Redes Neurais Artificiais. Prof. João Alberto Fabro
|
|
- Helena Maranhão de Mendonça
- 6 Há anos
- Visualizações:
Transcrição
1 Redes Neurais Artificiais Prof. João Alberto Fabro
2 Redes Neurais Artificiais Conceitos Básicos Histórico Evolução O lugar das Redes Neurais dentro da IA Características Aplicações Redes Neurais Multicamadas Modos de Operação Classificação
3 Conceito Básicos O que são Redes Neurais Artificiais: Modelos computacionais constituídos a partir do estudo de sistemas neuro-biológicos encontrados nos animais e nos seres humanos.
4 (Informações obtidas nas notas de aula do curso de Redes Neurais Faculdade de Engenharia Elétrica Prof. Márcio Luiz de Andrade Neto & Prof. Fernando Von Zuben Conceito Básicos - Neurofisiologia pioneiro na definição da estrutura básica do sistema nervoso: Ramón y Cajál. Em 1911, ele sugere que os constituintes básicos do cérebro são os neurônios. o cérebro humano apresenta aproximadamente neurônios (os neurônios não se reproduzem!), com aproximadamente sinapses ou conexões. neurônios são de 5 a 6 ordens de magnitude mais lentos do que portas lógicas de silício (10-3 seg seg.) no entanto, o cérebro realiza reconhecimento de padrões, percepção e controle motor muitíssimo mais rápido e melhor do que qualquer computador já produzido.
5 Conceito Básicos Neurofisiologia o que faz o cérebro? o cérebro não executa(roda!) programas ; o cérebro controla o comportamento visando garantir a sobrevivência. funcionalidade do cérebro: adaptabilidade por intermédio de aprendizado comportamento sensível ao contexto tolerância a erro capacidade de operar com conhecimento parcial grande capacidade de memória capacidade de processamento em tempo real
6 O neurônio biológico -Elemento Básico Corpo celular: 5 a 50 m Axônio: 1 m a até 1m árvore dendrital dentrital axônio corpo celular ou soma fluxo da informação
7 O neurônio biológico no cérebro humano O cérebro humano possui em torno de neurônios, ou 100 Giga-neurônios ( )* Cada neurônio pode apresentar até 10 4 conexões com outros neurônios, ou 10 Kilo-conexões (10.000) Estima-se que o cérebro pode possuir, portanto, um máximo de conexões, cada uma podendo armazenar informação, e todas operando em paralelo, totalizando 1 Peta-conexões ( ) Uma estimativa mais realista indica apenas, ou só conexões, ou 100 Tera-conexões ( ) * O cérebro humano médio (masculino, 50 anos) possui em torno de 86 bilhões de neurônios (Suzana Herculano-Louzel, 2009). Desse número, ~69 bilhões estão situados no cerebelo e ~16 bilhões no córtex cerebral.
8 O neurônio biológico Sinapses dendrito Sinapse: ligação entre um axônio de um neurônio, e um dentrito de um outro neurônio posterior. Podem ser excitatórias ou inibitórias, dependendo dos neurotransmissores liberados (+ de 100 tipos)
9 O neurônio biológico O Potencial de Ação O potencial de ação representado pelo potencial de membrana no axônio de um neurônio. Tn é a duração do impulso nervoso, Ta é o período de refração absoluta e Tr o período de refração relativa.
10 O neurônio biológico-integração dos Impulsos Representação da integração espacial/temporal dos estímulos
11 O neurônio artificial vetor de entrada peso da conexão x1 w1 somador função de ativação saída x2 w y xn wn
12 O neurônio artificial Função de ativação
13 (c) função tangente hiperbólica (d) ReLU (Rectifier Linear Unit) e Softplus
14 Características operação distribuída tolerância a ausência ou falsidade de informações habilidade de aprender e generalizar
15 Aplicações Resolução de problemas difíceis de se modelar matematicamente reconhecimento de caracteres escritos reconhecimento de fala recuperação de imagens a partir de fragmentos controle de robôs
16 Aplicações Rede Neural Artificial A
17 Histórico das Redes Neurais Artificiais Fatos históricos marcantes: MCCULLOCH & PITTS (1943) WIENER (1948): Cibernética HEBB(1949): The Organization of Behavior ROSENBLATT(1958) - Perceptron MINSKY & PAPERT (1969) HOPFIELD (1982) RUMELHART & MCCLELLAND (1986) EDELMAN (1988): neurodarwinismo MINSKY (1988): sociedade da mente
18 Evolução McCulloch e Pitts entrada exitatória axônio (saída) entrada inibitória
19 Evolução Neurônio de McCulloch e Pitts implementava funções E e Ou discriminador linear x2 x2 (0,1) (1,1) (0,1) (1,1) (0,0) (1,0) x1 (0,0) (1,0) x1 "E" y = x1 * x2 "Ou" y = x1 V x2
20 Evolução Wiener (em 1948) publica seu livro Cybernetics, apresentando as bases para o controle, comunicação e tratamento de sinais. Hebb (em 1949) publica seu livro The Organization of Behavior, onde é proposta pela primeira vez uma regra de aprendizado sináptico
21 Evolução Minsky, em 1954, Tese de Doutorado em Redes Neurais Taylor, em 1956, propôs a ideia de memória associativa von Neumann, 1958, The Computer and the Brain, póstumo
22 Evolução Rosenblatt Perceptrons - rede de múltiplos neurônios do tipo discriminadores lineares vetor de entrada peso da conexão x1 w1 somador função de ativação saída x2 w y xn wn
23 Evolução Widrow e Hoff (1960) Algoritmo Least Mean-Square, modelo ADALINE (posteriormente MADALINE Multi ADALINE : Primeira rede em camadas treinável) Nilsson, em 1965, Learning Machines, explicando o processo de aprendizado de hiperplanos separadores Minsky e Papert, em 1969, publicaram Perceptrons, onde demonstravam matematicamente a impossibilidade de redes monocamada de aprenderem padrões não linearmente-separáveis (XOR = Balde de água fria na pesquisa em RN)
24 Evolução Década de 70: perdida... devido aos seguintes motivos: o livro e Minsky e Papert desestimulou os pesquisadores ( e principalmente os financiadores) a desenvolver as redes neurais; Dificuldade de implementar os modelos nos computadores da época (baixo poder de processamento).
