemas com Múltiplos Classificadores (Fusão) Prof. Alexandre Xavier Falcão afalcao@ic.unicamp.br. IC - UNICAMP A.X. Falcão p.2/17 Roteiro da Aula Sistemas
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE Decanato Acadêmico
Unidade Universitária: Escola de Engenharia Curso: Engenharia Elétrica e Eletrônica Disciplina: Sistemas Digitais I Núcleo Temático: Sistemas Digitais Código Da Disciplina: 161.1808.1 Professor: Edson
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 01 - Introdução O Que é Inteligência Artificial? [Winston, 1984]: "Inteligência artificial é o estudo das ideias que
Leia mais27/8/2011. Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011
Tomada de Decisão e Regras Nebulosas Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011 Representação Matemática de Incertezas Padrões
Leia maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Análise da Decisão Pela própria natureza da vida, todos nós devemos continuamente
Leia maisLICENCIATURA EM ENGENHARIA DE REDES DE COMUNICAÇÃO E INFORMAÇÃO EQUIVALÊNCIAS ENTRE PLANOS CURRICULARES. Plano Curricular
LICENCIATURA EM ENGENHARIA DE REDES DE COMUNICAÇÃO E INFORMAÇÃO EQUIVALÊNCIAS ENTRE PLANOS CURRICULARES Plano Curricular de 2005-2006 ECTS Plano Curricular ECTS LERCI LERC / MERC (Bolonha) Análise Matemática
Leia maisProfessor Msc. Leonardo Henrique Gonsioroski
Professor Msc. Leonardo Henrique Gonsioroski Professor Leonardo Henrique Gonsioroski UNIVERSIDADE GAMA FILHO PROCET DEPARTAMENTO DE ENGENHARIA CONTROLE E AUTOMAÇÃO Definições Um sistema que estabeleça
Leia maisUniversidade Regional de Blumenau Centro de Ciências Exatas e Naturais Departamento de Sistemas e Computação
Universidade Regional de Blumenau Centro de Ciências Exatas e Naturais Departamento de Sistemas e Computação Desenvolvimento da Aplicação para Aprovação do Limite de Crédito Financeiro de uma Empresa Têxtil
Leia maisRelação de Disciplinas
Relação de Disciplinas Disciplinas Obrigatórias Nome: Metodologia da Pesquisa Científica Carga Horária: 30 h/a Ementa: Ciência, pesquisa e conhecimento científicos. Ciências básicas, ciência aplicada e
Leia maisDistorções Dinâmicas no Tempo & Pesquisa. Distorção dinâmica no tempo Pesquisa Algoritmos gráficos de pesquisa Algoritmos de programação dinâmica
Distorções Dinâmicas no Tempo & Pesquisa Distorção dinâmica no tempo Pesquisa Algoritmos gráficos de pesquisa Algoritmos de programação dinâmica 1 Casamento de Template Baseado em Palavra Medida de Característica
Leia maisComunicado MMC 030/2010 Belo Horizonte, 30 de novembro de 2010 OFERTA DE DISCIPLI AS PARA O 1º SEMESTRE DE 2011
Comunicado MMC 030/2010 Belo Horizonte, 30 de novembro de 2010 OFERTA DE DISCIPLI AS PARA O 1º SEMESTRE DE 2011 º DISCIPLI A TIPO CH CR DOCE TE DIA HORÁRIO 1. Álgebra Linear OB 45 3 Fausto de Camargo Júnior
Leia maisTécnicas de diversidade
Instituto Federal de Santa Catarina Curso superior de tecnologia em sistemas de telecomunicação Comunicações móveis 2 Técnicas de diversidade Prof. Diego da Silva de Medeiros São José, outubro de 2011
Leia maisESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 ESTUDO DE ALGORITMO MLP COMO APROXIMADOR
Leia maisComparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Modelos Neurais Aplicados a Resistência de Fornos de
Leia maisSERVIÇO PÚBLICO FEDERAL INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO AMAPÁ IFAP CÂMPUS MACAPÁ
13 específica, de segunda-feira a sexta-feira e aos sábados, caso seja necessário para complementação do período letivo e/ou carga horária curricular. Cada aula tem durafao de 50min (cinquenta minutos),
Leia maisRedes Neurais Artificiais. Everton Gago
Redes Neurais Artificiais Everton Gago Como vai ser? O que é RNA? Conglomerado de neurônios!?!? Neurônio: Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3
