Aplicação de uma Rede Neural Artificial para Reconhecimento de Objetos em Jogo
|
|
- Filipe Gabeira Valgueiro
- 6 Há anos
- Visualizações:
Transcrição
1 Aplicação de uma Rede Neural Artificial para Reconhecimento de Objetos em Jogo Bruno Pick¹, Rafael Viana¹ 1 Departamento de Informática Universidade de Santa Cruz do Sul (UNISC) brunopick@gmail.com, rfl.viana@gmail.com Abstract. This paper shows the sliding window method with artificial neural networks to recognize objects in an image. The ARN s topology is MLP Multi Layer Perceptron with Backpropagation Algorithm. Resumo. Este artigo demonstra a utilização da técnica de janela deslizante juntamente com redes neurais artificiais para o reconhecimento de objetos em uma imagem, sendo a RNA do tipo MLP Multi Layer Perceptron, aplicando o algoritmo Backpropagation. 1. Introdução 1 Clash of Clans é um jogo desenvolvido pela empresa Supercell, foi publicado em 2 de agosto de 2012 para a plataforma ios, e, em 8 de outubro de 2013 para a plataforma Android. Após sua estreia o jogo atingiu inúmeras vezes o posto de jogo mais popular nas plataformas Android e ios. Em maio de 2014, estima se que o jogo possuia 3,85 milhões de jogadores ativos diariamente e 2 faturamento de 1,14 milhões de dólares por dia. Todo jogador ao criar uma conta no jogo recebe uma vila, na qual deve construir construções de defesa para proteger sua vila de ataques de outros jogadores, quarteis para treinar tropas para atacar outros jogadores e construções que coletam recursos de ouro, elixir e elixir negro que são usados para construir os objetos no jogo. O objetivo do jogo é melhorar as construções de defesa e evoluir as tropas para enfrentar adversários mais fortes. Os recursos para realizar estas evoluções podem ser coletados na própria vila do jogador através de coletores de recursos, no entanto, estes recursos no decorrer do jogo não são suficientes para a evolução da vila, sendo necessário roubar estes recursos de vilas de outros jogadores. Quanto mais jogadores se ataca, mais recursos se ganha. Para atacar um jogador é necessário aguardar o tempo de treinamento das tropas, procurar um adversário com muitos recursos para serem roubados (quanto mais recurso o jogador tem armazenado em sua vila, mais pode se roubar dele), e realizar o ataque. Isto, pode ser repetido quantas vezes for necessário para ir roubando recursos dos jogadores. Quanto mais se ataca, mais recursos o jogador tem para desenvolver sua vila. Esta é uma tarefa repetitiva e dispende muito tempo do jogador, por isso, se objetiva a criação de um robô para a automatização desta tarefa para maximizar o desenvolvimento no jogo. O primeiro passo com este trabalho é o reconhecimento dos objetos de quarteis construções usadas para o treinamento de tropas, usadas no ataque a outros jogadores. 1 htttp:// 2 sales data/1/clash of clans/
2 Como os objetos em um jogo, são sempre da mesma forma e tamanho, se utilizou a técnica de janela deslizante para analisar toda a imagem, tendo cada parte da imagem analisada por uma rede neural artificial (RNA) com neurônios de entrada e 2 neurônios de saída. O artigo será estruturado em 5 seções. A seção 2 apresenta os objetos do jogo que devem ser reconhecidos. A seção 3 introduz a técnica de redes neurais artificias. As técnicas utilizadas para a geração da base de conhecimento e os desafios enfrentados no desenvolvimento são apresentados na seção 4, enquanto a seção 5 apresenta as conclusões. 2. Objetos do Jogo Para se realizar um ataque no jogo, obrigatoriamente você precisa ter tropas treinadas para o ataque. As construções usadas para o treinamento de tropas é o quartel e o quartel negro. 2.1 Vila Todo jogador possui uma vila, na qual ele deve construir defesas para impedir que outros jogadores o ataquem e também treinar suas tropas para atacar outros jogadores. A figura 1 mostra a vila de um jogador. Figura 1. Vila de um jogador
