Introdução às Redes Neurais Artificiais

Tamanho: px
Começar a partir da página:

Download "Introdução às Redes Neurais Artificiais"

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 (www.cormactech.com/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

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia

Leia mais

3 Redes Neurais Artificiais

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

Leia mais

serotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina

serotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)

Leia mais

Inteligência Computacional

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 mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos

Leia mais

INTELIGÊNCIA ARTIFICIAL

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

Leia mais

Protótipo de Software para Reconhecimento de Impressões Digitais

Protótipo 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 mais

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

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

Leia mais

Algoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.

Algoritmos 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 mais

Inteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida

Inteligência 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 mais

Redes Neurais Artificiais. Professor: Juan Moises Villanueva

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

Leia mais

Professor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO

Professor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Redes Neurais Artificiais ou simplesmente Redes Neurais (também conhecidas como modelos conexionistas) têm sido, ao longo dos últimos anos, uma área de

Leia mais

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME 1 Conceitos básicos Naive Bayes K-vizinhos mais

Leia mais

Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons

Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes

Leia mais

Paradigmas de Aprendizagem

Paradigmas 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 mais

Inteligência Artificial Redes Neurais Artificiais

Inteligência 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 mais

4 Redes Neurais Artificiais

4 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 mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

IC 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 mais

Uso de Redes Neurais Artificiais na Determinação dos Zeros de Funções Polinomiais

Uso 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 mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais André Ricardo Gonçalves andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Sumário 1 Redes Neurais Artificiais p. 3 1.1 Inspiração Biológica..............................

Leia mais

Soluções de Equações Diferenciais Usando Redes Neurais de Múltiplas camadas com os métodos da Descida mais íngreme e Levenberg-Marquardt.

Soluções 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 mais

Inteligência Artificial. Conceitos Gerais

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

Leia mais

Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental

Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado

Leia mais

REDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio

REDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio REDES NEURAIS Sistema Nervoso 2 O que é? É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos Engloba o cérebro Sua unidade fundamental é o neurônio Se diferencia

Leia mais

FICHA DE COMPONENTE CURRICULAR

FICHA DE COMPONENTE CURRICULAR 495 Arquitetura de Redes TCP/IP 3 3 Ao final da disciplina o estudante será capaz de: - Reconhecer e compreender os principais conceitos e aplicações em TCP/IP - Compreender os fundamentos da interconexão

Leia mais

UM 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 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 mais

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

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

Leia mais

Reconhecendo Instrumentos Musicais Através de Redes Neurais Artificiais

Reconhecendo 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 mais

IAC - Inteligência Artificial Aplicada a Controle

IAC - Inteligência Artificial Aplicada a Controle Introdução IAC - Inteligência Artificial Aplicada a Controle Prof. Dr. Alexandre da Silva Simões Homo sapiens: capacidades mentais de grande importância Como um punhado de matéria pode perceber, compreender,

Leia mais

Pontifícia Universidade Católica de São Paulo Programa de TIDD

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

Leia mais

Rastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos

Rastreamento 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 mais

Introdução às Redes Neurais Artificiais. Eduardo Simas

Introdução 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 mais

PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL

PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE

Leia mais

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS

RECONHECIMENTO 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 mais

SCC Capítulo 5 Perceptron Multicamadas

SCC Capítulo 5 Perceptron Multicamadas Introdução Back-propagation (BP) MLPs Convolução SCC-5809 - Capítulo 5 Perceptron Multicamadas João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes

