Modelando Novas Palavras
|
|
- Isabella Imperial Campelo
- 8 Há anos
- Visualizações:
Transcrição
1 Modelando Novas Palavras Introdução Modelando palavras fora do vocabulário (OOV Out Of- Vocabulary) Formulação Probabilística Métodos independentes do Domínio Conhecendo unidades de subpalavras OOV Modelos Multiclasse OOV 1
2 O que é uma nova palavra? Quase todos os reconhecedores de voz pesquisam um léxico finito Uma palavra não contida no léxico é denominada for a do vocabulário (OOV) Palavras (OOV) são inevitáveis e problemáticas! 2
3 Novas palavras são inevitáveis! Crescimento do Vocabulário parece sem limites Novas palavras estão continuamente aparecendo Crescimento parece ser independente da linguagem Análises de múltiplas vozes e textos Tamanho do Vocabulário vs.quantidade de dados de treinamento Taxa de OOV vs. Tamanho do vocabulário Taxa OOV uma função do tipo de dados Voz Humana-máquina Voz Humana-humano Texto de Jornais 3
4 Novas palavras causam erros! Palavras (OOV) têm taxas de erro de palavras e sentenças se comparadas com palavras no vocabulário (IV- In Vocabulary) Palavras OOV freqüentemente causam erros múltiplos, por ex., Symphony Ref: Members of Charleston Symphony Orchestra are being treated Hyp: Members of Charleston simple your stroke are being treated 4
5 Novas palavras sobrecarregam os reconhecedores! Cálculos para pesquisar aumentam nas proximidades de novas palavras. 5
6 Novas palavras são importantes! Novas palavras freqüentemente são palavras de conteúdo importante. Palavras de conteúdo têm maior probabilidade de serem reusadas (ou seja persistente). 6
7 Desafios das Novas Palavras Quatro desafios com as novas palavras: 1. Detecção da presença de novas palavras. 2. Determinação de sua posição dentro da seqüência. 3. Reconhecimento da seqüência fonética que as contém; 4. Identificação da ortografia da palavra. Aplicações para modelos de novas palavras: Melhorar o reconhecimento, detectar erros de reconhecimento; Trabalhar co palavras parciais; Melhorar estratégias de diálogo; Dinamicamente incorporar novas palavras no vocabulário. 7
8 Procedimentos Para o Modelamento OOV Aumentar o tamanho do vocabulário! Use pontuação confiável para detectar palavras OOV. Use unidades de sub palavras no primeiro estágio de um sistema de dois estágios. Incorpore um modelo de palavra desconhecida no reconhecedor de voz r Uma extensão de um preenchimento, ou lixo, modelo para não palavras. 8
9 Incorporando Um Modelo OOV no RAV (Bazzi, 2002) Espaço de pesquisa híbrido: uma união de espaços de pesquisa de IV e OOV. 1. Inicie com a rede léxica padrão. 2. Construa redes de subpalavras separadas. 3. Adicione a rede de subpalavras à rede de palavras como uma nova palavra, W oov Custo, C oov, é adicionado para controlar a taxa de detecção de OOV. Durante o treinamento do modelo de linguagem, todas as palavras OOV são mapeadas para a etiqueta W oov. Umas variedades de unidades de subpalavras são possíveis (por ex., fonemas, sílabas, ) Uma variedade de restrições topológicas Restrições Acústico-fonéticas Duração das restrições 9
10 O Modelo de Probabilidade OOV O modelo de probabilidade padrão: W * = argmax P ( A W ) P( W ) Modelos Acústicos: mesmos para palavras IV e OOV. W Modelos de Linguagem: uma classe n-grama é usada para palavras OOV. 10
11 Vantagens do Procedimento Integrado Comparado com os modelos de enchimento. Mesmos modelos Acústicos para palavras IV e OOV; *A probabilidade da estimação é comparável. Modelo de linguagem subpalavra; * Estimado com o propósito do reconhecimento de palavras OOV. Nível da palavra no modelo de linguagem faz a predição da palavra OOV; Uso de grandes unidades de sub palavras; Tudo o exposto acima este em único ambiente; O melhor dos dois mundos: Enchimentos e dois estágios; Utilização previa do conhecimento léxico (Enchimentos); Modelamento subléxico detalhado (Dois estágios). 11
12 Um modelo OOV baseado na coleção de palavras O modelo OOV baseado na coleção usa uma configuração típica para reconhecimento de fonemas Qualquer seqüência de fonemas e de qualquer comprimento é permitida Durante o reconhecimento, a seqüência de fonemas é restrita para um fonema n-grama O fonema n-grama é estimado a partir da mesma coleção de treinamento usada para treinar o reconhecedor de palavras 12
