FELIPE SEITI HORIUCHI ESTUDO SOBRE MULTIMODAL DEEP LEARNING
|
|
- Alexandra de Mendonça Pinheiro
- 6 Há anos
- Visualizações:
Transcrição
1 FELIPE SEITI HORIUCHI ESTUDO SOBRE MULTIMODAL DEEP LEARNING LONDRINA PR 2017
2
3 FELIPE SEITI HORIUCHI ESTUDO SOBRE MULTIMODAL DEEP LEARNING Versão Preliminar de Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado em Ciência da Computação da Universidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Computação. Orientador: Fábio Sakuray LONDRINA PR 2017
4 FELIPE SEITI HORIUCHI Estudo Sobre Multimodal Deep Learning/ FELIPE SEITI HORIUCHI. Londrina PR, p. : il. (algumas color.) ; 30 cm. Orientador: Fábio Sakuray Universidade Estadual de Londrina, Palavra-chave1. 2. Palavra-chave2. I. Orientador. II. Universidade xxx. III. Faculdade de xxx. IV. Título CDU 02:141:005.7
5 FELIPE SEITI HORIUCHI ESTUDO SOBRE MULTIMODAL DEEP LEARNING Versão Preliminar de Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado em Ciência da Computação da Universidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Computação. BANCA EXAMINADORA Fábio Sakuray Universidade Estadual de Londrina Orientador Prof. Dr. Segundo Membro da Banca Universidade/Instituição do Segundo Membro da Banca Prof. Dr. Terceiro Membro da Banca Universidade/Instituição do Terceiro Membro da Banca Prof. Ms. Quarto Membro da Banca Universidade/Instituição do Quarto Membro da Banca Londrina PR, 24 de novembro de 2017
6
7 Este trabalho é dedicado às crianças adultas que, quando pequenas, sonharam em se tornar cientistas.
8
9 AGRADECIMENTOS Os agradecimentos principais são direcionados à Gerald Weber, Miguel Frasson, Leslie H. Watter, Bruno Parente Lima, Flávio de Vasconcellos Corrêa, Otavio Real Salvador, Renato Machnievscz 1 e todos aqueles que contribuíram para que a produção de trabalhos acadêmicos conforme as normas ABNT com L A TEX fosse possível. Agradecimentos especiais são direcionados ao Centro de Pesquisa em Arquitetura da Informação 2 da Universidade de Brasília (CPAI), ao grupo de usuários latex-br 3 e aos novos voluntários do grupo abntex2 4 que contribuíram e que ainda contribuirão para a evolução do abntex2. 1 Os nomes dos integrantes do primeiro projeto abntex foram extraídos de < br/projects/abntex/> 2 < 3 < 4 < e <
10
11 Não vos amoldeis às estruturas deste mundo, mas transformai-vos pela renovação da mente, a fim de distinguir qual é a vontade de Deus: o que é bom, o que Lhe é agradável, o que é perfeito. (Bíblia Sagrada, Romanos 12, 2)
12
13 SOBRENOME, N. A.. Estudo Sobre Multimodal Deep Learning. 42 p. Trabalho de Conclusão de Curso Versão Preliminar (Bacharelado em Ciência da Computação) Universidade Estadual de Londrina, Londrina PR, RESUMO Devido aos avanços tecnológicos dos últimos anos, machine learning tem ganhado muita importância, tanto na área cientifica, como na área econômica, estando presente no dia a dia de muitos, em smartphones, recomendações de amigos nas redes sociais, reconhecimento facial, buscas na internet e até classificação de gênero de músicas. Tendo em vista isso, este trabalho tem como objetivo abordar uma das técnicas utilizadas em machine learning, multimodal deep learning. Palavras-chave: Latex. Template ABNT-DC-UEL. Editoração de texto.
14
15 SOBRENOME, N. A.. Study of Multimodal Deep Learning. 42 p. Final Project Draft Version (Bachelor of Science in Computer Science) State University of Londrina, Londrina PR, ABSTRACT Due to the technological advances in past years, machine learning has gained a lot of importance in the scientific area and in the economic area, being present in daily life of many, on smartphones, friend requests on social media, face recognition, web searches, even on music genre classification. That said, this work has the objective of approaching one of the techniques used in machine learning, multimodal deep learning. Keywords: Latex. ABNT-DC-UEL. Text editoration.