25 Evolução Década de 80: Ressurgimento! Grossberg, em 1980, estabeleceu um novo princípio de auto-organização(art-adaptive Ressonance Theory) Hopfield, em 1982, usou uma técnica de função de energia para explicar o aprendizado de uma rede recorrente Kohonen, em 1982, apresenta seus mapa auto-organizáveis Barto, Sutton e Anderson, em 1983, aprendizado por reforço.
26 Evolução Mas foram Rumelhart, Hinton e Williams, em 1986, que realmente re-acenderam o interesse da comunidade acadêmica mundial nas redes neurais, com seus livros Parallel Distributed Processing, vols 1 e 2. Eles apresentaram uma maneira algorítmica de resolver o problema do treinamento do Perceptron de Múltiplas Camadas (Multi-Layer Perceptron-MLP), utilizando o algoritmo de retropropagação de erro (backpropagation). Posteriormente foi descoberto que a formulação matemática original foi desenvolvida por Werbos, em sua tese de doutoramento de Harward em 1974.
27 Evolução EDELMAN, em 1988, baseado em seus estudos de neurofisiologia e evolução, propôs uma nova teoria, revolucionária, o neurodarwinismo: o cérebro é composto de inúmeras redes neurais, denominados grupos neurais, e estes grupos se conectam entre si, formando sociedades, que possuem a capacidade de aprender a reagir de acordo com o ambiente onde o ser se encontra MINSKY, também em 1988, publica seu livro Sociedade da Mente, propondo uma visão de alto nível da mente, com a mesma ideia base.
28 Evolução Década de 90: Apresentou um desenvolvimento acelerado da teoria e das aplicações de redes neurais em ambiente acadêmico; Início da aplicação destas teorias à problemas do mundo real Século 21: O século do cérebro????
29 Redes neurais multicamadas camada de entrada K= 0 camada de camadas ocultas saída K = 1 K = 2 K =
30 Modos de Operação Aprendizagem A rede aprende através dos vetores de entrada e saída Produção A rede trabalha, retornando um vetor de saída dada uma entrada
31 Modos de Treinamento Objetivos do treinamento Auto associação vetores de entrada dada a entrada similar, a rede reconstitui o vetor original Hetero-associação pares de vetores de entrada e saída dado um vetor, a rede reconstitui o par Detecção de regularidade agrupa os vetores de treinamento em grupos, segundo sua semelhança
32 Classificação Quanto a topologia Redes Neurais Recorrentes Redes Neurais Não Recorrentes (Feed Forward) Quanto ao tipo de treinamento Treinamento Supervisionado Treinamento Não Supervisionado
33 Classificação Redes Neurais Recorrentes Os neurônios são realimentados (a saída do ciclo atual é reaplicada no ciclo seguinte como sendo a nova y3 entrada) N1 xn N2... Nn y2 yn x2... x1
34 Classificação Redes Neurais Não Recorrentes (Feed Forward) as conexões sempre partem da camada de entrada em direção a camada de saída x1 N1 N3 y x2 N2
35 Classificação Treinamento Supervisionado dada a entrada, a rede é treinada para produzir a saída correta y d = f(x) pares de treinamento apresenta um vetor de entrada x a rede retorna um vetor de saída y compara y com y d - calcula o erro atualiza os pesos das conexões até que o erro esteja dentro do limite pré-estabecido
36 Classificação Treinamento Não Supervisionado não ensina à rede como produzir a saída correta a rede descobre padrões, regularidades, correlações ou categorias nos dados de entrada retorna o código da classe de padrões
37 Exemplo Treinamento supervisionado - Backpropagation b b X1 ƒ + Y1 Wij b X1 X2 N1-0,1 0,2 0,2 ƒ N2 0,3-0,1 0,3 X2 ƒ Y2 N3 0,1 0,1 0,9 ƒ Wi,j b N1 N2 N3 N4 0,2 0,1-0,1-0,1 X1 X2 Y1 Y N5-0,1 0,5 0,2 1,1
38 Exemplo u1,j = b + (x1 * Wx1) + (x2 * Wx2) u11 = -0,1 + (0,1 * 0,2) + (0,7 * 0,2) = 0,06 v1 = tgh 0,06 = 0,06 u12 = 0,3 + (0,1 * -0,1) + (0,7 * 0,3) = 0,5 v2 = tgh 0,5 = 0,46 u13 = 0,1 + (0,1 * 0,1) + (0,7 * 0,9) = 0,74 v3 = tgh 0,74 = 0,63 u2,j = b + (v1 * Wn1) + (v2 * Wn2) + ( v3 * Wn3) u2,1 = 0,2 + (0,06 * 0,1) + (0,46 * -0,1) + (0,63 * -0,1) = 0,097 v4 = 0,097 (ativação linear) u2,2 = -0,1 + (0,06 * 0,5) + (0,46 * 0,2) + (0,63 * 1,1) = 0,715 v5 = tgh 0,715 = 0,614 y 1 = v4 = 0,097 y 2 = v5 = 0,614