3 2.2 Quartel & Quartel Negro Para se realizar um ataque no jogo, é necessário o treinamento de tropas. Essa tropa pode ser treinada a partir de dois diferentes recursos: elixir ou elixir negro. As tropas com elixir são treinadas no quartel e as tropas com elixir negro são treinadas no quartel negro. Esses quarteis possuem diferentes níveis, sendo que a cada nível habilita se novos personagens para treinamento. Por exemplo: um quartel no nível 1 pode treinar apenas Barbários, enquanto o quartel no nível 2 pode treinar também Arqueiras, assim por diante. A figura 2 mostra as tropas que podem ser treinadas no quartel e a figura 3 mostra as tropas que podem ser treinadas no quartel negro. Figura 2. Tropas que podem ser treinadas no quartel Figura 3. Tropas que podem ser treinadas no quartel negro A cada novo nível de evolução dos quarteis assim como de todas as construções do jogo têm a imagem que os representa no jogo modificada. A figura 4 mostra as imagens de todos os níveis que um quartel pode ter no jogo, e, a figura 5 mostra as imagens de todos os níveis que um quartel negro pode ter no jogo.
4 Figura 4. Imagens que representam um quartel no jogo Fonte: Figura 5. Imagens que representam um quartel negro no jogo Fonte: 3. Redes Neurais Artificias Segundo (NIEVOLA, 2004), uma rede neural artificial (RNA) é um paradigma computacional que se baseia no funcionamento de uma rede neural biológica do cerébro humano. Este paradigma foi criado com o intuito de fazer o computador processar informações de modo análogo ao cérebro humano. A RNA utilizada neste trabalho é do tipo MLP Multi Layer Perceptron, proposta por (HOFFMANN, 1993). A criação de camadas intermediárias na rede proporcionou ao algoritmo um maior poder computacional sendo possível ser treinado para qualquer tipo de problema. Esta topologia de rede MLP é de aprendizagem supervisionada, ou seja, é realizada a partir de um conjunto de dados de entrada que tem um conjunto de saídas conhecidas. A partir destes dados, o algoritmo pode aprender e criar um modelo para aprender um padrão nestes dados. Neste trabalho será
5 analisado um conjunto com dois valores discretos (se é quartel ou se é quartel negro), portanto é um problema de classificação. 4. Desenvolvimento Clash of Clans é um jogo para plataformas de dispositivos móveis, portanto para interagirmos com o jogo em um computador, é necessário o uso de um emulador, para este trabalho se utilizou o 3 emulador Bluestacks ajustado para a resolução de 800x600. Deste modo, as imagens analisadas terão sempre o mesmo tamanho. 4.1 Janelas Deslizantes Como os objetos que serão reconhecidos, estão dentro do ambiente de um jogo e possuem sempre a mesma representação não estão em ângulos diferentes, nem possuem deformações, se escolheu trabalhar com a técnica de janelas deslizantes. Nesta técnica, se define um tamanho padrão de janela e também uma medida para realizar passos ao lado e para baixo. Começa se a analisar a imagem na posição (0,0) e recorta se a imagem em pedaços, conforme um tamanho pré estabelecido e caminhando para os lados conforme a largura definida, ao se atingir o fim de uma linha, retorna para a primeira coluna e desce a altura conforme a largura de passo e recorta esta linha, este processo é refeito até percorrer toda a imagem. Neste trabalho, usou se o tamanho da janela de 40px de largura e 40px de altura, pois ao analisar a imagem do jogo se percebeu que com este tamanho de janela é possível enquadrar os objetos a serem reconhecidos. Foi utilizado como altura e largura de passo de 5px para a geração de imagens para o dataset (conforme explicação na seção 4.3) para gerar maior quantidade de imagens para o treinamento da rede e altura e largura de passo de 10px para o reconhecimento dos padrões (conforme explicado na seção 4.4). A figura 6 mostra algumas das imagens geradas através desta técnica. 3 Figura 6. Imagens geradas através do método de janela deslizante