16
17 LISTA DE ILUSTRAÇÕES Figura 1 Representação de um neurônio artificial. (Fonte: 25 Figura 2 Representação de uma arquitetura MLP Figura 3 Representação de underfit e overfit. (Fonte: 27 Figura 4 Representação de deep learning. (Fonte: 29 Figura 5 Representação de multimodal learning. (Fonte: 2)
18
19 LISTA DE TABELAS
20
21 LISTA DE ABREVIATURAS E SIGLAS ABNT BNDES IBGE IBICT NBR Associação Brasileira de Normas Técnicas Banco Nacional de Desenvolvimento Econômico e Social Instituto Nacional de Geografia e Estatística Instituto Brasileiro de Informação em Ciência e Tecnologia Norma Brasileira
22
23 SUMÁRIO 1 INTRODUÇÃO FUNDAMENTAÇÃO TEÓRICA Rede Neural Treinamento de Uma Rede Neural Fitting Modelos de Treinamento Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado Reforçado Deep Learning Multimodal Learning Deep Convolutional Neural Network Deep Recurrent Neural Network TensorFlow PROCEDIMENTOS METODOLÓGICOS/MÉTODOS E TÉC- NICAS CONCLUSÃO REFERÊNCIAS APÊNDICES 39 ANEXOS 41
24
25 23 1 INTRODUÇÃO Machine learning ou, aprendizagem de máquina, está por trás de muitos aspectos do cotidiano das pessoas, de simples buscas na internet e filtros de conteúdo nas mídias sociais à recomendações de produtos em sites de venda, e está cada vez mais presente em produtos como câmeras e smartphones. Sistemas de aprendizagem são usados para identificar objetos em imagens, transcrever fala em texto, selecionar notícias, anúncios, ou posts que interessam o usuário e selecionar resultados relevantes de uma pesquisa[3]. As técnicas convencionais de machine learning eram muito limitadas quando se tratava de processamento de dados raw, uma vez que os mesmos eram dados muito abstratos, sem rotulagem definida. Então começaram a enfatizar mais os estudos de representation learning, que é o estudo que verifica quais são as representações que mais facilitam a classificação e extração de dados uteis[4], e, mais recentemente, de deep learning, que é um método de aprendizagem de máquina que utiliza deep neural networks que são redes neurais com muitas camadas de processamento que são capazes de quebrar o conhecimento em pequenas etapas e são capazes de classificar dados a partir das informações obtidas pelas suas camadas. Desde então, pesquisadores procuram formas de melhorar o desempenho dessas redes neurais utilizando deep learning, aplicando funções de controle de eficiência, utilizando GPU s para aumentar a velocidade de treinamento das redes[5] e etc. Multimodal Deep Learning é um dos métodos que os pesquisadores encontraram para tentar melhorar o desempenho destas redes neurais utilizando diferentes modalidades de dados para diminuir a porcentagem de erro na leitura e interpretação de um dado, caso haja algum tipo de ruído no mesmo, e também, aumentar a assertividade da rede, uma vez que se a partir de duas modalidades de dados o resultado for semelhante, a possibilidade do resultado estar certo é maior. Multimodal Deep Learning segue o princípio de que informações no mundo real são transmitidas através de vários canais de entrada. Imagens são associadas a legendas e rótulos, vídeos contem sinais visuais e auditivos, sensores de movimento utilizam informações coletadas a partir do som, do tato, do movimento e da visão. [6] Assim como o cérebro humano capta essas diferentes informações que se complementam entre si para melhor definir as informações recebidas, a ideia de utilizar diferentes formatos de dados para reconhecer e classificar uma entrada pode ser benéfico aos resultados. A aplicação desta ideia pode ser observada em sistemas de reconhecimento de voz, onde se captura o som da voz e o vídeo contendo o movimento dos lábios da pessoa. [7] Outro exemplo de aplicação é a detecção de pedestres, que utiliza imagens em formato de
26 24 vídeo e o mesmo cenário, porém, utilizando um detector de calor, que pode complementar as informações obtidas caso a captura da imagem esteja muito escura ou tenha muitos ruídos. [8] Essa ideia também pode ser observada em sistemas que medem a distribuição dos raios solares em um ambiente, onde pode utilizado as várias frequências como diferentes entradas para se verificar com mais certeza os locais onde há maior e menor incidência dos raios. [9] O restante do trabalho está organizado da seguinte maneira: o Capítulo 2 contém a uma apresentação de conceitos iniciais sobre redes neurais, deep learning e multimodal learning.