Leia mais

Automação Inteligente

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

Leia mais

Máquinas de suporte vetorial e sua aplicação na detecção de spam

Máquinas 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 mais

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

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

Leia mais

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

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

Leia mais

3 Modelos Comparativos: Teoria e Metodologia

3 Modelos Comparativos: Teoria e Metodologia 3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito

Leia mais

INTELIGÊNCIA COMPUTACIONAL

INTELIGÊNCIA 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 mais

INTELIGÊNCIA COMPUTACIONAL E REDES NEURAIS EM ENGENHARIA ELÉTRICA

INTELIGÊNCIA COMPUTACIONAL E REDES NEURAIS EM ENGENHARIA ELÉTRICA INTELIGÊNCIA COMPUTACIONAL E REDES NEURAIS EM ENGENHARIA ELÉTRICA Prof. Emílio Del Moral Hernandez Dep. de Eng. de Sistemas Eletrônicos PSI-EPUSP emilio_del_moral@ieee.org www.lsi.usp/~emilio PSI-2222

Leia mais

Organização e Arquitetura de Computadores I

Organização e Arquitetura de Computadores I Universidade Federal de Campina Grande Centro de Engenharia Elétrica e Informática Unidade Acadêmica de Sistemas e Computação Curso de Bacharelado em Ciência da Computação Organização e Arquitetura de

Leia mais

Grade Curricular do Curso de Graduação em Engenharia de Computação

Grade 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 mais

Técnicas Avançadas de Programação

Técnicas Avançadas de Programação Sumário Técnicas Avançadas de Programação Prof. João Marcos M. da Silva Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade Federal Fluminense Agosto de 2011 Prof. João Marcos

Leia mais

Modelos de neurônios baseados na taxa de disparos

Modelos 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 mais

Reconhecimento de Padrões Lexicais por meio de Redes Neurais

Reconhecimento de Padrões Lexicais por meio de Redes Neurais UNIVERSIDADE ESTADUAL PAULISTA UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Reconhecimento de Padrões Lexicais por meio de Redes Neurais Maurizio Babini

Leia mais

3 REDES NEURAIS ARTIFICIAIS

3 REDES NEURAIS ARTIFICIAIS 50 3 REDES NEURAIS ARTIFICIAIS Este capitulo apresenta uma descrição sucinta da teoria básica de Redes Neurais Artificiais e sobre a criação do Comitê de Redes Neurais. Se o leitor estiver familiarizado

Leia mais

Décimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013

Décimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013 UTILIZAÇÃO DE REDES NEURAIS PARA MODELAGEM DO COMPORTAMENTO DE ISOLADORES A. H. Reiner* L. H. Meyer* F. H. Molina** *Fundação Universidade Regional de Blumenau ** Centrais Elétricas de Santa Catarina S/A

Leia mais

Automação Inteligente de Processos e Sistemas

Automação Inteligente de Processos e Sistemas Automação Inteligente de Processos e Sistemas Prof. Dr. Ivan Nunes da Silva USP/EESC/SEL insilva@sc.usp.br 3 de agosto de 203. Sistemas Inteligentes Conjunto de ferramentas computacionais que tentam simular

Leia mais

Inteligência Computacional

Inteligência Computacional Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Motivação Básica A mente humana,

Leia mais

Figura 3.19 Exemplo da simulação de um ensaio de embutimento simples, Plaut e Silva (2003). Figura 3.20 Exemplo da simulação de um processo de hidroco

Figura 3.19 Exemplo da simulação de um ensaio de embutimento simples, Plaut e Silva (2003). Figura 3.20 Exemplo da simulação de um processo de hidroco Figura 3.18 Determinação das deformações de um disco sob compressão, adaptação da citação de Dieter (1988). Atualmente programas de computador extremamente sofisticados e equipamentos poderosos permitem

Leia mais

MINISTÉRIO DA EDUCAÇÃO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS DIRETORIA DE GRADUAÇÃO

MINISTÉRIO DA EDUCAÇÃO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS DIRETORIA DE GRADUAÇÃO DISCIPLINA: Linguagens de Programação CÓDIGO: 2ECOM.031 Data de Elaboração: Janeiro/2012 Carga Horária: Total: 30 h/a; Semanal: 02 aulas; Créditos: 02 Modalidade: Prática Classificação do Conteúdo pelas