6 4.2 RGB As imagens que foram utilizadas para o treinamento são coloridas. As cores em dispositivos eletrônicos, como computadores e monitores, são geradas a partir do sistema de produção de cores RGB. Este sistema tem este nome devido as três cores usadas como base: R (vermelho), G (verde), B (azul). Qualquer cor exibida pode ser representada através destas três cores. Cada cor tem uma representação númerica entre 0 e 255 (8 bit). Por exemplo, a cor laranja é composta por: R(Vermelho): 255, G(Verde): 204, B(Azul): 51. E, pode ser representada também pelo hexadecimal #FFCC Pré Processamento das Imagens Como o aprendizado da RNA deste trabalho é supervisionado. É necessário indicar para o treinamento da rede quais imagens devem ser reconhecidas e quais não devem ser reconhecidas. Por isso, foram geradas diferentes imagens, nas quais os objetos aparecem em diferentes posições (conforme o corte), mas sempre ocupando a maior parte da imagem e sem a presença de outro objetos). Na figura 7 são mostradas imagens para o reconhecimento do padrão de um quartel, nota se que as imagens são parecidas, porém nunca exatamente iguais. Isto permite criar um conjunto de dados diversificado capaz de reconhecer com mais exatidão diferentes imagens na validação. Figura 7. Parte de imagens do conjunto de dados para reconhecer o padrão quartel
7 4.3.1 Geração de Padrões de Reconhecimento Para este trabalho foram capturadas milhares de imagens de vilas de diferentes jogadores para fazer a captura de padrões para o conjunto de treinamento da RNA. Para a seleção destes padrões, criou se um algoritmo que se utiliza da força bruta para reconhecer um padrão dentro de um pedaço da imagem. Se utilizou a técnica de janela deslizante para percorrer toda imagem, e, em cada pedaço era testado se esta imagem continha o padrão pré determinado. Este padrão, era uma parte da construção, conforme figura 8, que diferenciava ela das demais. Figura 8. Padrões que foram buscados em cada imagem para gerar o conjunto de treinamento Uma imagem de vila de jogador com uma janela deslizante de 40x40 com uma altura e largura de passo de 5px, considerando a imagem de 800x600, gerou imagens.em cada uma dessas imagens foi feita a busca por força bruta (pixel a pixel) comparando com o padrão. A figura 9 mostra o padrão de reconhecimento quartel nível, esta imagem tem um tamanho de 25x17. E as imagens da janela possuem um tamanho de 40x40. Para se encontrar este padrão na imagem por força bruta foi também usado a técnica de janela deslizante. Com o tamanho da janela igual ao padrão, neste caso, 25x17 e o passo a cada 1px. Dessa forma, toda a imagem é percorrida. Figura 9. Padrão para o reconhecimento do quartel nível 10 por força bruta
8 A cada passo da janela, é comparado a imagem da janela atual com o padrões (pixel a pixel), caso a parte da imagem tenha todos os pixels iguais ao padrão é reconhecido e copiado para uma pasta do conjunto de treinamento. Percebeu se durante os testes que, devido a iluminação do jogo e sombras, o mesmo objeto em diferentes vilas, apesar de visualmente serem iguais, não possuem exatamente o mesmo RGB, podendo variar um pouco a tonalidade. Por isso, neste algoritmo de força bruta adicionou uma taxa de tolerância de 30% para mais ou para menos para a tonalidade da cor, ou seja, para um tom de verde que tenha cor #93AF2F com RGB (147, 175, 47) serão aceitas qualquer cor dentro do range ([ ], [ ],[33 61]). Também, devido à estes efeitos visuais, pode se ter uma leve deformação no formato do objeto, ao analisar a imagem pixel a pixel, por isso, adicionou se também uma tolerância de 50% de pixels errados. Então, para o padrão apresentado acima de 25x17 (com 425 pixels) deve ter apenas 212 pixels com a mesma tonalidade (dentro do range de