27 25 2 FUNDAMENTAÇÃO TEÓRICA 2.1 Rede Neural O conceito de redes neurais pode ser definido como um conjunto de algorítmos matemáticos inpirados na funcionalidade biológica dos neurônios. Esta definição foi introduzida por McCulloch e Prits [10], que propôs um modelo matemático para simular as atividades de um neurônio. [11] O neurônio artificial, também chamado na literatura de "Perceptron", proposto por McCulloch funciona da seguinte forma: ao receber um sinal de entrada, podendo ter um ou mais elementos, cada elemento é multiplicado por um peso, que geralmente é representado pela letra "w"na literatura, então o valor calculado é somado e então submetido a uma função de ativação. A figura 1 representa estas ações onde "1, x1, x3 e x4"são entradas que são multiplicadas por um peso "w"e a sua soma é submetida a uma função de ativação "unit step function". Figura 1 Representação de um neurônio artificial. (Fonte: Os pesos de cada rede neural são definidos pelo autor da rede, sendo que cada um representa o "nível de importância"de cada elemento da entrada e a funçao de ativação, também definida pelo autor, geralmente apresenta um "limiar"que deve ser atingido pela
28 26 soma calculada para a ativação, ou não do perceptron. Isto pode ser descrito pela seguinte função: f(y) = sum N i=0w ijxi + Bj Onde y é a saída, Wij é o peso W da camada i do neurônio para a entrada j, e Xi é a entrada X. Estes neurônios podem ser agrupados para formar uma rede neural. As diferentes formas de se agrupar os perceptrons são responsáveis por definir a arquitetura da rede neural. [12] [13] A figura 2 apresenta um exemplo de multi-layer-perceptron que é uma arquitetura composta por vários perceptrons organizados em camadas.[14] Figura 2 Representação de uma arquitetura MLP Treinamento de Uma Rede Neural Uma das caracteristicas mais importantes de uma rede neural é a capacidade de aprender utilizando exemplos e extrair informações de seu aprendizado, melhorando gradativamente o seu desempenho. As redes neurais geralmente utilizam um algoritmo de aprendizagem que tem como objetivo, ajustar os pesos e os biases dos perceptrons.[15] Estes algoritmos são utilizados para facilitar a definição da taxa de aprendizagem de uma
29 27 rede neural, uma vez que, caso a taxa escolhida seja muito baixa, a rede demorará muito para ser treinada e ela tem mais chances de ficar "presa"em um máximo, ou mínimo local, o que a impediria de obter o seu desempenho máximo. Porém, caso a taxa escolhida seja muito alta, a rede neural pode não conseguir convergir para um único ponto de melhor desempenho e ficará instável Fitting Um dos problemas que as redes neurais possuem é a ausencia de um "ponto fixo ideal"de treino, ou seja, cada rede tem um certo grau ideal para que ela seja treinada. Caso este ponto não seja estabelecido corretamente pode levar a rede a apresentar problemas como "overfitting"e "underfitting". Overfitting é o problema que se da quando uma rede neural é muito específica para um certo grupo de dados, isso pode prejudicá-la caso o problema a ser resolvido, ou classificado, por ela tenha um grande número de variáveis. Já o contrário, underfitting acontece quando a rede neural é muito geral, fazendo com que ela passe a aceitar mais dados do que o esperado. Ambos os problemas podem levar a uma rede neural sem precisão, o que a deixaria inutilizável em casos de problemas reais. Figura 3 Representação de underfit e overfit. (Fonte: ANN-7-Overfitting-Regularization.php) Para solucionar estes problemas, foram estudadas algumas técnicas que podem ser utilizadas para reduzir a ocorrência deles. Uma delas é a "Dropout", que consiste em selectionar alguns perceptrons da camada de processamento (hidden layer) e bloquear a sua saída de dados para os perceptros de output fazendo assim com que eles não sejam avaliados nos algoritmos de aprendizagem, então, após um tempo, desbloqueiar a saídas dos perceptrons bloqueados e bloquear outros neurônios. Isso faz com que a rede neural se torne mais geral, não dependendo apenas de um conjunto de neurônios para tomar certas decisões, mas sim da decisão de vários conjuntos.[16] [17]
30 28 Outra solução é "Early Stopping", que consiste em separar o conjunto de teste em tres conjuntos, um para o treinamento, um para validação e outro com a função de representar casos reais de aplicação da rede. Outra parte importante deste método é constantemente avaliar os resultados de cada fase do treinamento de uma rede e parar o treinamento antes que a rede neural se torne "overfit". Essa técnica não permite que a rede neural fique muito específica para o conjunto de teste, a ponto de começar a prejudicar os resultados dela para casos de aplicação real.[18] [19] Modelos de Treinamento Existem diferentes modelos de treinamento para uma dada rede neural, que correspondem ao modo que os dados de entrada são estruturados, fornecidos à rede e analisados por ela Aprendizado Supervisionado No aprendizado supervisionado é oferecido à rede um conjunto de dados que possuem, basicamente, dois parâmetros uma entrada e a saída esperada por aquela entrada e a função do algoritmo é determinar uma função que dado tal entrada, teria o resultado esperado. Portanto, é necessário ter um conhecimento prévio do comportamento que se deseja, ou se espera da rede. Para cada entrada, deve-se indicar explicitamente à rede neural se a resposta calculada é boa ou ruim, então o erro entre as respostas, esperadas e obtidas, é calculado e de acordo com ele são feitos ajustes para aumentar o desempenho em futuros testes.