39 Exemplo Erros produzidos e1 = 0,2-0,097 = 0,103 e2 = 1-0,614 = 0,386 derivadas v = u = 1 v = tgh u = 1 - u^2 N1 1 - (0,06)^2 = 1 N2 1 - (0,46)^2 = 0,79 N3 1 - (0,63)^2 = 0,6 N4 1 N5 1 - (0,61)^2 = 0,63
40 Exemplo Cálculo do erro de retropropagação d4 = (0,103 * 1) = 0,103 d5 = (0,386 * 0,63) = 0,24 d1 = [(0,103 * 0,1 ) + (0,24 * 0,5)] * 1 = 0,13 d2 = [(0,103 * -0,1 ) + (0,24 * 0,2)] * 0,79 = 0,03 d3 = [(0,103 * -0,1 ) + (0,24 * 1,1)] * 0,6 = 0,152 Cálculo dos novos pesos das conexões dos neurônios W ij = -2* *w j *d i - coeficiente de aprendizagem (0,05 <= <= 0,1) w j - valor original da saída do neurônio j d i - erro de retropropagação
41 Exemplo Novos pesos W ij W 41 = -2 * 0,05 * 0,06 * 0,103 = - 0,00061 W 42 = -2 * 0,05 * 0,46 * 0,103 = - 0,00473 W 43 = -2 * 0,05 * 0,63 * 0,103 = - 0,06489 W 51 = -2 * 0,05 * 0,06 * 0,24 = -0,00144 W 52 = -2 * 0,05 * 0,46 * 0,24 = - 0,01104 W 53 = -2 * 0,05 * 0,63 * 0,24 = -0,01512 W 11 = -2 * 0,05 * 0,1 * 0,13 = - 0,0013 W 12 = -2 * 0,05 * 0,7 * 0,13 = -0,0091 W 21 = -2 * 0,05 * 0,1 * 0,03 = -0,0003 W 22 = -2 * 0,05 * 0,7 * 0,03 = -0,0021 W 31 = -2 * 0,05 * 0,1 * 0,152 = -0,0015 W 32 = -2 * 0,05 * 0,7 * 0,152 = -0,01064
42 Exemplo Substitui-se os pesos W dos neurônios e repete-se o ciclo até o que o erro gerado na saída esteja abaixo de um valor pré-estabelecido
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 maisIC Inteligência Computacional Redes Neurais. Redes Neurais
Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisAplicações Práticas com Redes Neurais Artificiais em Java
com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org
Leia maisRedes Neuronais. Redes neuronais artificiais. Redes neuronais artificiais. Redes neuronais artificiais
Redes neuronais artificiais Surgiram nos anos 40 com o objectivo de conhecer melhor o cérebro humano e emular o seu comportamento. Departamento de Matemática Universidade dos Açores Redes Neuronais Introdução
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Inteligência Artificial Prof. Cedric Luiz de Carvalho Instituto de Informática UFG 2006 2/164 Tópicos Introdução Redes Neurais Humanas O que são Redes Neurais Artificiais Características
Leia maisARQUITETURA DE COMPUTADORES. Professor: Clayton Rodrigues da Siva
ARQUITETURA DE COMPUTADORES Professor: Clayton Rodrigues da Siva OBJETIVO DA AULA Objetivo: Conhecer a estrutura da arquitetura da Máquina de Von Neumann. Saber quais as funcionalidades de cada componente
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
Leia maisFACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA
FACULDADE DO LITORAL SUL PAULISTA - FALS JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS PRAIA GRANDE 2010 JEAN MAMEDE DE OLIVEIRA INTELIGÊNCIA ARTIFICIAL REDES NEURAIS ARTIFÍCIAIS
Leia mais1. Introdução... 2. 2. As origens da RNA... 3. 3. O nosso cérebro... 5. 3.1. Plasticidade e modulação sináptica... 5
Sumário 1. Introdução... 2 2. As origens da RNA... 3 3. O nosso cérebro... 5 3.1. Plasticidade e modulação sináptica... 5 4. As redes neurais artificiais... 7 4.1. Estrutura da RNA... 7 4.3. Modelos de
Leia mais3. REDES DE CAMADA ÚNICA
3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções
Leia maisRadar de Penetração no Solo e Meio- Ambiente
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE GEOFÍSICA Curso 3ª Idade Radar de Penetração no Solo e Meio- Ambiente Vinicius Rafael Neris dos Santos
Leia maisRede MLP: Perceptron de Múltiplas Camadas
Rede MLP: Perceptron de Múltiplas Camadas Conteúdo. Neurônio artificial.... Eemplos mais usuais de funções de ativação... 3 3. Produto interno e projeção... 5 4. Função de epansão ortogonal... 7 5. Redes
Leia maisIN0997 - Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa
Leia maisÁlgebra Linear Aplicada à Compressão de Imagens. Universidade de Lisboa Instituto Superior Técnico. Mestrado em Engenharia Aeroespacial
Álgebra Linear Aplicada à Compressão de Imagens Universidade de Lisboa Instituto Superior Técnico Uma Breve Introdução Mestrado em Engenharia Aeroespacial Marília Matos Nº 80889 2014/2015 - Professor Paulo
Leia maisIntrodução à Informática
Introdução à Informática Alexandre Meslin (meslin@nce.ufrj.br) Objetivo do Curso Apresentar os conceitos básicos de informática, de software e de hardware. Introduzir os conceitos relativos à representação
Leia maisRECONHECIMENTO DE ACORDES MUSICAIS: UMA ABORDAGEM VIA PERCEPTRON MULTICAMADAS
Mecánica Computacional Vol XXIX, págs 9169-9175 (artículo completo) Eduardo Dvorkin, Marcela Goldschmit, Mario Storti (Eds) Buenos Aires, Argentina, 15-18 Noviembre 2010 RECONHECIMENTO DE ACORDES MUSICAIS:
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisESTIMAÇÃO DA DEMANDA DE INSTALAÇÕES ELÉTRICAS DE EDIFICAÇÕES COM MÚLTIPLAS UNIDADES DE CONSUMO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO THALES AUGUSTO DE OLIVEIRA RAMOS ESTIMAÇÃO DA DEMANDA DE INSTALAÇÕES ELÉTRICAS
Leia maisANÁLISE DE CONFIABILIDADE ESTRUTURAL UTILIZANDO O MÉTODO DE MONTE CARLO E REDES NEURAIS
UNIVERSIDADE FEDERAL DE OURO PRETO - ESCOLA DE MINAS DEPARTAMENTO DE ENGENHARIA CIVIL PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA CIVIL ANÁLISE DE CONFIABILIDADE ESTRUTURAL UTILIZANDO O MÉTODO DE MONTE CARLO
Leia maisRedes Neurais Artificiais
Indrodução às Redes Neurais Artificiais Jorge M. Barreto Laboratório de Conexionismo e Ciências Cognitivas UFSC -Departamento de Informática e de Estatística 88040-900 - Florianópolis - SC e-mail: barreto@inf.ufsc.br
Leia maisFundamentos de Teste de Software
Núcleo de Excelência em Testes de Sistemas Fundamentos de Teste de Software Módulo 1- Visão Geral de Testes de Software Aula 2 Estrutura para o Teste de Software SUMÁRIO 1. Introdução... 3 2. Vertentes
Leia maisUNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO
UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO REDE NEURAL ARTIFICIAL PARA RECONHECIMENTO DE TABELA DE HORÁRIOS DE ARME/DESARME NO SISTEMA
Leia maisAula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
Leia maisDESENVOLVIMENTO DE FERRAMENTA COMPUTACIONAL PARA PROJETOS DE REDES NEURAIS ARTIFICIAIS
IFSP - INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE SÃO PAULO DESENVOLVIMENTO DE FERRAMENTA COMPUTACIONAL PARA PROJETOS DE REDES NEURAIS ARTIFICIAIS HUGO DA SILVA BERNARDES GONÇALVES São Paulo
Leia maisREDES NEURAIS ARTIFICIAIS E MODELO DE MARKOWITZ: COMPARANDO TÉCNICAS QUE APÓIAM A TOMADA DE DECISÃO NOS INVESTIMENTOS EM AÇÕES.
REDES NEURAIS ARTIFICIAIS E MODELO DE MARKOWITZ: COMPARANDO TÉCNICAS QUE APÓIAM A TOMADA DE DECISÃO NOS INVESTIMENTOS EM AÇÕES. Paulo Henrique Kaupa (Uninove) paulo.kaupa@gmail.com Renato Jose Sassi (Uninove)
Leia maisIniciação Científica no INATEL
Iniciação Científica no INATEL 2016 / 1º. Semestre Profa. Rosanna Coordenadora do Programa de IC Inatel rosannas@inatel.br ic@inatel.br Objetivo O que é Iniciação Científica? Quais são as oportunidades
Leia maisREPRODUZIR A INTELIGÊNCIA HUMANA
Redes Neurais - prendizado rtificial Fernando Osório Forum de I.. 99 Pg.1 Introdução Este tutorial tem por objetivo apresentar uma introdução ao aprendizado artificial e automatizado (machine learning),
Leia maisREDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO ÂNGELO ROCHA DE OLIVEIRA
REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO ÂNGELO ROCHA DE OLIVEIRA DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DO PROGRAMA
Leia mais[1] Na terceira sessão, analisamos o Perceptron de Múltiplas Camadas inclusive um problema típico como o XOR.
Deolinda M. P. Aguieiras de Lima Nilton Alves Jr. naj@cat.cbpf.br [1] Resumo Este trabalho tem como finalidade servir de primeira leitura para aqueles alunos que desejam iniciar se no estudo de Redes Neurais.