13 Configuração Experimental Experimentos utilizam o reconhecedor do sistema de informações meteorológicas JUPITER Reconhecedor baseado em segmento SUMMIT Modelos di-fonemas dependentes do contexto frases de treinamento palavras no vocabulário do reconhecedor Taxa OOV: 2,2% (15.5%nível - seqüência) Modelo OOV usa fonema bigrama Experimentos usam sentenças de teste a partir de chamadas feitas para JUPITER sentenças com somente palavras IV 314 sentenças contendo palavras OOV 13
14 Resultados da Detecção Com Modelo OOV Coleção Metade das palavras OOV detectadas com 2% de falso alarme. Para taxa de detecção de 70%, um falso alarme de 8,5%. 14
15 O Modelo OOV Oracle Objetivo: quantificar o melhor desempenho possível com o ambiente proposto. Procedimento: construir um modelo OOV que permita somente seqüências de fonemas de palavras OOV no conjunto de teste. A configuração Oracle não é equivalente a adicionar as palavras OOV no vocabulário. 15
16 Resultados da Detecção do Modelo OOV Oracle Significante espaço, para melhorias! 16
17 Modelo OOV Independente do Domínio Problemas com o modelo coleção Favorece palavras mais freqüentes pois é treinado no registro fonético de sentenças completas Devota uma porção da massa de probabilidades n-grama para sentenças com palavras cruzadas Modelo OOV dependente do domínio pode não ser generalizado Um dicionário do modelo OOV é implementado a partir de um dicionário genérico de palavras em vez que de uma coleção de sentenças Elimina a dependência com o domínio e a polarização para palavras freqüentes Experimentos usam Dicionário LDC PRONLEX palavras com um total de pronúncias 17
18 Resultados da Detecção do Modelo OOV Dicionário N taxa de detecção de 70%, o falso alarme é reduzido de 8,5% para 5,3% 18
19 Impacto na Taxa de Palavras Erradas WER no inteiro conjunto de teste é reduzido de 17,1% para 16,4% WER pode ser reduzido de 17,1% para 15,1% com um mecanismo de identificação 19
20 Outras Medidas de Desempenho Precisão em localizar palavras OOV: Taxa de erro fonético de OOV (PER Phonetis Error Rate): 20
21 Conhecendo Unidades de Subpalavras OOV Objetivo: incorporar restrições adicionais na estrutura a fim de reduzir hipóteses falsas nas palavras OOV. Idéia: restringir a rede de reconhecimento OOV para unidades multifonéticas especificas. Como obter ro conjunto de unidades multifonema? Procedimento orientado a dados: mede as estatísticas de co ocorrência de fonemas (por ex., informação mútua) dentro de um grande dicionário para propor incrementalmente novas unidades de multifonemas. 21
22 Conhecendo Unidades de Multifonemas Um algoritmo iterativo de baixo para cima Inicia com fonemas individuais; Iterativamente une pares de unidades para formar unidades mais longas. Critério para união de pares de unidades baseia-se na informação mutua pesada de um par (MI w ): ( u, u ) p( u, u ) MI w = 1 2 p( u1, u2 ) ( u ) p( u ) A cada iteração os n pares com maior MI w são unidos. 1 O número de unidades multifonemas assim obtidas depende do número de iterações. Um resultado é a completa analise de todas as palavras no vocabulário em termos das unidades conhecidas. 2 log p
23 Resultados MMI Conjunto inicial de unidades é o conjunto de fonemas (62 fonemas). Tamanho final do inventário de unidade é unidades (após 200 iterações, e 10 uniões por iteração). Modelo perplexidade OOV decresce de 14,0 para o conjunto de fonemas inicial para 7,1 do conjunto multifonema derivado. 67% das unidades derivadas são silabas legais em inglês. Comprimento médio de uma unidade derivada é 3,2 fonemas Exemplos: 23
24 MMI Comportamento do Aglomerado Níveis MI extrapolam para pares no topo do ranking dos pares; após várias iterações (pode ser útil como critério para parar). 24
25 MMI Model OOV Detection Results Em 70% da taxa de detecção, a taxa de alarme falso é reduzida para 3,2%. Taxa de erro de fonética é reduzida para 37,8% a 31,2%. 25
26 OOV - Detecção da Figura de Mérito Figura de mérito (FOM) medidas na área sob os 10% 10% e os 100% da curva de ROC. FOM aleatória mostra o desempenho para um modelo aleatório OOV (ROC é a diagonal y=x). 26