[15] [3] Aprendizado Não-Supervisionado No aprendizado não-supervisionado, o algoritmo analisa os dados de exemplos fornecidos e tenta determinar se alguns deles podem ser agrupados de alguma maneira, formando agrupamentos ou clusters. Então, após determinar os clusters de dados, os mesmos precisam ser rotulados de acordo com o contexto do problema analisado.[20] O aprendizado não-supervisionado é uma ferramenta muito poderosa para o treinamento de redes neurais, pois com ele é possível utilizar grandes conjuntos de dados para o processo, uma vez que os dados não precisam ser rotulados, porém, geralmente o aprendizado não-supervisionado é utilizado em conjunto com o aprendizado supervisionado que é utilizado em pequenos intervalos para ter uma melhor definição das funções de clusterização de acordo com o problema tratado Aprendizado Reforçado O aprendizado reforçado se assemelha um pouco ao aprendizado supervisionado em vista que os dados fornecidos para o trainamento precisam ter uma entrada e uma
31 29 saída esperada, porém, a diferença é que ao invés de procurar uma função que leva ao resultado, o aprendizado reforçado é feito dividido em "passos"e em cada passo é verificado "qual o melhor passo a se dar", de acordo, apenas, com o estado atual e baseando-se na ação tomada, a rede neural recebe um estimulo positivo ou negativo dependendo das consequências. Geralmente utilizado em robótica e jogos, onde é possível e tem mais facilidade de dividir as ações em etapas. 2.3 Deep Learning Deep Learning, ou Aprendizagem Profunda, é um conceito que começou a se desenvolver desde a década de 80, porém não era muito utilizada, pois possuia vários problemas como a dificuldade de se programar e também o seu desempenho era pior do que as redes neurais mais simples que existiam devido a um problema chamado "Vanishing Gradient". Foi apenas na década de 90 que o Deep Learning começou a ser mais utilizado, pois permitia o uso do aprendizado não supervisionado e também teve vários avanços na área de aprendizado supervisionado. Enfim, atualmente, Deep Learning está sendo aplicado em várias áreas de conhecimento, alcançando o primeiro resultado "super-humano"na área de reconhecimento de padrões visuais, ou seja, o resultado obtido pela rede neural obteve melhores resultados do que uma pessoa real. [21] Deep Learning é o termo que se usa para classificar redes neurais que possuem várias camadas ocultas de processamento. Estas camadas permitem que o dado analisado seja dividido em várias partes, formando uma hierarquia de conhecimento, onde as camadas iniciais são responsáveis pela detecção de características mais gerais do dado e então as proximas camadas vão especificando cada vez mais as características analisadas. Por exemplo: Em uma rede neural que tem como objetivo detectar rostos de pessoas em imagens, as camadas iniciais são responsáveis por analisar os cantos do rosto, dando a sua forma, então as camadas finais verificariam a presença e a cor dos olhos, dentes, etc.[3] Figura 4 Representação de deep learning. (Fonte:
32 Multimodal Learning Multimodal Learning é o conceito utilizado para denominar redes neurais que utilizam de mais de uma "modality", ou modalidade, para analisar os dados. Uma modalidade pode ser definida como qualquer tipo de representação de um dado, podendo ser texto, audio, imagem, etc. [22] [6] [23] A aprendizagem multimodal é feita com a analise separada dos dados, em diferentes redes neurais, então seus resultados são comparados juntos para obter um resultado, como representado na figura 5. Figura 5 Representação de multimodal learning. (Fonte: 2) 2.5 Deep Convolutional Neural Network 2.6 Deep Recurrent Neural Network 2.7 TensorFlow TensorFlow é uma interface para expressão e execução de algoritmos de aprendizado de máquina. Ela foi criada para ser a sucessora da DistBelief que foi a ferramenta para treinamento de redes neurais utilizada pelo Google até [24]
33 31 Uma aplicação TensorFlow pode ser descrita como uma estrutura de gráfo direcionado composta por nós. O gráfo representa o fluxo dos dados que possuem extensões que permitem que os nós mantenham e atualizem seu estado, o que é utilizado para criação de "loops". [24]
34
35 33 3 PROCEDIMENTOS METODOLÓGICOS/MÉTODOS E TÉCNICAS Para a realização do trabalho será programado uma rede neural aplicando os conceitos de Multimodal Deep Learning, combinando uma rede neural convolucional com apois de uma rede recorrente que fará analise de dado em formato de vídeo e uma rede neural recorrente que fará a leitura de dados em formato de audio, no contexto de reconhecimento de voz utilizando o framework TensorFlow e então os resultados serão comparados aos resultados de outras redes neurais e estudados.