Leia maisCurso de Redes Neurais utilizando o MATLAB
Curso de Redes Neurais utilizando o MATLAB Victoria Yukie Matsunaga Belém-Pará-Brasil 2012 Esta apostila tem como principal objetivo fornecer um material de auxílio ao Curso de Redes Neurais utilizando
Leia maisUnidade 1: O Computador
Unidade : O Computador.3 Arquitetura básica de um computador O computador é uma máquina que processa informações. É formado por um conjunto de componentes físicos (dispositivos mecânicos, magnéticos, elétricos
Leia maisPREVISÃO DE TEMPERATURA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS
PREVISÃO DE TEMPERATURA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS Alexandre Pinhel Soares 1 André Pinhel Soares 2 Abstract : The temperature monitoring is a quasi-continuous and judicious task that gives a
Leia maisLógica de Programação. Profas. Simone Campos Camargo e Janete Ferreira Biazotto
Lógica de Programação Profas. Simone Campos Camargo e Janete Ferreira Biazotto O curso Técnico em Informática É o profissional que desenvolve e opera sistemas, aplicações, interfaces gráficas; monta estruturas
Leia maisA ARTE DA EAD NA BAHIA
1 A ARTE DA EAD NA BAHIA (11/2006) Jaqueline Souza de Oliveira Valladares Faculdade Dois de Julho Salvador Bahia Brasil jaquelinevalladares@yahoo.com.br GT2 EAD e mediação pedagógica Resumo: O presente
Leia maisORIENTADOR Prof. Rogério Cid Bastos, Dr.
SISTEMAS WORKFLOW EM PROCESSOS EMPRESARIAIS ORIENTADOR Prof. Rogério Cid Bastos, Dr. Dissertação apresentada ao Programa de Pós- Graduação em Engenharia de Produção com Ênfase em Informática da Universidade
Leia maisNotas de Aula Guilherme Sipahi Arquitetura de Computadores. Arquitetura de von Neumann
Notas de Aula Guilherme Sipahi Arquitetura de Computadores Burks, Goldstine e von Neumann (1946): Arquitetura de von Neumann Concluído em 1952 - IAS (Institute for Advanced Studies) Computer Na proposta
Leia maisAndrés Eduardo Coca Salazar Tutor: Prof. Dr. Zhao Liang
: Finding Structures in Bach s, Chopin s and Mozart s NOLTA 08, Hungary, 2008 Complex network structure of musical composition: Algoritmic generation of appealing music Physica A 389 (2010) 126-132 Chi
Leia maisCOMUNICAÇÃO DIGITAL 1. INTRODUÇÃO PROF. MARCIO EISENCRAFT
COMUNICAÇÃO DIGITAL 1. INTRODUÇÃO PROF. MARCIO EISENCRAFT Baseado em http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-450- principles-of-digital-communications-i-fall-2006/video-lectures/lecture-1-introduction/
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS NA MONITORAÇÃO E DETECÇÃO DE FALHAS EM SENSORES DO REATOR IEA-R1
INSTITUTO DE PESQUISAS ENERGÉTICAS E NUCLEARES Autarquia associada à Universidade de São Paulo UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS NA MONITORAÇÃO E DETECÇÃO DE FALHAS EM SENSORES DO REATOR IEA-R1 ELAINE
Leia maisO PAPEL DA ESCOLA E DO PROFESSOR NO PROCESSO DE APRENDIZAGEM EM CRIANÇAS COM TRANSTORNO DE DÉFICIT DE ATENÇÃO E HIPERATIVIDADE (TDAH) Introdução
421 O PAPEL DA ESCOLA E DO PROFESSOR NO PROCESSO DE APRENDIZAGEM EM CRIANÇAS COM TRANSTORNO DE DÉFICIT DE ATENÇÃO E HIPERATIVIDADE (TDAH) Amanda Ferreira dos Santos², Felipe Vidigal Sette da Fonseca²,
Leia maisIMPLEMENTAÇÃO DE UM SIMULADOR DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS
HÉLDER NEVES SANTA ROSA IMPLEMENTAÇÃO DE UM SIMULADOR DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS Trabalho de conclusão de curso apresentado ao Curso de Ciência da Computação. UNIVERSIDADE PRESIDENTE
Leia maisFLUZZ: PROJETO DE UMA REDE SOCIAL BASEADA EM INTELIGÊNCIA COLETIVA
FLUZZ: PROJETO DE UMA REDE SOCIAL BASEADA EM INTELIGÊNCIA COLETIVA Ericsson Santana MARIN Orientador: Cedric Luiz de CARVALHO Instituto de Informática Universidade Federal de Goiás (UFG) Goiânia GO Brasil
Leia maisCurso de Formação de Oficiais Conhecimentos Específicos ENGENHARIA DE COMPUTAÇÃO CADERNO DE QUESTÕES
Curso de Formação de Oficiais Conhecimentos Específicos ENGENHARIA DE COMPUTAÇÃO CADERNO DE QUESTÕES 2014 1 a QUESTÃO Valor: 1,00 a) (0,30) Defina gramáticas livre de contexto. b) (0,30) Crie uma gramática
Leia maisRelatório da Aula Prática sobre Redes Neurais Artificiais
Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.
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 maisIntrodução à Engenharia de Sistemas INOVAÇÃO?
Introdução à Engenharia de Sistemas INOVAÇÃO? Renato Dourado Maia Universidade Estadual de Montes Claros Sistemas de Informação O que é Inovação? O que eu não pretendo: Apresentar uma definição para inovação.