Leia mais

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

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

Leia mais

Sistemas de Informação e Decisão. Douglas Farias Cordeiro

Sistemas 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 mais

Disciplinas isoladas para o 1º semestre de 2017

Disciplinas isoladas para o 1º semestre de 2017 Curso: Engenharia de Telecomunicações Disciplinas isoladas para o 1º semestre de 017 Período Sigla P5 EE 01 Disciplina Circuitos Elétricos II créditos Pré e có-requisitos NB 003 - Cálculo III (PRÉ) EE

Leia mais

ESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO

ESTUDO 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 mais

PROJETO DE PROGRAMAS. Projeto de Programas PPR0001

PROJETO DE PROGRAMAS. Projeto de Programas PPR0001 PROJETO DE PROGRAMAS Projeto de Programas PPR0001 Desenvolvimento de Software 2 3 Desenvolvimento de Software Análise de Requisitos Distinguir e dividir o sistema em componentes: Analisar os componentes

Leia mais

Comparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário

Comparação 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 mais

INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação

Leia mais

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes 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 mais

UNIVERSIDADE FEDERAL DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO

UNIVERSIDADE FEDERAL DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO UNIVERSIDADE FEDERAL DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO O USO DE REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE TENDÊNCIAS NO MERCADO DE AÇÕES DISSERTAÇÃO SUBMETIDA À UFPE PARA

Leia mais

MODELAGEM DO COMPORTAMENTO À FADIGA DE COMPÓSITOS DE FIBRA DE VIDRO A PARTIR DE UM MODELO MISTO DE RNA

MODELAGEM DO COMPORTAMENTO À FADIGA DE COMPÓSITOS DE FIBRA DE VIDRO A PARTIR DE UM MODELO MISTO DE RNA 1 UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA MODELAGEM DO COMPORTAMENTO À FADIGA DE COMPÓSITOS DE FIBRA DE VIDRO A PARTIR DE UM MODELO MISTO DE RNA Dissertação

Leia mais

Comparação de Abordagens de Classificação para um Problema de Mineração de Dados Meteorológicos

Comparação de Abordagens de Classificação para um Problema de Mineração de Dados Meteorológicos Comparação de Abordagens de Classificação para um Problema de Mineração de Dados Meteorológicos Glauston Roberto Teixeira de Lima, Stephan Stephany, INPE Laboratório Associado de Computação e Matemática

Leia mais

.SXUNWF «T'NTQºLNHF &)&1.3* Introdução às redes Neurais Artificiais (RNAs) v1.1

.SXUNWF «T'NTQºLNHF &)&1.3* Introdução às redes Neurais Artificiais (RNAs) v1.1 1 Introdução às redes Neurais Artificiais (RNAs) v1.1 por João Paulo Schwarz Schüler jpss@schulers.com - http://www.schulers.com/jpss ( enviar correções, sugestões ao jpss ).SXUNWF «T'NTQºLNHF As redes

Leia mais

Inteligência Artificial

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

Leia mais

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

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

Leia mais

PROGRAMA DE ENSINO. CÓDIGO DISCIPLINA OU ESTÁGIO SERIAÇÃO IDEAL/PERÍODO MEC0949 Elementos de Máquinas I 4 a /7 o PRÉ-REQUISITO

PROGRAMA DE ENSINO. CÓDIGO DISCIPLINA OU ESTÁGIO SERIAÇÃO IDEAL/PERÍODO MEC0949 Elementos de Máquinas I 4 a /7 o PRÉ-REQUISITO PROGRAMA DE ENSINO UNIDADE UNIVERSITÁRIA: UNESP CÂMPUS DE ILHA SOLTEIRA CURSO: Engenharia Mecânica (Resolução UNESP nº 74/2004 - Currículo: 4) HABILITAÇÃO: OPÇÃO: DEPARTAMENTO RESPONSÁVEL: Engenharia Mecânica