27 Um Modelo OOV Multiclasse Motivação: modelamento refinado das classes desconhecidas de palavras. No nível da fonética: estrutura fonotática similar. No nível do modelo de linguagem: padrões lingüísticos similares. Abordagem: estende o estrutura do modelo de múltiplas categorias de palavras desconhecidas. A coleção da redes OOV em paralelo com a rede IV. O nível de gramática das palavras p GN rediz múltiplas classes OOV. 27
28 Experimentos Multiclasse Atribuições de classe nos termos da etiqueta de parte da fala? Derivado de um dicionário etiquetado das palavras (LDC COMLEX). o modelo de linguagem do nível palavra treinou em oito classes POS? A palavra secundária múltipla, LMs, usada para a posição diferente classes POS. Atribuições de classe baseadas em aglomerar-se do perplexidade? Críe um modelo da linguagem bigram de telefone dos conjuntos iniciais? Use aglomeramento K-means para mudar aglomeramento para outro. Em cada iteração, cada palavra é movida para o conjunto com o perplexidade mais baixa (a probabilidade a mais elevada). 28
29 Modelo Multiclasse OOV Resultados da Detecção Método multiclasse melhora sobre o modelo dicionário OOV. Modelo POS obtém 81% da precisão da classe identificação. Aglomeramento da Perplexidade desempenha que a classe POS 29
30 Contribuição do Modelo de Linguagem Multi - OOV A maioria do ganho vem das múltiplas redes OOV. Fonotática é mais importante que as restrições do modelo da linguagem. Comportamento pode ser diferente em outros domínios. 30
31 Derivando Multiclasses Mediante Aglomeramento Aglomeramento pode ser usado para sugerir multiclasses inicias. Aglomeramento de baixo para cima para iniciar atribuição de palavras nas classes. Distância métrica baseada na similaridade do fonema bigrama. Uma medida de similaridade media é utilizada para unir aglomerados: 1 ( X m, X n ) = d( Wi W j ) d avg, C C W X W X Um número arbitrário de classes pode ser aglomerado. Classes podem ser suavizadas com o aglomeramento da perplexidade. m n wi i m j n 31
32 Outras Áreas de Pesquisa Relacionadas Medindo o impacto do reconhecimento no reconhecimento OOV para entendimento. Melhora da precisão fonética OOV. Estendendo o procedimento para modelar sentenças for a do domínio. Desenvolver pontuações confiáveis especificas para OOV. Para melhorar a qualidade da detecção. Modelamento de outras forma de sons fora do domínio (por ex., ruído). 32
33 Referências A. Asadi, Automatic detection and modeling of new words in a large vocabulary continuous speech recognition system, Ph.D. thesis, Northeastern University, I. Bazzi, Modelling out-of-vocabulary words for robust speech recognition, Ph.D. thesis, MIT, G. Chung, Towards multi-domain speech understanding with flexible and dynamic vocabulary, Ph.D. thesis, MIT, L. Hetherington, The problem of new, out-of-vocabulary words in spoken language systems, Ph.D. thesis, MIT,
Instituto de Tecnologia de Massachusetts Departamento de Engenharia Elétrica e Ciência da Computação. Tarefa 6 Modelamento da Línguagem
Instituto de Tecnologia de Massachusetts Departamento de Engenharia Elétrica e Ciência da Computação 6.345 Reconhecimento Automático da Voz Primavera, 2003 Publicado: 14/03/03 Devolução: 02/04/03 Tarefa
Leia maisNovos Recursos e Utilização de Adaptação de Locutor no Desenvolvimento de um Sistema de Reconhecimento de Voz para o Português Brasileiro
Novos Recursos e Utilização de Adaptação de Locutor no Desenvolvimento de um Sistema de Reconhecimento de Voz para o Português Brasileiro Patrick Silva Nelson Neto Aldebaro Klautau Simpósio Brasileiro
Leia maisRAV para Sistemas de Diálogo
RAV para Sistemas de Diálogo Introdução Problemas com o reconhecimento da voz: Exemplo usando sistema SUMMIT para informações meteorológicas. Reduzindo cálculos Modelo de agregação Classificadores baseados
Leia maisBoletim de Guia para os Pais das Escolas Públicas Elementar de Central Falls
Boletim de Guia para os Pais das Escolas Públicas Elementar de Central Falls O objetivo principal do cartão de relatório elementar é comunicar o progresso do aluno para os pais, alunos e outros funcionários