Leia maisBanco de Dados I. Prof. Edson Thizon ethizon@bol.com.br
Banco de Dados I Prof. Edson Thizon ethizon@bol.com.br Conceitos Dados Fatos conhecidos que podem ser registrados e que possuem significado implícito Banco de dados (BD) Conjunto de dados interrelacionados
Leia maisReconhecimento de padrões de Código de Barras a partir da Utilização de Redes Neurais Artificiais
Reconhecimento de padrões de Código de Barras a partir da Utilização de Redes Neurais Artificiais Márcio José Conte 1,2, Merisandra Côrtes de Mattos 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3,
Leia mais- atividades complementares: 300. - total: 3.630
agosto/2007 INFORMAÇÕES GERAIS Habilitação: Bacharel em Sistemas de Informação Duração do Curso: semestral - mínimo de 08, máximo de 16 - horas-aula: 3.330 - atividades complementares: 300 - total: 3.630
Leia maisAção de formação Excel Avançado
Ação de formação Excel Avançado - Identificar as potencialidades do MS Excel - Aprofundamento dos recursos básicos e conhecimento de recursos avançados do software - Desenvolver capacidades de apresentar
Leia maisENGENHARIA DE SOFTWARE
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE Curso Técnico em Informática : ENGENHARIA DE SOFTWARE Prof.: Clayton Maciel Costa clayton.maciel@ifrn.edu.br Um conjunto estruturado
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisPlano de Trabalho Docente 2014. Ensino Técnico
Plano de Trabalho Docente 2014 Ensino Técnico Etec Dr. José Luiz Viana Coutinho Código: 073 Município: Jales Eixo Tecnológico: Recursos Naturais Habilitação Profissional: Habilitação Profissional Técnica
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS ª Série Cálculo Numérico Engenharia Civil A atividade prática supervisionada (ATPS) é um procedimento metodológico de ensino-aprendizagem desenvolvido por meio de um
Leia maisTeoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada. antunes@ibilce.unesp.br, socorro@ibilce.unesp.
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Grafos e Algoritmos Preparado a partir do texto: Rangel, Socorro.
Leia maisTECNÓLOGO EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS PROGRAMAÇÃO DE COMPUTADORES I
TECNÓLOGO EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS PROGRAMAÇÃO DE COMPUTADORES I Aula 02: Organização e Arquitetura de Computadores / Lógica Digital (Parte I) O conteúdo deste documento tem por objetivo
Leia maisCARACTERÍSTICAS GERAIS DOS SERES VIVOS PROF. PANTHERA
CARACTERÍSTICAS GERAIS DOS SERES VIVOS PROF. PANTHERA COMPOSIÇÃO QUÍMICA COMPLEXA Está representada por: Substâncias inorgânicas: água e sais minerais. Substâncias orgânicas (possuem o carbono como elemento
Leia maisFONTES E FORMAS DE ENERGIA
FORMAÇÃO CONTINUADA PARA PROFESSORES DE CIÊNCIAS BIOLÓGICAS FUNDAÇÃO CECIERJ / CONSÓRCIO CEDERJ PROFESSOR/CURSISTA: Armanda Teixeira Ferreira Gonçalves COLÉGIO: Estadual Bairro Senhor Do Bonfim Turma:
Leia maisFERRAMENTA MATEMÁTICA PARA MODELAGEM DE FALHAS EM FONTES ININTERRUPTAS DE ENERGIA USANDO REDES NEURAIS
i UNIVERSIDADE REGIONAL DO NOROESTE DO ESTADO DO RIO GRANDE DO SUL DEPARTAMENTO DE FÍSICA, ESTATÍSTICA E MATEMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM MODELAGEM MATEMÁTICA FERRAMENTA MATEMÁTICA PARA MODELAGEM
Leia maisProf. Sérgio Luiz Tonsig 1
Simulando o Cérebro: Redes Neurais Prof. Sérgio Luiz Tonsig 1 2º semestre de 2000 1 Analista de Sistemas. Especialista em Sistemas de Informação pela UFSCar. Mestrando em Gerência de Sistemas de Informação
Leia maisUNIVERSIDADE ESTADUAL PAULISTA JULIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRONÔMICAS CÂMPUS DE BOTUCATU
UNIVERSIDADE ESTADUAL PAULISTA JULIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRONÔMICAS CÂMPUS DE BOTUCATU UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAS APLICADAS NA DISCRIMINAÇÃO DE PADRÕES DE DOENÇAS FLORESTAIS
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisPrevisão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais
Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade
Leia maisE-mail: rbrunow@uss.br
! " # $! &%'! ()*) ( +!, -,./!, ' *3.45 6 3 7 3 8 3 *3.49: 3 8 *- ; ,?3. @*
Leia maisO CONTEXTO SOCIOTÉCNICO CONTEMPORÂNEO Diferentemente dos tradicionais meios de transmissão em massa, as tecnologias digitais são campo de
Docência On Line INTRODUÇÃO A educação a Distância (EAD) se tornou uma realidade necessária nos dias atuais, tendo como objetivo ajudar e qualificar aquelas pessoas que não tiveram a oportunidade de estudarem
Leia maisCodificação neural. Natureza da Informação UFABC. Prof. João Henrique Kleinschmidt Material elaborado pelos professores de NI
Codificação neural Natureza da Informação UFABC Prof. João Henrique Kleinschmidt Material elaborado pelos professores de NI 1 Princípios gerais do Sistema Nervoso Neurônio: unidade funcional do SNC Introdução
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA PLANO DE ENSINO PERÍODO LETIVO: 2008/2
DISCIPLINA: Créditos: 6 Caráter: Obrigatório Professor regente: Ály Ferreira Flores Filho UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA PLANO DE ENSINO
Leia maisInteligência Artificial
Inteligência Artificial Aula 7 Programação Genética M.e Guylerme Velasco Programação Genética De que modo computadores podem resolver problemas, sem que tenham que ser explicitamente programados para isso?