Leia mais

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

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

Leia mais

Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos

Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais

Leia mais

SERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA FACULDADE DE ENGENHARIA DA COMPUTAÇÃO E TELECOMUNICAÇÕES

SERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA FACULDADE DE ENGENHARIA DA COMPUTAÇÃO E TELECOMUNICAÇÕES FCT - SALA SALA 01 ITEC -B Segunda Terça Quarta Quinta Sexta 07:30 09:10 Física I Programação Física I Programação 09:20 11:00 Cálculo I/ TC01022 Redes Móveis JASMINE Cálculo I/ TC01022 Redes Móveis JASMINE

Leia mais

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

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

Leia mais

Reconhecimento facial. uma aplicação prática do reconhecimento de padrões

Reconhecimento facial. uma aplicação prática do reconhecimento de padrões Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento

Leia mais

Inteligência Artificial. Prof. Ilaim Costa Jr.

Inteligência 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 mais

PROTÓTIPO DE UMA APLICAÇÃO PARA AUXÍLIO NA GERAÇÃO DE LAUDOS MÉDICOS A PARTIR DO RECONHECIMENTO DE PALAVRAS FALADAS UTILIZANDO REDES NEURAIS

PROTÓTIPO DE UMA APLICAÇÃO PARA AUXÍLIO NA GERAÇÃO DE LAUDOS MÉDICOS A PARTIR DO RECONHECIMENTO DE PALAVRAS FALADAS UTILIZANDO REDES NEURAIS UNIVERSIDADE DO PLANALTO CATARINENSE DEPARTAMENTO DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE SISTEMAS DE INFORMAÇÃO (BACHARELADO) JUNIOR STURM PROTÓTIPO DE UMA APLICAÇÃO PARA AUXÍLIO NA GERAÇÃO DE LAUDOS

Leia mais

Faculdade de Jaguariúna

Faculdade 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 mais

Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta

Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting

Leia mais

STDS - 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 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 mais

FACULDADE DE INFORMÁTICA E ADMINISTRAÇÃO PAULISTA GUSTAVO DE MARI PEREIRA OSVALDO BINOTTI TEIXEIRA

FACULDADE DE INFORMÁTICA E ADMINISTRAÇÃO PAULISTA GUSTAVO DE MARI PEREIRA OSVALDO BINOTTI TEIXEIRA FACULDADE DE INFORMÁTICA E ADMINISTRAÇÃO PAULISTA GUSTAVO DE MARI PEREIRA OSVALDO BINOTTI TEIXEIRA REDES NEURAIS ARTIFICIAIS APLICADAS NA EVASÃO ESTUDANTIL DO ENSINO SUPERIOR São Paulo 2012 GUSTAVO DE

Leia mais

ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS

ESTUDO 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 mais

Inteligência Artificial

Inteligência Artificial Inteligência Artificial Apresentação da disciplina Conceitos básicos Objetivos Apresentar uma visão geral da Inteligência Artificial, com ênfase na utilidade e aplicação das diferentes abordagens de solução

Leia mais

Figura 1 Sinais e Transformadas de Fourier (HAYKIN; VAN VEEN, 2001).

Figura 1 Sinais e Transformadas de Fourier (HAYKIN; VAN VEEN, 2001). Processamento Digital de Sinais Aula 3 Professor Marcio Eisencraft março 22 Aula 3 TFD: Transformada de Fourier Discreta Bibliografia OPPEHEIM, A. V.; SCHAFER, R W.; BUCK, J. R. Discrete-time signal processing,

Leia mais

Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java

Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Raquel Machado de Sousa 1 1 Laboratório de Sistemas Inteligentes (LSI) Universidade Federal do Maranhão (UFMA) Av. dos Portugueses

Leia mais

RECONHECIMENTO FACIAL UTILIZANDO EIGENFACES

RECONHECIMENTO FACIAL UTILIZANDO EIGENFACES Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO

Leia mais

Modelos Pioneiros de Aprendizado

Modelos 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 mais

Comunicado 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 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 mais