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisO que queremos. Processamento Estatístico da Linguagem Natural. Parsing Morfológico. Regras Simples. Adicionando palavras. Regras Derivacionais
Processamento Estatístico da Linguagem Natural Aula 5 Professora Bianca (Sala 302 Bloco E) bianca@ic.uff.br http://www.ic.uff.br/~bianca/peln/ O que queremos Algo que faça automaticamente um mapeamento
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisMÉTRICAS DE SOFTWARE
MÉTRICAS DE SOFTWARE 1 Motivação Um dos objetivos básicos da Engenharia de Software é transformar o desenvolvimento de sistemas de software, partindo de uma abordagem artística e indisciplinada, para alcançar
Leia maisTabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008
Tabela de Símbolos Análise Semântica A Tabela de Símbolos Fabiano Baldo Após a árvore de derivação, a tabela de símbolos é o principal atributo herdado em um compilador. É possível, mas não necessário,
Leia maisObjetivos. Processos de Software. Tópicos abordados. O processo de software. Modelos genéricos de modelos de processo de software.
Processos de Software Objetivos Apresentar os modelos de processo de software Conjunto coerente de atividades para especificar, projetar, implementar e testar s de software Descrever os diferentes modelos
Leia maisVetor Quantização e Aglomeramento (Clustering)
(Clustering) Introdução Aglomeramento de K-partes Desafios do Aglomeramento Aglomeramento Hierárquico Aglomeramento divisivo (top-down) Aglomeramento inclusivo (bottom-up) Aplicações para o reconhecimento
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisPROVA 358. (Dec.- Lei n.º 139/2012, de 5 de julho) 2014/2015 1.ª e 2.ª Fases
PROVA 358 INFORMAÇÃO - PROVA DE EQUIVALÊNCIA À FREQUÊNCIA INGLÊS Formação Específica Anual 12.º Ano (Dec.- Lei n.º 139/2012, de 5 de julho) 2014/2015 1.ª e 2.ª Fases Provas Escrita e Oral Cursos Científico-
Leia maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisVersão Final do Projecto. Versão Final do Projecto ( http://www.vmnf.net/vmnf/ist/meic/cadeiras/12-immi/projecto/ )
Versão Final do Projecto ( http://www.vmnf.net/vmnf/ist/meic/cadeiras/12-immi/projecto/ ) Navegador Multimodal de Imagens (NavMI( NavMI) vmnf@yahoo.com (v3.00-2005/07/11) Agenda Projecto NavMI O que é?
Leia maisEngenharia de Software: Introdução. Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes
Engenharia de Software: Introdução Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes Programa 1. O processo de engenharia de software 2. UML 3. O Processo Unificado 1. Captura de requisitos 2.
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisA Otimização Colônia de Formigas
A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado
Leia maisRoteiro. Arquitetura. Tipos de Arquitetura. Questionário. Centralizado Descentralizado Hibrido
Arquitetura Roteiro Arquitetura Tipos de Arquitetura Centralizado Descentralizado Hibrido Questionário 2 Arquitetura Figura 1: Planta baixa de uma casa 3 Arquitetura Engenharia de Software A arquitetura
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisFigura 1.1: Exemplo de links patrocinados no Google
1 Links Patrocinados 1.1 Introdução Links patrocinados são aqueles que aparecem em destaque nos resultados de uma pesquisa na Internet; em geral, no alto ou à direita da página, como na Figura 1.1. Figura
Leia maisDesenvolvimento de Sistemas Orientados a Objetos com UML UP/RUP: Projeto
Desenvolvimento de Sistemas Orientados a Objetos com UML UP/RUP: Projeto Engenharia de Software I Informática 2009 Profa. Dra. Itana Gimenes RUP: Artefatos de projeto Modelo de Projeto: Use-Case Realization-projeto
Leia maisDiagrama de transição de Estados (DTE)
Diagrama de transição de Estados (DTE) O DTE é uma ferramenta de modelação poderosa para descrever o comportamento do sistema dependente do tempo. A necessidade de uma ferramenta deste tipo surgiu das
Leia maisEngenharia de Software. Parte I. Introdução. Metodologias para o Desenvolvimento de Sistemas DAS 5312 1
Engenharia de Software Parte I Introdução Metodologias para o Desenvolvimento de Sistemas DAS 5312 1 Mitos do Desenvolvimento de Software A declaração de objetivos é suficiente para se construir um software.