Leia maisPara entender como funciona um perceptron, vamos continuar considerando um perceptron com somente duas entradas, x 1 e x 2, e uma saída s.
Análise do Perceptron Para entender como funciona um perceptron, vamos continuar considerando um perceptron com somente duas entradas, x 1 e x 2, e uma saída s. O neurônio de saída tem limiar b, de maneira
Leia maisProf. Daniela Barreiro Claro
O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2
Leia maisMetodologias de PETI. Prof. Marlon Marcon
Metodologias de PETI Prof. Marlon Marcon PETI O PETI é composto de: Planejamento Estratégico da organização, que combina os objetivos e recursos da organização com seus mercados em processo de transformação
Leia maisAula 7. Relações básicas: volume, densidade e velocidade
Universidade Presbiteriana Mackenzie Escola de Engenharia Depto. de Engenharia Civil 2 0 semestre de 2015 Aula 7 Relações básicas: volume, densidade e velocidade 7.1. Relações básicas: modelo linear de
Leia maisPlano de Trabalho Docente 2014. Ensino Técnico
Plano de Trabalho Docente 2014 Ensino Técnico Etec ETEC RODRIGUES DE ABREU Código: 135 Município: BAURU/SP Eixo Tecnológico: Informação e Comunicação Habilitação Profissional: TÉCNICO EM INFORMÁTICA Qualificação:
Leia maisHardware: Componentes Básicos. Sistema de Computador Pessoal. Anatomia de um Teclado. Estrutura do Computador. Arquitetura e Organização
Hardware: Componentes Básicos Arquitetura dos Computadores Dispositivos de Entrada Processamento Dispositivos de Saída Armazenamento Marco Antonio Montebello Júnior marco.antonio@aes.edu.br Sistema de
Leia maisUNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS UNIDADE ACADÊMICA DE PESQUISA E PÓS-GRADUAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM GEOLOGIA NÍVEL MESTRADO
UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS UNIDADE ACADÊMICA DE PESQUISA E PÓS-GRADUAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM GEOLOGIA NÍVEL MESTRADO Paula Schmitt REDES NEURAIS ARTIFICIAIS APLICADAS NA CLASSIFICAÇÃO
Leia maisTABLETS COMO RECURSO DE ENSINO: UM ESTUDO COM PROFESSORES DE MATEMÁTICA NUMA ESCOLA PÚBLICA DA PARAÍBA
TABLETS COMO RECURSO DE ENSINO: UM ESTUDO COM PROFESSORES DE MATEMÁTICA NUMA ESCOLA PÚBLICA DA PARAÍBA 1-Introdução LUCAS, Leandro Mário UEPB leandrosl.pb@gmail.com MOITA, Filomena Maria UEPB filomena_moita@hotmail.com
Leia maisSISTEMA HORMONAL. Funções: coordenação do organismo e manutenção do seu equilíbrio
SISTEMA NEURO-HORMONAL SISTEMA NERVOSO SISTEMA HORMONAL Funções: coordenação do organismo e manutenção do seu equilíbrio REAÇÃO DO ORGANISMO A ESTÍMULOS Estímulo Receptor sensorial Órgãos efectores REAÇÃO
Leia maisINCLUSÃO DIGITAL. instrumento de INCLUSÃO SOCIAL
INCLUSÃO DIGITAL instrumento de INCLUSÃO SOCIAL Brasil Telecom Área territorial: 2,6 milhões de km² (33% do território nacional) 25% do PIB (R$ 276 bilhões em 2001) 23% da População (40 milhões) 10.548
Leia maisOBJETIVO GERAL DA DISCIPLINA
BANCO DE DADOS Universidade do Estado de Santa Catarina Centro de Ciências Tecnológicas Departamento de Ciência da Computação Prof. Alexandre Veloso de Matos alexandre.matos@udesc.br OBJETIVO GERAL DA
Leia maisMINISTÉRIO DO MEIO AMBIENTE INSTITUTO CHICO MENDES DE CONSERVAÇÃO DA BIODIVERSIDADE. Reserva Extrativista Chico Mendes
MINISTÉRIO DO MEIO AMBIENTE INSTITUTO CHICO MENDES DE CONSERVAÇÃO DA BIODIVERSIDADE Reserva Etrativista Chico Mendes Termo de Referência nº 2013.0930.00039-8 1 Identificação Contratação de consultoria
Leia maisFundamentos de Bancos de Dados 3 a Prova Caderno de Questões
Fundamentos de Bancos de Dados 3 a Prova Caderno de Questões Prof. Carlos A. Heuser Dezembro de 2009 Duração: 2 horas Prova com consulta Questão 1 (Construção de modelo ER) Deseja-se projetar a base de
Leia maisCONCEITOS DE CARTOGRAFIA ENG. CARTÓGRAFA ANNA CAROLINA CAVALHEIRO
CONCEITOS DE CARTOGRAFIA ENG. CARTÓGRAFA ANNA CAROLINA CAVALHEIRO CAMPO LARGO, 15 DE ABRIL DE 2013 Cartografia Cartografia é o conjunto de estudos e operações científicas, artísticas e técnicas, baseado
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE CONTRUÇÃO CIVIL CURSO DE ENGENHARIA DE PRODUÇÃO CIVIL MATEUS HIDEKE SATO