Leia maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
Leia maisCiência da Computação 1 0 Semestre de 2016
Ciência da Computação 1 0 Semestre de 2016 Disciplina: LR2- Laboratório de Redes 2 Código: Série: 4 0 ano Semestre: 7 0 Carga Horária Semanal: 2 aulas Carga Horária Semestral: 34 aulas Coordenador: Julio
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisPROJETO DE INCLUSÃO DE DISCIPLINAS OPTATIVAS NO CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO CAMPUS CURITIBA
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Ministério da Educação Universidade Tecnológica Federal do Paraná Campus Curitiba Curso de Bacharelado em Sistemas de Informação PROJETO DE INCLUSÃO DE DISCIPLINAS
Leia maisPLANO DE TRABALHO TECNOLOGIA EM TOMOGRAFIA COMPUTADORIZADA
UNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE MEDICINA CURSO SUPERIOR DE TECNOLOGIA EM RADIOLOGIA PLANO DE TRABALHO TECNOLOGIA EM TOMOGRAFIA COMPUTADORIZADA PROFESSORES: Luiz Cláudio de Souza 1. EMENTA:
Leia maisModelos de neurônios baseados na taxa de disparos
Modelos de neurônios baseados na taxa de disparos Devido à complexidade dos chamados modelos realistas de neurônios e redes neurais, baseados no formalismo de Hodgkin-Huxley, muitos autores preferem usar
Leia maisFACULDADE PITÁGORAS PRONATEC
FACULDADE PITÁGORAS PRONATEC DISCIPLINA: ARQUITETURA DE COMPUTADORES Prof. Ms. Carlos José Giudice dos Santos carlos@oficinadapesquisa.com.br www.oficinadapesquisa.com.br Objetivos Ao final desta apostila,
Leia maisDEPARTAMENTO DE ESTATÍSTICA PLANO DE ENSINO FICHA N.º 1
DEPARTAMENTO DE ESTATÍSTICA PLANO DE ENSINO FICHA N.º 1 Departamento de Estatística Setor de Ciências Exatas Disciplina: Elementos Básicos para Estatística Código: CE065 Natureza: Semestral Carga Horária:
Leia maisPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA. Plano de Ensino
DISCIPLINA: Tópicos Especiais em Sistemas Elétricos: Interação entre Descargas Atmosféricas e Sistemas Elétricos. CÓDIGO: MEE001 Validade: A partir do 1º semestre de 2009. Carga Horária: 45 horas-aula
Leia maisFORMULÁRIO 2 : MATRIZ CURRICULAR CURSO: ENGENHARIA ELÉTRICA ATIVIDADES ACADÊMICAS INTEGRANTES DO CURSO
1º 2º 3º 4º 5º DCC003 ALGORITMOS E ESTRUTURA DE DADOS I M DIS 4 60 60 0 OB OB OB OB OB OB EEE001 INTRODUÇÃO À ENGENHARIA ELÉTRICA M DIS 1 15 15 0 OB OB OB OB OB OB EEEnn1 INTRODUÇÃO AO PROJETO DE ENGENHARIA
Leia maisIntrodução à Engenharia de Informação
Introdução à Engenharia de Informação Prof a. Marta Mattoso marta@cos.ufrj.br http://www.cos.ufrj.br/~marta COPPE- Sistemas / UFRJ Apresentação do Curso e Conceitos Básicos Roteiro Introdução Conceitos
Leia maisUniversidade Federal de Juiz de Fora Faculdade de Engenharia Departamento de Energia Elétrica PLANO DE ENSINO
Universidade Federal de Juiz de Fora Faculdade de Engenharia Departamento de Energia Elétrica 1) IDENTIFICAÇÃO DA DISCIPLINA Disciplina Teoria de Controle II PLANO DE ENSINO Código CEL039 Carga horária
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS Tecnologia em Análise e Desenvolvimento de Sistemas 5ª. Série Programação Distribuída A atividade prática supervisionada (ATPS) é um método de ensinoaprendizagem desenvolvido
Leia maisPrevisão de séries temporais mediante redes neurais
Previsão de séries temporais mediante redes neurais Aluna: João Pedro Mano Orientadora: Celia Anteneodo Introdução Atualmente, com o crescimento dos mercados financeiros, e com as mudanças bruscas nos
Leia maisMudança Climática e Impacto nos Negócios
Mudança Climática e Impacto nos Negócios GESTÃO DE FUTURO Negócios sistêmicos, íntegros, rentáveis Uma análise setorial de riscos e oportunidades relacionadas aos aspectos físicos da mudança climática.