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisArtigo Os 6 Mitos Do Seis Sigma
Artigo Os 6 Mitos Do Seis Sigma Celerant Consulting A metodologia do Seis Sigma a abordagem Definir, Medir, Analisar, Melhorar e Controlar (DMAIC) para resolução de problemas e as ferramentas a serem usadas
Leia maisMedidas e Incertezas
Medidas e Incertezas O que é medição? É o processo empírico e objetivo de designação de números a propriedades de objetos ou eventos do mundo real de forma a descreve-los. Outra forma de explicar este
Leia maisAula 20. Roteamento em Redes de Dados. Eytan Modiano MIT
Aula 20 Roteamento em Redes de Dados Eytan Modiano MIT 1 Roteamento Deve escolher rotas para vários pares origem, destino (pares O/D) ou para várias sessões. Roteamento datagrama: a rota é escolhida para
Leia mais1 UML (UNIFIED MODELING LANGUAGE)
1 UML (UNIFIED MODELING LANGUAGE) Segundo Tonsig (2003), para conseguir desenvolver um software capaz de satisfazer as necessidades de seus usuários, com qualidade, por intermédio de uma arquitetura sólida
Leia maisInteligência de Enxame: ACO
Inteligência de Enxame: ACO! Otimização colônia de formigas é uma meta-heurística: «baseada em população «inspirada no comportamento forrageiro das formigas.! Muitas espécies de formigas são quase cegas.!
Leia maisIA Colônia de Formigas. Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA Colônia de Formigas Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução O Experimento da Ponte Binária. Ant System Aplicado ao PCV. Elitist Ant System. Introdução Otimização colônia
Leia maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
Leia maisEstratégias de Pesquisa
Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisAgrupamento de dados
Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação
Leia maisModelo Entidade-Relacionamento
Modelo Entidade-Relacionamento Banco de Dados I Fases do Projeto jt de BD Enunciado de requisitos entrevista com o usuário do banco de dados para entender e documentar seus requerimentos de dados. Projeto
Leia maisModelagem e Simulação
AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.
Leia maisSistemas de Detecção de Intrusão SDI
PEP Auditoria e Segurança de Redes de Computadores Sistemas de Detecção de Intrusão SDI Jacson Rodrigues Correia da Silva Sistemas de Detecção de Intrusão Monitor de informações que atravessam o firewall
Leia maisEspecificações da oferta Gerenciamento de dispositivos distribuídos: Gerenciamento de ativos
Visão geral do Serviço Especificações da oferta Gerenciamento de dispositivos distribuídos: Gerenciamento de ativos Os Serviços de gerenciamento de dispositivos distribuídos ajudam você a controlar ativos
Leia maisAgrupamento de Escolas de Porto de Mós Informação-Prova de Equivalência à Frequência
Prova de Equivalência à Frequência de Inglês (Escrita + Oral) Prova Código 06-2015 2º Ciclo do Ensino Básico - 6ºano de escolaridade 1. Introdução O presente documento visa divulgar as características
Leia maisIntrodução a Gerenciamento de Projetos Prof. MSc. Fábio Assunção