tolerância). Apesar da alta tolerância a erros na busca por força bruta, este algoritmo proporcionou a captura de diferentes imagens para serem utilizadas no treinamento. Este algoritmo leva em torno de 30 minutos para processar cada imagem de 800x600 para reconhecer os oito padrões pré determinados (em média 3 minutos e meio para processamento de cada padrão, além do tempo de geração das imagens da janela deslizante). Figura 10. Imagens de padrões reconhecidos e não reconhecidos através do algoritmo de força bruta Foram analisadas 176 vilas diferentes, em 90 horas de processamento, o que proporcionou mais de imagens de quartéis negros e mais de imagens de quartéis, além de imagens com padrões para ensinar a RNA o que não deve ser reconhecido. No entanto, no decorrer dos testes houve problemas de performance no NeurophStudio,e, verificou se que não seria possível usar todas as imagens geradas para o treinamento. Foram selecionadas imagens para representar a classificação de um quartel negro e 869 imagens para representar a classificação de um quartel foram usadas menos imagens para o padrão de quartel, pois tem menos padrões diferentes, visto que os quartel nível 6,7 e 8 são semelhantes e não foram reconhecidos quartéis abaixo do nível Geração de Padrões de Não Reconhecimento Em uma rede neural artificial, pode acontecer casos de falso positivo, em que uma entrada que deveria ser reconhecida como falsa é reconhecida como positiva. Para evitar isto, deve se treinar a rede não somente para as imagens que serão reconhecidas, mas, também, para as imagens que não serão reconhecidas.
9 A idéia inicial era utilizar todas as imagens, nas quais não foram encontradas o padrão por força bruta para este treinamento. Porém, houve problemas de performance na ferramenta de criação da RNA, por isso, se decidiu, reduzir este conjunto de treinamento. Para tentar cobrir a maior diversidade possível de objetos usamos imagens de todas as 176 vilas analisadas escolheu se gerar aleatoriamente seis imagens com tamanho 40x40 de cada uma das 176 imagens analisadas. Totalizando imagens, manualmente, removemos as imagens escolhidas que correspondiam a um padrão de treinamento, restando imagens. Figura 11. Exemplos de imagens que não devem ser reconhecidas pela RNA 4.4 Treinamento da Rede 4 Para o treinamento da RNA, se utilizou a ferramenta NeurophStudio, que é uma ferramenta desenvolvida em Java, oriunda de um trabalho de graduação da faculdade de Belgrado na Sérvia, para a criação e treinamento de diferentes topologias de redes neurais artificiais. Esta ferramenta foi escolhida, pois possui um suporte visual à criação de RNAs para o reconhecimento de imagens. A RNA do tipo MLP Multi Layer Perceptron, possui neurônios de entrada, já que as imagens usadas para o treinamento da rede têm largura de 40px e altura de 40px. São compostas por pixels. Cada pixel possui uma cor representada pelo RGB. Portanto, são necessários neurônios (8 bit) de entrada, o que representa bits de entrada para cada imagem usada no treinamento. E dois neurônios de saída, um para indicar se a imagem corresponde ao padrão quartel e o outro para indicar o padrão quartel negro. Caso, os dois neurônios tenham probabilidade menor de 0,8 é considerado que a imagem não possui nenhum destes padrões. A figura 12 mostra esta topologia na ferramenta NeurophStudio. Figura 12. Topologia da Rede Neural MLP no NeurophStudio 4
10 O conjunto de treinamento foi composto de imagens que representam o label qn, 869 imagens que representam o label quartel e imagens que representam o que não deve ser reconhecido. A RNA foi treinada com 12 neurônios na camada intermediária e a função de transferência Sigmoid. Foi definido como taxa de erro MSE ( Mean Square Error) de 0,01 (1%) e taxa de aprendizagem de 0,2 com o algoritmo de Backpropagation. Após 155 iterações, e, aproximadamente 1h20 de processamento em um computador Intel(R) Core( ) i5 2410M 2.3 GHz com 8GB de RAM, convergiu para uma solução que atende ao problema proposto, conforme demostra o gráfico da figura 13. Figura 13. Gráfico de aprendizado