36
37 4 CONCLUSÃO 35
38
39 37 REFERÊNCIAS [1] AZZOUZ, N.; BECHIKH, S.; SAID, L. B. Steady state ibea assisted by mlp neural networks for expensive multi-objective optimization problems. In: ACM. Proceedings of the 2014 Annual Conference on Genetic and Evolutionary Computation. [S.l.], p [2] EITEL, A. et al. Multimodal deep learning for robust rgb-d object recognition. In: IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Hamburg, Germany: [s.n.], Disponível em: < de/publications/papers/eitel15iros.pdf>. [3] LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, Nature Research, v. 521, n. 7553, p , [4] BENGIO, Y.; COURVILLE, A.; VINCENT, P. Representation learning: A review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, IEEE, v. 35, n. 8, p , [5] CHEN, X.-W.; LIN, X. Big data deep learning: challenges and perspectives. IEEE access, Ieee, v. 2, p , [6] SRIVASTAVA, N.; SALAKHUTDINOV, R. R. Multimodal learning with deep boltzmann machines. In: Advances in neural information processing systems. [S.l.: s.n.], p [7] HOU, J.-C. et al. Audio-visual speech enhancement based on multimodal deep convolutional neural network. arxiv preprint arxiv: , [8] XU, D. et al. Learning cross-modal deep representations for robust pedestrian detection. arxiv preprint arxiv: , [9] MA, L. et al. Multimodal deep learning for solar radio burst classification. Pattern Recognition, Elsevier, v. 61, p , [10] MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, Springer, v. 5, n. 4, p , [11] CARDOSO, J. B. et al. Structural reliability analysis using monte carlo simulation and neural networks. Advances in Engineering Software, Elsevier, v. 39, n. 6, p , [12] RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning internal representations by error propagation. [S.l.], [13] ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological review, American Psychological Association, v. 65, n. 6, p. 386, 1958.
40 38 [14] GARDNER, M. W.; DORLING, S. Artificial neural networks (the multilayer perceptron) a review of applications in the atmospheric sciences. Atmospheric environment, Elsevier, v. 32, n. 14, p , [15] FERNEDA, E. Redes neurais e sua aplicação em sistemas de recuperação de informação. Ciência da Informação, SciELO Brasil, v. 35, n. 1, [16] SRIVASTAVA, N. et al. Dropout: a simple way to prevent neural networks from overfitting. Journal of machine learning research, v. 15, n. 1, p , [17] KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. Imagenet classification with deep convolutional neural networks. In: Advances in neural information processing systems. [S.l.: s.n.], p [18] DOAN, C. D.; LIONG, S.-y. Generalization for multilayer neural network bayesian regularization or early stopping. In: Proceedings of Asia Pacific Association of Hydrology and Water Resources 2nd Conference. [S.l.: s.n.], p [19] CARUANA, R.; LAWRENCE, S.; GILES, C. L. Overfitting in neural nets: Backpropagation, conjugate gradient, and early stopping. In: Advances in neural information processing systems. [S.l.: s.n.], p [20] MONARD, M. C.; BARANAUSKAS, J. A. Conceitos sobre aprendizado de máquina. Sistemas Inteligentes-Fundamentos e Aplicações, v. 1, n. 1, [21] SCHMIDHUBER, J. Deep learning in neural networks: An overview. Neural networks, Elsevier, v. 61, p , [22] NGIAM, J. et al. Multimodal deep learning. In: Proceedings of the 28th international conference on machine learning (ICML-11). [S.l.: s.n.], p [23] GU, Y. et al. Speech intention classification with multimodal deep learning. In: SPRINGER. Canadian Conference on Artificial Intelligence. [S.l.], p [24] ABADI, M. et al. Tensorflow: A system for large-scale machine learning. In: OSDI. [S.l.: s.n.], v. 16, p
41 Apêndices
42
43 Anexos
44
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
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 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 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 maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
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 maisReconhecimento de Sinais de Trânsito Utilizando Deep Learning