Introdução a Gerenciamento de Projetos Prof. MSc. Fábio Assunção Um projeto é um esforço temporário realizado para criar um produto ou serviço único. Ou seja, é desenvolvido a partir de uma ideia, progredindo
Leia maisINFORMAÇÃO PROVA DE EQUIVALÊNCIA À FREQUÊNCIA INGLÊS LE I (2 anos) 2015
MINISTÉRIO DA EDUCAÇÃO E CIÊNCIA INFORMAÇÃO PROVA DE EQUIVALÊNCIA À FREQUÊNCIA INGLÊS LE I (2 anos) 2015 Prova 06 / 2015 --------------------------------------------------------------------------------------------------------------------------
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
Leia maisPROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO
PROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008 Deliverable: D3 Feature Extraction Library (Vectors) Task: T3 Feature Extraction
Leia maisTrabalhando com Pequenas Amostras: Distribuição t de Student
Probabilidade e Estatística Trabalhando com Pequenas Amostras: Distribuição t de Student Pequenas amostras x Grandes amostras Nos exemplos tratados até agora: amostras grandes (n>30) qualquer tipo de distribuição
Leia maisEngenharia de Sistemas Computacionais
Engenharia de Sistemas Detalhes no planejamento UNIVERSIDADE FEDERAL DE ALAGOAS Curso de Ciência da Computação Engenharia de Software I Prof. Rômulo Nunes de Oliveira Introdução Na aplicação de um sistema
Leia maisPLANEJAMENTO EXPERIMENTAL
PLANEJAMENTO EXPERIMENTAL Técnicas de Pesquisas Experimentais LUIS HENRIQUE STOCCO MARCIO TENÓRIO SANDRA MARCHI Introdução O Planejamento de Experimentos (Design of Experiments, DoE), técnica utilizada
Leia maisPesquisa experimental
1 Aula 7 Interação Humano-Computador (com foco em métodos de pesquisa) Prof. Dr. Osvaldo Luiz de Oliveira 2 Pesquisa experimental Wilhelm Wundt (1832-1920), Pai da Psicologia Experimental. Leituras obrigatórias:
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 11 Problemas com Satisfação de Vínculos
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 11 Problemas com Satisfação de Vínculos 1 Constraint Satisfaction Problems (CSP) Conceitos básicos Busca cega simples e refinada Busca heurística
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisPROVA 367. (Dec.- Lei n.º 139/2012, de 5 de julho) 2014/2015 1.ª e 2.ª Fases
PROVA 367 INFORMAÇÃO - PROVA DE EQUIVALÊNCIA À FREQUÊNCIA INGLÊS- continuação 10.º e 11.º Anos (Dec.- Lei n.º 139/2012, de 5 de julho) 2014/2015 1.ª e 2.ª Fases Provas Escrita e Oral Cursos Científico-
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisTeste de Software. Objetivos e Limites. Objetivos e Limites. Objetivos e Limites. Objetivos e Limites. Objetivos e Limites
Teste de Software Prof. Avelino F. Zorzo PUCRS Elaborado inicialmente pelo prof. Bernardo Copstein Teste é uma coisa óbvia? Qual a complexidade da questão? tá pronto, profi, é só testar... ué, mas pra
Leia maisSISTEMAS DISTRIBUÍDOS E TOLERÂNCIA A FALHAS
SISTEMAS DISTRIBUÍDOS E TOLERÂNCIA A FALHAS Automatic detection of firewall misconfigurations using firewall and network routing policies Flávio Amorim nº3409 Fábio Campos nº3481 ESTRUTURA DA APRESENTAÇÃO
Leia mais17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3.