11 5 Resultados Esta RNA foi testada em uma imagem de vila, que não foi usada no treinamento da rede, nesta imagem foram capturadas imagens com o tamanho de 40x40, destas 219 foram reconhecidas erradamente como positivas, enquanto deveriam ser falsas, 26 imagens foram reconhecidos corretamente como quartel ou quartel negro, e, imagens foram reconhecidas corretamente como não correspondentes ao padrão. Isto, representa uma taxa de erro de 5,6%. Esta taxa de erro não é um problema para o objetivo proposto neste trabalho, já que o objetivo é encontrar os quarteis, e, nos testes realizados, as imagens dos quarteis ou dos quarteis negros são reconhecidos em 100% dos casos, estes exemplos reconhecidos erroneamente não prejudicam a execução do robô. Se acredita que é possível diminuir esta taxa de erro, ao re treinar a RNA usando as imagens que foram reconhecidas erroneamente como entrada no conjunto de treinamento de padrões que não devem ser reconhecidos. 6. Conclusão A partir do reconhecimento desenvolvido neste trabalho, é possível iniciar a criação de um robô para a automatização da tarefa de treinar tropas no jogo, e, posteriormente treinar a rede para reconhecer outros objetos e desempenhar diferentes funções no jogo. Foi possível demonstrar que é possível reconhecer objetos em jogos digitais. As técnicas aplicadas para o reconhecido de objetos no jogo Clash of Clans também podem ser utilizadas também para outros jogos ou outras aplicações que envolvam o reconhecimento de objetos em imagens. 7. Referências HOFFMANN, N., Kleines Handbuch Neuronale Netze Anwendungsorientierrtes Wissen zum Lernen und Nachschlagen, Friedr. Vieweg & Sohn Verlagsgesellschaft mbh, NIEVOLA, Julio Cesar. Redes Neurais Artificiais. In: Sociedade Brasileira de Computação. (Org.) Inteligência Artificial. 1ed. Porto Alegre: Editora da Sociedade Brasileira de Computação ESBC, 2004, v.1, p
Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia mais3 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 maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
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 maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisNeural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
Leia maisRedes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO
Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia maisIA - TensorFlow. Paulo Cotta
IA - TensorFlow Paulo Cotta Jabá Sou voluntário do GDG Trabalho na Stefanini como Engineer ML e DL Tenho à Startup Koffee More Gosto de repassar conhecimento Faço parte do Candangos do Cerrado IA Professor
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisserotonina (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 maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisDetecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB
Detecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB Cássio Avelino Adorni cassioaa@ig.com.br Adilson Gonzaga adilson@sel.eesc.usp.br Departamento
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Relatório: Rede Neural para tomada de decisão Christian Diego Alves Daniel cdad Icamaan Botelho Viegas da Silva - ibvs Recife, 30 de Julho de 2007. 1. Introdução A Robocup é um
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisRedes Neurais: RBF. 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: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
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 maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisA instalação do DCR compreende apenas a descompactação do arquivo DCR.zip num diretório no disco. Descompacte o arquivo DCR.zip num novo diretório.