Reconhecimento de Sinais de Trânsito Utilizando Deep Learning Marcos Vinícius Oliveira Sobrinho 1, Matheus Chaves Menezes 1, Chrystian Gustavo Martins Nascimento 1, Geraldo Braz Júnior 2 1 Curso de Ciência
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
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 maisClassificação 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 maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
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 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 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 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 maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisREDES NEURONAIS Conceitos. Jorge M. Santos
REDES NEURONIS Conceitos Jorge M. Santos jms@isep.ipp.pt Definição e enquadramento histórico neural network is a massively parallel distributed processor made up of simple processing units that has a natural
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 maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisscikit-learn: Aprendizado de máquina 101 com Python
scikit-learn: Aprendizado de máquina 101 com Python Luciana Fujii Campus Party BH 2016 1 / 30 Introdução Aprendizado de máquina Aprendizado de máquina é o campo da ciência da computação que dá aos computadores
Leia maisMétodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
Leia maisPrevisão de séries temporais mediante redes neurais
Previsão de séries temporais mediante redes neurais Aluna: João Pedro Mano Orientadora: Celia Anteneodo Introdução Atualmente, com o crescimento dos mercados financeiros, e com as mudanças bruscas nos
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia 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 maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisFace Detection. Image Processing scc moacir ICMC/USP São Carlos, SP, Brazil
Face Detection Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Face Detection 2011 1 / 24 Agenda 1 Detectando faces 2
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisReconhecimento do alfabeto da linguagem de sinais brasileira por classificação de animação 3D gerada por kinect.
Reconhecimento do alfabeto da linguagem de sinais brasileira por classificação de animação 3D gerada por kinect. Luis Fernando kawabata de Almeida 1, Alan Salvany Felinto 1 1 Departamento de Computação
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 maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisInteligência Artificial Redes Neurais Artificiais
Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta
Leia 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 maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
Leia maisRedes neurais e sua aplicação em sistemas de recuperação de informação
Redes neurais e sua aplicação em sistemas de recuperação de informação Edberto Ferneda Professor doutor do curso de ciências da informação e Documentação da Faculdade de Filosofia Ciências e Letras de
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 maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS
Leia maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisFUNDAÇÃO EDUCACIONAL DE ANDRADINA NOME DO(S) AUTOR(ES) EM ORDEM ALFABÉTICA TÍTULO DO TRABALHO: SUBTÍTULO DO TRABALHO, SE HOUVER
FUNDAÇÃO EDUCACIONAL DE ANDRADINA NOME DO(S) AUTOR(ES) EM ORDEM ALFABÉTICA TÍTULO DO TRABALHO: SUBTÍTULO DO TRABALHO, SE HOUVER ANDRADINA / SP 2016 NOME DO(S) AUTOR(ES) EM ORDEM ALFABÉTICA TÍTULO DO TRABALHO:
Leia maisAutor 1 Orientador: 1. dia de mês de ano
Título Autor 1 Orientador: 1 1 Laboratório de Sistemas de Computação Universidade Federal de Santa Maria dia de mês de ano Roteiro Introdução Fundamentação Desenvolvimento Resultados Conclusão e Trabalhos
Leia maisÍndice. Classificação de textos para o ensino de português como segunda língua. Índice. technology from seed
Classificação de textos para o ensino de português como segunda língua Pedro Santos Curto Conclusões, Contribuições e Trabalho futuro 1 2 Motivação Aplicações e escala da classificação de textos Motivação