Leia maisSimpósio de Aplicações Operacionais em Áreas de Defesa
Simpósio de Aplicações Operacionais em Áreas de Defesa O Simpósio de Aplicações Operacionais em Áreas de Defesa (SIGE), realizado anualmente pelo Instituto Tecnológico de Aeronáutica ITA, é um evento internacional
Leia maisPrograma da Disciplina
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E tecnologia PARAÍBA Ministério da Educação Instituto Federal de Educação, Ciência e Tecnologia da Paraíba - Campus Cajazeiras Diretoria de Ensino / Coord. do Curso
Leia maisPREVISÃO DO PREÇO DA SOJA UTILIZANDO REDES NEURAIS
PREVISÃO DO PREÇO DA SOJA UTILIZANDO REDES NEURAIS 1 William Hajime Yonenaga e 2 Reginaldo Santana Figueiredo 1 Programa de Pós-Graduação em Engenharia de Produção, 2 Departamento de Engenharia de Produção
Leia maisFaculdade de Jaguariúna
Faculdade de Jaguariúna Ciência da Computação REDES NEURAIS ARTIFICIAIS NA PREVISÃO DO CONSUMO DE ENERGIA ELÉTRICA Jaguariúna-SP 2005 2 Luis Fernando Pereira Vicente REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisIntrodução à Engenharia de Sistemas
Introdução à Engenharia de Sistemas Considerações Iniciais Renato Dourado Maia Universidade Estadual de Montes Claros Engenharia de Sistemas Minha Formação Graduação em Engenharia de Controle e Automação
Leia maisDepartamento de Matemática Ano letivo 2016/17 CRITÉRIOS DE AVALIAÇÃO PARA O ENSINO BÁSICO Grupo 230 Matemática (2ºciclo)
Departamento de Matemática Ano letivo 2016/17 CRITÉRIOS DE AVALIAÇÃO PARA O ENSINO BÁSICO Grupo 230 Matemática (2ºciclo) Objeto de avaliação Itens/Parâmetros Instrumentos Ponderação Conteúdos da Testes
Leia maisIntrodução. à UML. Histórico (cont.) Histórico Definição Benefícios Notação Diagrama de Classes Diagramas de Interação Conclusões Revisão
Sumário Introdução à UML BSI Bacharelado em Sistemas de Informação LOO Linguagens Orientadas a Objetos Humberto Mossri de Almeida hmossri_cursos@yahoo.com.br Marcelo Nassau Malta nassau_cursos@yahoo.com.br
Leia maisTransformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,
Leia maisTomada de Decisão Estratégica
EXERCÍCIO N N Tópico Tópico 1 2 Sistemas Tomada de de Informação Decisão Estratégica nos negócios DCC133 Introdução a Sistemas de Informação TÓPICO 2 Tomada de Decisão Estratégica Prof. Tarcísio de Souza
Leia maisCálculo Numérico. Introdução. Prof. Jorge Cavalcanti twitter.com/jorgecav
Universidade Federal do Vale do São Francisco Cálculo Numérico Introdução Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br twitter.com/jorgecav 1 Cálculo Numérico Plano de Ensino Objetivos Ementa
Leia maisComo modelar o comportamento de um sistema? MAB-515
Como modelar o comportamento de um sistema? MAB-515 Possibilidades de modelagem PARAMETRIZA modelo matemático experimento real AJUDA A COMPREENDER SIMULAÇÃO SOLUÇÃO ANALÍTICA MEDIDAS EXPERIMENTAIS NO MODELO
Leia maisELETRONICA DIGITAL. Aula 01 Apresentação da disciplina; Representação Digital x Analógica. Prof. Franklin Alves 1
ELETRONICA DIGITAL Aula 01 Apresentação da disciplina; Representação Digital x Analógica. Prof. Franklin Alves 1 Objetivo Entender os conceitos fundamentais de lógica digital. Estudo de Sistemas Digitais
Leia maisPrograma de Pós-Graduação em Engenharia de Sistemas e Automação Departamento de Engenharia - Universidade Federal de Lavras
Programa de Pós-Graduação em Engenharia de Sistemas e Automação Histórico Início 2007 com foco em modelagem biológica (Engenharias IV Capes) e característica multidisciplinar com professores da área de
Leia maisAlgoritmos de Compressão sem Perdas
Algoritmos de Compressão sem Perdas (continuação) Aula 08 Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação
Leia maisESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS
ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS David Gabriel de Barros Franco Pontifícia Universidade Católica do Paraná david.barros@pucpr.br Maria Teresinha
Leia maisMatriz Curricular Curso de Licenciatura em Computação Habilitação: Licenciatura em Computação
Matriz Curricular Curso de Licenciatura em Habilitação: Licenciatura em LC101 Leitura e produção textual 30-10 40 2 - LC102 Informática e sociedade 30-10 40 2 - LC103 Inglês básico 50-10 60 3-1º LC104
Leia maisSOCIEDADE EDUCACIONAL DE SANTA CATARINA INSTITUTO SUPERIOR TUPY
SOCIEDADE EDUCACIONAL DE SANTA CATARINA INSTITUTO SUPERIOR TUPY PLANO DE ENSINO IDENTIFICAÇÃO Curso: Engenharia de Plásticos Período/Módulo: 3º Período Disciplina/Unidade Curricular: Álgebra Linear Código:
Leia maisAPLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA. PALAVRAS-CHAVE: Redes Neurais Artificiais; Rede Neural de Base Radial; Meteorologia.
APLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA Emerson Yoshio Maeda (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM), math.maeda@gmail.com Juliano Fabiano da Mota (OR), (UNESPAR/FECILCAM), jfmota@fecilcam.br
Leia maisFACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA
FACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS PRAIA GRANDE 2010 JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS
Leia maisCIRCUITOS ELÉTRICOS I PROGRAMAÇÃO 02/16
CIRCUITOS ELÉTRICOS I PROGRAMAÇÃO 02/16 - Introdução - Método de avaliação - Data das provas: P1: 04/10/16 P2: 08/11/16 P3: 22/11/16 (somente para faltosos) - Suspensão de aulas: 09/08/16, 16/08/16, 15/11/16
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisInteligência Computacional [2COP229]
Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da
Leia maisCIRCUITOS ELÉTRICOS I PROGRAMAÇÃO 02/15
CIRCUITOS ELÉTRICOS I PROGRAMAÇÃO 02/15 Aula 1 04/08/15 - Introdução - Método de avaliação - Data das provas: P1: 29/09/15 P2: 03/11/15 P3: 10/11/15 (somente para faltosos) - Suspensão de aulas: Não há
Leia maisPlano de Ensino. Identificação. Câmpus de Bauru. Curso Engenharia de Produção. Ênfase. Disciplina EM1 - Cálculo Numérico Computacional
Curso 4402 - Engenharia de Produção Ênfase Identificação Disciplina 0002029EM1 - Cálculo Numérico Computacional Docente(s) Adriana Cristina Cherri Nicola Unidade Faculdade de Ciências Departamento Departamento
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
Leia maisGRAFOS. Prof. André Backes. Como representar um conjunto de objetos e as suas relações?
8/0/06 GRAFOS Prof. André Backes Definição Como representar um conjunto de objetos e as suas relações? Diversos tipos de aplicações necessitam disso Um grafo é um modelo matemático que representa as relações
Leia maisIntrodução à Computação: Sistemas de Computação
Introdução à Computação: Sistemas de Computação Beatriz F. M. Souza (bfmartins@inf.ufes.br) http://inf.ufes.br/~bfmartins/ Computer Science Department Federal University of Espírito Santo (Ufes), Vitória,
Leia maisDESENVOLVIMENTO DE FERRAMENTA COMPUTACIONAL PARA PROJETOS DE REDES NEURAIS ARTIFICIAIS
IFSP - INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE SÃO PAULO DESENVOLVIMENTO DE FERRAMENTA COMPUTACIONAL PARA PROJETOS DE REDES NEURAIS ARTIFICIAIS HUGO DA SILVA BERNARDES GONÇALVES São Paulo
Leia maisApresentação da disciplina
Instituto Federal de Educação, Ciência e Tecnologia Campus Inhumas TESTES DE SOFTWARE Apresentação da disciplina Prof. Me. Victor Hugo Lázaro Lopes AGENDA Apresentação do professor Plano de ensino Ementa
Leia maisFicha de Unidade Curricular (FUC) de Marketing dos Serviços
INSTITUTO POLITÉCNICO DE COIMBRA INSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÂO DE COIMBRA Aprovação do Conselho Pedagógico 30/3/2016 Aprovação do Conselho Técnico-Científico 20/4/2016 Ficha de Unidade
Leia mais