Manual DCR Sumário Apresentação... 1 Instalar o DCR... 1 Ativar o DCR... 1 Treinamento... 2 Entrar no Modo Treinamento... 2 Criar um Conjunto de Entrada... 2 Treinar a RNA... 4 Retreinar a RNA... 5 Testar
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
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 maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisProcessamento Digital de Imagens
Processamento Digital de Imagens Aula 02 Prof. Diemesleno Souza Carvalho diemesleno@iftm.edu.br http://www.diemesleno.com.br Na aula passada vimos... Na aula passada vimos... Unidade I - Introdução ao
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisRedes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Redes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Leia maisRedes 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 maisINTELIGÊNCIA 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 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 maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisImagem Digital. Claudio Carvilhe
Imagem Digital Claudio Carvilhe Imagem Digital Roteiro Introdução. Pixel. Resolução espacial. Cor. Processamento de imagens. Introdução Informação Visual: Imagem vista na tela. Informação Descritiva: Modelo
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
Leia maisMulti-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 maisAplicações da RMC. Avaliação de Algoritmos. Tratamento nos dados 27/8/2010. Roseli A F Romero SCC 5809 REDES NEURAIS
SCC 5809 REDES NEURAIS Profa. ROSELI ROMERO Aplicações da RMC Reconhecimento de Imagens: FACES/GESTOS Reconhecimento de Voz Transformação de Texto em Voz Previsão de Bolsa de Valores Análise de Dados Financeiros
Leia maisAprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
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 mais6 Resultados Análise de Desempenho
Resultados 6 Resultados Com base em todas as técnicas e teorias estudadas nessa dissertação mais a arquitetura e detalhes de implementação utilizados para gerar a solução do módulo de renderização da pele
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisIntrodução 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 maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia maisAplicações de redes neurais artificiais em simulações
Aplicações de redes neurais artificiais em simulações Resumo Marcelo Bilobrovec (UEPG - CEFET - PR) mbilo@uepg.br Rui Francisco Martins Marçal (CEFET - PR) marcal@pg.cefetpr.br Luiz Alberto Pilatti (CEFET
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisA IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES
A IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES Euzébio da Costa Silva 1, Victor Pereira Ribeiro 2, Susana Brunoro Costa de Oliveira 3 1 29520-000, euzebioprogramacao@gmail.com 2 29520-000, victor3ifes@gmail.com
Leia maisTESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
Leia maisReconhecimento de cores do MSX por lógica fuzzy
Reconhecimento de cores do MSX por lógica fuzzy Resumo O objetivo deste artigo é demonstrar como é possível reconhecer, em uma imagem de 24 bits, a cor mais parecida com uma das 15 cores do MSX 1. 1- Introdução
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisMulti-Layer. Perceptron. Sumário. Previsão de Séries Temporais
Multi-Layer Perceptron Previsão de Séries Temporais Sumário O problema de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Resultados 11 Previsão de Carga Um sistema preciso de previsão
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisLista 2 Sistemas Inteligentes (INE5633) 2014s2
Lista 2 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina 1. (Baseado em questão do POSCOMP 2009) Considere a árvore minimax abaixo representando um jogo, onde queremos maximizar
Leia maisAplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
2º ENCONTRO DE PÓS-GRADUAÇÃO EM INVESTIGAÇÃO E ENSINO DAS CIÊNCIAS FÍSICAS E DA TERRA DA UNIVERSIDADE DE ÉVORA Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 8 Redes Neurais Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos
Leia mais- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
Leia maisSimulação de Futebol de Robôs
Departamento de Engenharia Elétrica Simulação de Futebol de Robôs Aluna: Bianca Burgos Maron Orientadora: Marley Vellasco Introdução A inteligência computacional e suas aplicações em robôs inteligentes
Leia maisAPLICAÇÃO DE REDES NEURAIS RECORRENTES EM AMBIENTES PARCIALMENTE OBSERVÁVEIS 1
APLICAÇÃO DE REDES NEURAIS RECORRENTES EM AMBIENTES PARCIALMENTE OBSERVÁVEIS 1 Eldair Fabrício Dornelles 2, Henrique Augusto Richter 3, Márcia Da Silva 4, Rogério Samuel De Moura Martins 5, Sandro Sawicki
Leia maisInteligência Computacional
Inteligência Computacional CP78D Redes Neurais Aula 7 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 7º Período 1/24 Plano de Aula Perceptron
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisMineração de Dados em Biologia Molecular
Mineração Dados em Biologia Molecular Principais tópicos André C. P. L. F. Carvalho Monitor: Valéria Carvalho Res Neurais Artificiais Introdução Arquitetura Aprendizado Principais molos Perceptron MLP
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia mais