2011 Profits Consulting. Inteligência Computacional

2011 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 mais

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS UILIAÇÃO DE REDES NEURAIS ARIFICIAIS PARA PREVISÃO DE SÉRIES EMPORAIS Aida Araújo Ferreira(1); Elvis Gonçalves de Lira(2) (1) Instituto Federal de Educação, Ciência e ecnologia (IFPE), Av. Prof Luiz Freire,

Leia mais

Aula 06 - Máquina Multinível e Von Neumann

Aula 06 - Máquina Multinível e Von Neumann Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte Campus Currais Novos Instalação e Organização de Computadores Aula 06 - Máquina Multinível e Von Neumann Prof. Diego Pereira

Leia mais

INF 1771 Inteligência Artificial

INF 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 mais

3 Aprendizado por reforço

3 Aprendizado por reforço 3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina

Leia mais

Evolução do Software e os Tipos de Softwares Existentes. Profa. Reane Franco Goulart

Evolução do Software e os Tipos de Softwares Existentes. Profa. Reane Franco Goulart Evolução do Software e os Tipos de Softwares Existentes Profa. Reane Franco Goulart Evolução da Engenharia de Software Os primeiros computadores, construídos na década de 1940, não possuíam software: os

Leia mais

Inteligência Computacional para Jogos Eletrônicos

Inteligência 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 mais

Universidade Fernando Pessoa 11 de março de 2016 Porto

Universidade Fernando Pessoa 11 de março de 2016 Porto Autor: Raúl C. Morgado Doutorando Orientador: Luís B. Gouveia Professor Associado Universidade Fernando Pessoa 11 de março de 2016 Porto Introdução Cibersegurança Inteligência Artificial Inteligência Artificial

Leia mais

ANEXO: ESTRUTURA CURRICULAR DO CURSO DE ENGENHARIA ELÉTRICA DA UFCG

ANEXO: ESTRUTURA CURRICULAR DO CURSO DE ENGENHARIA ELÉTRICA DA UFCG ANEXO: ESTRUTURA CURRICULAR DO CURSO DE ENGENHARIA ELÉTRICA DA UFCG I. CONTEÚDOS BÁSICOS (Carga horária de 1740 horas) 1.1 - FORMAÇÃO CIENTÍFICA E TECNOLÓGICA (Carga horária: 1425 horas) 1.1.1 - MATEMÁTICA

Leia mais

ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS

ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS ESTUDO DA INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS DA CALDEIRA DE RECUPERAÇÃO SOBRE A GERAÇÃO DE VAPOR UTILIZANDO REDES NEURAIS ARTIFICIAIS Gustavo Matheus de Almeida 1, Marcelo Cardoso 1, Éder Domingos de

Leia mais

Metodologia para avaliação dos níveis de interferências permissíveis gerados por rádios cognitivos em sistemas primários de telecomunicações

Metodologia para avaliação dos níveis de interferências permissíveis gerados por rádios cognitivos em sistemas primários de telecomunicações Metodologia para avaliação dos níveis de interferências permissíveis gerados por rádios cognitivos em sistemas primários de telecomunicações Eng. Ângelo Canavitsas PETROBRAS / PUC-RJ 31 de agosto de 2011

Leia mais

Prática 02. Total. Pré-requisitos 2 MTM112. N o

Prática 02. Total. Pré-requisitos 2 MTM112. N o Disciplina Pesquisa Operacional I MINISTÉRIO DA Departamento DEPARTAMENTO DE COMPUTAÇÃO Carga Horária Semanal Pré-requisitos 1 CIC170 Teórica EDUCAÇÃO E CULTURA DIRETORIA DE ENSINO 1 PROGRAMA DE DISCIPLINA

Leia mais

REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS

REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS Renan Pires de Araújo 1 ; Adrião Duarte Dória Neto 2 1 Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência

Leia mais

Introdução a UML (Unified Modeling Language)

Introdução a UML (Unified Modeling Language) Introdução a UML (Unified Modeling Language) O que é a UML? Linguagem Gráfica de Modelagem para: Visualizar Especificar Construir Documentar Comunicar Artefatos de sistemas complexos Linguagem: vocabulário

Leia mais