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE CONTRUÇÃO CIVIL CURSO DE ENGENHARIA DE PRODUÇÃO CIVIL MATEUS HIDEKE SATO APLICAÇÃO DE REDES NEURAIS NA ENGENHARIA DE AVALIAÇÕES TRABALHO
Leia maisDeswik.Sched. Sequenciamento por Gráfico de Gantt
Deswik.Sched Sequenciamento por Gráfico de Gantt SOLUÇÕES EM SEQUENCIAMENTO DE LAVRA QUE NOS DIFERENCIAM Uma abordagem dinâmica e moderna para o sequenciamento de lavra Desde gráficos de Gantt interativos
Leia maisUNIVERSIDADE PAULISTA CURSOS
UNIVERSIDADE PAULISTA CURSOS CST em Análise e Desenvolvimento de Sistemas CST em Automação Industrial CST em Gestão da Tecnologia da Informação CST em Redes de Computadores PIM Projeto Integrado Multidisciplinar
Leia maisMobilidade: implicações económicas. Prof. João Confraria ( UCP )
Mobilidade Uma presença pervasiva no quotidiano das sociedades modernas 21 de Outubro de 2004 Hotel Le Meridien Mobilidade: implicações económicas Prof. João Confraria ( UCP ) Patrocínio Organização Mobilidade:
Leia maisGeografia. Aula 02. Projeções Cartográficas A arte na construção de mapas. 2. Projeções cartográficas
Geografia. Aula 02 Projeções Cartográficas A arte na construção de mapas 2. Projeções cartográficas 2.1. Como representar figuras tridimensionais em um plano sem que ocorra deformidades? É possível eliminar
Leia mais2 Segmentação de imagens e Componentes conexas
Universidade Tecnológica Federal do Paraná (UTFPR) Departamento Acadêmico de Informática (DAINF) Algoritmos II Professor: Alex Kutzke (alexk@dainf.ct.utfpr.edu.br) Especificação do Primeiro Trabalho Prático
Leia maisResolução de sistemas de equações lineares: Método de eliminação de Gauss
Resolução de sistemas de equações lineares: Método de eliminação de Gauss Marina Andretta ICMC-USP 21 de março de 2012 Baseado no livro Análise Numérica, de R L Burden e J D Faires Marina Andretta (ICMC-USP)
Leia maisCAPÍTULO 3 REDES NEURAIS ARTIFICIAIS
CAPÍTULO 3 REDES NEURAIS ARTIFICIAIS Este Capítulo apresenta uma introdução às Redes Neurais Artificiais clássicas em geral, e também, uma introdução aos modelos mais usados de redes, baseadas em aprendizagem
Leia maisRELATÓRIO DEFINIÇÃO. Resumo
RELATÓRIO DEFINIÇÃO Resumo Desenvolvimento em Web Services para Avaliação de Conhecimentos no Sapien flex. Desenvolver interface grafica para Integração no sistema Sapien Flex, Construção de exames auto-corrigidos
Leia maisTratamento e Análise de Dados e Informações (TADI)
Tratamento e Análise de Dados e Informações (TADI) Apresentação do Curso Prof. André Martins A USP http://www4.usp.br/index.php/a-usp http://www.webometrics.info/ http://www.arwu.org/ By all means let's
Leia maisSERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DE SERGIPE PRÓ-REITORIA DE PÓS-GRADUAÇÃO E PESQUISA
EDITAL N 04/2013 PROCC/POSGRAP PARA PÓS-DOUTORADO Programa de Pós-Graduação em Ciência da Computação Aprovado em reunião do Colegiado do PROCC em 13/09/2013 O Coordenador do Programa de Pós-Graduação em
Leia maisTECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO (TIC) PLANIFICAÇÃO ANUAL 8º ANO ANO LETIVO 2013/2014
TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO (TIC) PLANIFICAÇÃO ANUAL 8º ANO ANO LETIVO 2013/2014 Previsão de aulas 8º B Aulas previstas 33 1º Período 14 2º Período 12 3º Período 7 Planificação anual resumida
Leia maisFlávia Rodrigues. Silves, 26 de Abril de 2010
Flávia Rodrigues STC5 _ Redes de Informação e Comunicação Silves, 26 de Abril de 2010 Vantagens e Desvantagens da Tecnologia Acessibilidade, quer a nível pessoal quer a nível profissional; Pode-se processar
Leia maisAnálise Qualitativa no Gerenciamento de Riscos de Projetos
Análise Qualitativa no Gerenciamento de Riscos de Projetos Olá Gerente de Projeto. Nos artigos anteriores descrevemos um breve histórico sobre a história e contextualização dos riscos, tanto na vida real
Leia maisMÓDULO 2 Topologias de Redes
MÓDULO 2 Topologias de Redes As redes de computadores de modo geral estão presentes em nosso dia adia, estamos tão acostumados a utilizá las que não nos damos conta da sofisticação e complexidade da estrutura,
Leia mais