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA º PERÍODO - 7º MÓDULO AVALIAÇÃO A1 DATA 10/09/2009 ENGENHARIA DE USABILIDADE
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 4º PERÍODO - 7º MÓDULO AVALIAÇÃO A1 DATA 10/09/2009 ENGENHARIA DE USABILIDADE 2009/2 GABARITO COMENTADO QUESTÃO 1: 1. Considere as afirmações a seguir:
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis
Leia mais3 Identificação de Locutor Usando Técnicas de Múltiplos Classificadores em Sub-bandas Com Pesos Não-Uniformes
3 Identificação de Locutor Usando Técnicas de Múltiplos Classificadores em Sub-bandas Com Pesos Não-Uniformes Neste capítulo, é apresentada uma nova proposta de combinação de múltiplos classificadores
Leia maisRedes Neurais Artificiais. Everton Gago
Redes Neurais Artificiais Everton Gago Como vai ser? O que é RNA? Conglomerado de neurônios!?!? Neurônio: Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia 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 maisACCURATE IRIS LOCALIZATION USING CONTOUR SEGMENTS
ACCURATE IRIS LOCALIZATION USING CONTOUR SEGMENTS Fernanda Maria Sirlene Pio INFORMAÇÕES SOBRE O ARTIGO Pattern Recognition (ICPR): A1 Publicação: 2012 Citações: 1 2 SUMÁRIO 1. Introdução 2. Detalhes técnicos
Leia mais3 Redes Neurais Introdução
3 Redes Neurais 3.. Introdução As redes neurais artificiais, ou comumente conhecidas como Neural Networs, foram motivadas em princípio pela extraordinária capacidade do cérebro humano para executar tarefas
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisAvaliação de desempenho de virtualizadores no envio e recebimento de pacotes em sistemas Linux
Universidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática 2015.1 Avaliação de desempenho de virtualizadores no envio e recebimento de pacotes em sistemas Linux Proposta
Leia maisCUDA: Compute Unified Device Architecture. Marco Antonio Simões Teixeira
CUDA: Compute Unified Device Architecture Marco Antonio Simões Teixeira Sumário Introdução; CUDA: História; CUDA: programando; CUDA e deep learning; Links úteis; Considerações finais. 2 INTRODUÇÃO 3 O
Leia maisUFAM - Engenharia Elétrica
UFAM - Engenharia Elétrica RECONHECIMENTO DE PADRÕES UTILIZANDO FILTROS DE CORRELAÇÃO COM ANÁLISE DE COMPONENTES PRINCIPAIS Waldir Sabino da Silva Júnior Monografia de Graduação apresentada à Coordenação
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisUnidade 1 Introdução à Análise de Sistemas. Objectivos
Unidade 1 Introdução à Análise de Sistemas Objectivos 1 2 Objectivos Definir a análise de sistemas Reconhecer as funções do analista de sistemas Definir conceitos de sistema Reconhecer a finalidade do
Leia maisFundamentos das Redes Neurais: exemplos em Java
Fundamentos das Redes Neurais: exemplos em Java Recife 2008 Copyringt by 2007 Mêuser Valença Impresso no Brasil Printed in Brazil Editor Tarcísio Pereira Diagramação Maria do Carmo de Oliveira Capa Valeska
Leia maisNome da disciplina Título do trabalho
Nome da disciplina Título do trabalho Nome(s) do(s) aluno(s) e Número(s) do(s) aluno(s) Local e data AGRADECIMENTOS O autor agradece aqui aos orientadores e colegas que o ajudaram em qualquer ponto do
Leia maisProtótipo de um robô rastreador de objetos. Orientando: Emerson de Oliveira Orientador : Miguel Wisintainer
Protótipo de um robô rastreador de objetos Orientando: Emerson de Oliveira Orientador : Miguel Wisintainer Estrutura da apresentação Introdução Processamento e análise de imagens Redes neurais e reconhecimento
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisProtótipo de um Simulador de um Aspirador de Pó, Utilizando Algoritmo de Busca e Agentes Inteligentes, em Ambientes com Barreiras
Protótipo de um Simulador de um Aspirador de Pó, Utilizando Algoritmo de Busca e Agentes Inteligentes, em Ambientes com Barreiras Jussara Vieira Ramos ROTEIRO Objetivo Introdução: I.A. X Robótica Agentes
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisReconhecimento de Tipos de Movimento Humano baseados no método GMM.
Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP
Leia maisTabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37
4 Estudo de Casos A metodologia proposta no capítulo 3 foi aplicada em casos reais coletados de equipamentos Caterpillar da Sotreq. As falhas aqui estudadas são referentes a dois componentes do caminhão:
Leia maisInteligência Artificial
Inteligência Artificial Apresentação da disciplina Conceitos básicos Objetivos Apresentar uma visão geral da Inteligência Artificial, com ênfase na utilidade e aplicação das diferentes abordagens de solução
Leia mais1 INTRODUÇÃO. As mudanças no cenário político-mundial na última década fizeram. com que o acirramento entre empresas no mercado globalizado aumentasse
1 INTRODUÇÃO 1.1 MOTIVAÇÃO As mudanças no cenário político-mundial na última década fizeram com que o acirramento entre empresas no mercado globalizado aumentasse em muito. Além disso, a desregulamentação
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 14 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia maisDetecção Automática de Incompatibilidades Cross-Browser utilizando Redes Neurais Artificiais
Detecção Automática de Incompatibilidades Cross-Browser utilizando Redes Neurais Artificiais Fagner Christian Paes Universidade Tecnológica Federal do Paraná - UTFPR Brazil Willian Massami Watanabe Universidade
Leia maisCRITÉRIOS DA USABILIDADE Um auxílio à qualidade do software
CRITÉRIOS DA USABILIDADE Um auxílio à qualidade do software Simone Vasconcelos Silva Professora de Informática do CEFET Campos Mestre em Engenharia de Produção pela UENF RESUMO Um produto de software de
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisSistemas de Informação e Decisão. Douglas Farias Cordeiro
Sistemas de Informação e Decisão Douglas Farias Cordeiro Decisão Tomamos decisões a todo momento! O que é uma decisão? Uma decisão consiste na escolha de um modo de agir, entre diversas alternativas possíveis,
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisUniversidade Regional de Blumenau Centro de Ciências Exatas e Naturais Departamento de Sistemas e Computação
Universidade Regional de Blumenau Centro de Ciências Exatas e Naturais Departamento de Sistemas e Computação Desenvolvimento da Aplicação para Aprovação do Limite de Crédito Financeiro de uma Empresa Têxtil
Leia 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 maisUSO DE JOGOS LÓGICOS APLICADOS A APRENDIZAGEM DE MÁQUINA. 1
USO DE JOGOS LÓGICOS APLICADOS A APRENDIZAGEM DE MÁQUINA. 1 Jean Rafael Reus Da Silva 2, Rogerio Samuel De Moura Martins 3, Renato Perez Ribas 4, Rafael Zancan Frantz 5, Sandro Sawicki 6. 1 Projeto de
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia maisESTUDO DE ALGORITMO MLP COMO APROXIMADOR DE FUNÇÃO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2016 Rafain Palace Hotel & Convention Center- Foz do Iguaçu - PR 29 de agosto a 1 de setembro de 2016 ESTUDO DE ALGORITMO MLP COMO APROXIMADOR
Leia maisFACULDADE PITÁGORAS PRONATEC
FACULDADE PITÁGORAS PRONATEC DISCIPLINA: ARQUITETURA DE COMPUTADORES Prof. Ms. Carlos José Giudice dos Santos carlos@oficinadapesquisa.com.br www.oficinadapesquisa.com.br Objetivos Ao final desta apostila,
Leia 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 maisTipos para uma Linguagem de Transformação
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática Proposta de Trabalho de Graduação Tipos para uma Linguagem de Transformação Aluno: Orientador: Alexandra Barreto
Leia mais2011 Profits Consulting. Inteligência Computacional
Inteligência Computacional Quem Somos Excelência em Soluções Tecnológicas A Profits Consulting é uma empresa composta por consultores com ampla experiência em Tecnologia que desenvolve soluções inovadoras,
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisSumário. SCC0661 Multimídia e Hipermídia. Ementa do Curso. Ementa do Curso. Programa do Curso. Avaliação
SCC0661 Multimídia e Hipermídia Prof.: Dr. Marcelo Manzato (mmanzato@icmc.usp.br) Sumário 1. Apresentação da Disciplina. 2. Definindo Multimídia. 3. Diferentes Aspectos de Multimídia. Instituto de Ciências
Leia mais4 Redes Neurais Artificiais RNAs
66 4 Redes Neurais Artificiais RNAs Redes neurais artificial (RNA) são algoritmos que se baseiam no comportamento do cérebro humano. Dessa forma, imita a estrutura massivamente paralela do cérebro, com
Leia mais5 Experimentos Conjunto de Dados
Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto
Leia mais1 INTRODUÇÂO. 1.1.Motivação
22 1 INTRODUÇÂO 1.1.Motivação Duas componentes formam as perdas globais das empresas distribuidoras: perdas técnicas e perdas comerciais também denominadas perdas não técnicas. As perdas técnicas são,
Leia mais