Definição de Data Mining (DM) Mineração de Dados (Data Mining) Doutorado em Engenharia de Produção Michel J. Anzanello Processo de explorar grandes quantidades de dados à procura de padrões consistentes
Leia maisIA: Problemas de Satisfação de Restrições. Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA: Problemas de Satisfação de Restrições Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Introdução Um PSR é definido por um conjunto de variáveis X 1, X 2,..., X n, e por um conjunto de restrições,
Leia maisFUNCIONAMENTO, VANTAGENS E DESVANTAGENS DAS DIVERSAS TECNOLOGIAS
FUNCIONAMENTO, VANTAGENS E DESVANTAGENS DAS DIVERSAS TECNOLOGIAS FUNCIONAMENTO DOS RFID s O Um sistema de RFID é composto, basicamente, por uma antena, que funciona como receptor, faz a leitura do sinal
Leia maisModelos. Comunicação com clientes
Material baseado nas notas de aula: Maria Luiza M. Campos IME/2005 Carlos Heuser - livro Projeto de Banco de Dados CasaNova / PUC/RJ Prof. MSc. Edilberto Silva edilms@yahoo.com Sistemas de Informação Brasília/DF
Leia maisProcesso de Desenvolvimento de Software. Engenharia de Software. nelmarpg@yahoo.com.br
Processo de Desenvolvimento de Software nelmarpg@yahoo.com.br 1 Objetivos Contextualizar Análise e Projeto de software dentro de uma metodologia de desenvolvimento (um processo de desenvolvimento de software)
Leia maisModelagem e Simulação Material 02 Projeto de Simulação
Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação
Leia mais2 Diagrama de Caso de Uso
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa
Leia maisIntrodução aos cálculos de datas
Page 1 of 7 Windows SharePoint Services Introdução aos cálculos de datas Aplica-se a: Microsoft Office SharePoint Server 2007 Ocultar tudo Você pode usar fórmulas e funções em listas ou bibliotecas para
Leia maisSistemas Distribuídos: Conceitos e Projeto Introdução a Tolerância a Falhas
Sistemas Distribuídos: Conceitos e Projeto Introdução a Tolerância a Falhas Francisco José da Silva e Silva Laboratório de Sistemas Distribuídos (LSD) Departamento de Informática / UFMA http://www.lsd.ufma.br
Leia mais7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora
7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,
Leia mais3 SCS: Sistema de Componentes de Software
3 SCS: Sistema de Componentes de Software O mecanismo para acompanhamento das chamadas remotas se baseia em informações coletadas durante a execução da aplicação. Para a coleta dessas informações é necessário
Leia maisFabio Bento fbento@ifes.edu.br
Fabio Bento fbento@ifes.edu.br Eletrônica Digital Sistemas de Numeração e Códigos 1. Conversões de Binário para Decimal 2. Conversões de Decimal para Binário 3. Sistema de Numeração Hexadecimal 4. Código
Leia maisData Warehouse. Compras. Caroline B. Perlin
Data Warehouse Compras Caroline B. Perlin Agenda O processo de compra Requisitos de compras Transações de compra Tabela de fatos Slowly Changing Dimensions (SCD) Técnicas para lidar com SCD Abordagens
Leia maisRECONHECIMENTO DE PADRÕES RECONHECIMENTO DE VOZ
RECONHECIMENTO DE PADRÕES RECONHECIMENTO DE VOZ O ESQUEMA DE CLASSIFICAÇÃO É GERALMENTE BASEADO NA DISPONIBILIDADE DE UM CONJUNTO DE PADRÕES QUE FORAM ANTERIORMENTE CLASSIFICADOS, O "CONJUNTO DE TREINAMENTO";
Leia maisInstalações Máquinas Equipamentos Pessoal de produção
Fascículo 6 Arranjo físico e fluxo O arranjo físico (em inglês layout) de uma operação produtiva preocupa-se com o posicionamento dos recursos de transformação. Isto é, definir onde colocar: Instalações
Leia maisBancos de dados distribuídos Prof. Tiago Eugenio de Melo tiagodemelo@gmail.com. http://www.tiagodemelo.info
Bancos de dados distribuídos Prof. Tiago Eugenio de Melo tiagodemelo@gmail.com Última atualização: 20.03.2013 Conceitos Banco de dados distribuídos pode ser entendido como uma coleção de múltiplos bds
Leia mais3 Classificação. 3.1. Resumo do algoritmo proposto
3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisResolução de Problemas Com Procura. Capítulo 3
Resolução de Problemas Com Procura Capítulo 3 Sumário Agentes que resolvem problemas Tipos de problemas Formulação de problemas Exemplos de problemas Algoritmos de procura básicos Eliminação de estados
Leia maisDado: Fatos conhecidos que podem ser registrados e têm um significado implícito. Banco de Dados:
MC536 Introdução Sumário Conceitos preliminares Funcionalidades Características principais Usuários Vantagens do uso de BDs Tendências mais recentes em SGBDs Algumas desvantagens Modelos de dados Classificação
Leia maisALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA
ALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA INTRODUÇÃO O projeto de um banco de dados é realizado sob um processo sistemático denominado metodologia de projeto. O processo do
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisO Processo de Desenvolvimento de Software
O Processo de Desenvolvimento de Software Objetivos Contextualizar Análise e Projeto de software dentro de uma metodologia de desenvolvimento (um processo de desenvolvimento de software) Um processo de
Leia maisUNIDADE DE PESQUISA CLÍNICA Centro de Medicina Reprodutiva Dr Carlos Isaia Filho Ltda.
UNIDADE DE PESQUISA CLÍNICA Centro de Medicina Reprodutiva Dr Carlos Isaia Filho Ltda. Avaliação do risco de viés de ensaios clínicos randomizados pela ferramentada colaboração Cochrane Alan P. V. de Carvalho,
Leia mais28/9/2010. Paralelismo no nível de instruções Processadores superescalares
Arquitetura de Computadores Paralelismo no nível de instruções Processadores superescalares Prof. Marcos Quinet Universidade Federal Fluminense P.U.R.O. Processadores superescalares A partir dos resultados
Leia mais6.3 Equivalência entre Autômatos com Pilha Não-Determinísticos e Gramáticas Livre do Contexto
Capítulo 6. Autômatos com Pilha 6.3 Equivalência entre Autômatos com Pilha Não-Determinísticos e Gramáticas Livre do Contexto Nos exemplos da seção anterior, vimos que os autômatos com pilha existem para
Leia maisO que é a UML? Introdução a UML. Objetivos da Modelagem. Modelos. A UML não é. Princípios da Modelagem. O que é um modelo?
O que é a UML? Introdução a UML Linguagem Gráfica de Modelagem para: Visualizar Especificar Construir Documentar Comunicar Artefatos de sistemas complexos Linguagem: vocabulário + regras de combinação
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisTÉCNICAS DE PROGRAMAÇÃO
TÉCNICAS DE PROGRAMAÇÃO (Adaptado do texto do prof. Adair Santa Catarina) ALGORITMOS COM QUALIDADE MÁXIMAS DE PROGRAMAÇÃO 1) Algoritmos devem ser feitos para serem lidos por seres humanos: Tenha em mente
Leia maisRede de Computadores II
Rede de Computadores II Slide 1 Roteamento Determinar o melhor caminho a ser tomado da origem até o destino. Se utiliza do endereço de destino para determinar a melhor rota. Roteador default, é o roteador
Leia maisArquitetura de Software
Agenda de Software - Fundamentos e Tendências - Objetivos e Contexto de Software (A.S.) A.S. no Processo de Desenvolvimento Passado, Presente e Futuro Prof. Marco Fagundes mfagunde@tre-pa.gov.br 1 2 Objetivos
Leia maisSQL APOSTILA INTRODUÇÃO A LINGUAGEM SQL
SQL APOSTILA INTRODUÇÃO Uma linguagem de consulta é a linguagem por meio da qual os usuários obtêm informações do banco de dados. Essas linguagens são, tipicamente, de nível mais alto que as linguagens
Leia maisSumário. Comunicação Multicast. Soluções. Multicast. Application-Level Multicast. October 20, 2008 Algoritmos Epidémicos
Sumário Comunicação Multicast Multicast Application-Level Multicast October 20, 2008 Algoritmos Epidémicos Comunicação Multicast Soluções Multicast designa o envio duma mensagem para múltiplos destinatários.
Leia maisNome da Empresa. <Nome do Projeto> Plano de Desenvolvimento de Software. Versão <1.0>
Nome da Empresa Plano de Desenvolvimento de Software Versão Histórico de Revisões Data Versão Descrição Autor 2/7 Índice Analítico 1. Objetivo
Leia maisAula 01 - Formatações prontas e condicionais. Aula 01 - Formatações prontas e condicionais. Sumário. Formatar como Tabela
Aula 01 - Formatações prontas e Sumário Formatar como Tabela Formatar como Tabela (cont.) Alterando as formatações aplicadas e adicionando novos itens Removendo a formatação de tabela aplicada Formatação
Leia maisValor Prático da Distribuição Amostral de
DISTRIBUIÇÃO AMOSTRAL DA MÉDIA DA AMOSTRA OU DISTRIBUIÇÃO AMOSTRAL DE Antes de falarmos como calcular a margem de erro de uma pesquisa, vamos conhecer alguns resultados importantes da inferência estatística.
Leia maisCAPÍTULO 7 NÍVEL DE LINGUAGEM DE MONTAGEM
CAPÍTULO 7 NÍVEL DE LINGUAGEM DE MONTAGEM 71 Introdução Difere dos níveis inferiores por ser implementado por tradução A tradução é usada quando um processador está disponível para uma mensagem fonte mas
Leia mais