Sistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens
|
|
- Ana Beatriz Neto Casado
- 6 Há anos
- Visualizações:
Transcrição
1 Sistemas Inteligentes baseados em Redes eurais rtificiais aplicados ao Processamento de Imagens Coordenador do Projeto: Prof. Dr. Fernando Osório olsista CPq : João Ricardo ittencourt UISC - Santa Cruz do Sul Junho de 2000 UISIOS - Centro de Ciências Exatas e Tecnológicas (C6/6) Curso de Informática - Mestrado em Computação plicada osorio@exatas.unisinos.br Web: Tópicos abordados 1. Introdução & Conceitos ásicos 1.1. Projeto HMLT 1.1. Inteligência: Humana e rtificial 1.2. prendizado de máquinas 2. Redes eurais rtificiais - Rs 2.1. Conceitos ásicos 2.2. Representação de Conhecimentos 2.3. Modelos de Rs 2.4. prendizado eural 2.5. Discussão: vantagens / desvantagens 3. Processamento de Imagens 3.1. Conceitos e plicações Tratamento de Imagens Reconhecimento de Padrões 3.2. Processamento de Imagens Convencional 3.3. Processamento de Imagens eural 3.4. Exemplos de plicações: OCR, Filtros, etc. 6. Conclusões e Perspectivas 2 1
2 Introdução: Contexto da Pesquisa Inteligência Humana Inteligência rtificial prendizado Humano prendizado de Máquinas Métodos de Raciocínio e quisição de Conhecimentos Múltiplos Sistemas Híbridos 3 Introdução Inteligência Humana Inteligência rtificial prendizado Humano prendizado de Máquinas Métodos de Raciocínio e quisição de Conhecimentos Múltiplos Sistemas Híbridos Sistemas Inteligentes Híbridos Projeto de Pesquisa HMLT - Hybrid Machine Learning Tools Ferramentas Híbridas de prendizado para o Máquinas Coordenador... Prof. Fernando Osório olsistas de Iniciação Científica... Carla Medeiros arros João Ricardo de ittencourt Menezes Rafael Guterres Jeffman Mestrando... Farlei Heinen Cooperação: Laboratoire LEIIZ - Grenoble, França e LRI/UFRGS 4 2
3 ITELIGÊCI: Humana e rtificial REPRODUZIR ITELIGÊCI HUM - O que é Inteligência? - O que é um ser Inteligente? 5 ITELIGÊCI: Humano e rtificial REPRODUZIR ITELIGÊCI HUM - O que é Inteligência? - O que é um ser Inteligente? * ssociação de idéias e conceitos * Concluir coisas * Capacidade de aprendizado * cúmulo de conhecimentos * Raciocínio: lógico, abstrato, dedução, analogia, indução, inferência, síntese, análise * Uso prático de experiências e conhecimentos passados * Tomada de decisões * Criar coisas novas (criatividade) * Saber o que eu sei (saber explicar) * Interação * Comunicação 6 3
4 Inteligência rtificial: Conceitos ásicos REPRODUZIR ITELIGÊCI HUM - Conceito de Inteligência: CPCIDDE DE RESOLVER PROLEMS CPCIDDE DE PREDER CPCIDDE DE SE DPTR / MELHORR - Realizar tividades Inteligentes - Sistemas Inteligentes: * Sistemas Especialistas * Sistemas de poio ao Diagnóstico e a Decisão * Reprodução de atividades típicas dos seres humanos: Fala, udição, Visão, Deslocamento, Manipulação de Objetos, etc. * Jogos: jogo da velha, xadrez, jogos de ação 7 Inteligência rtificial: Conceitos ásicos REPRODUZIR ITELIGÊCI HUM - Sistemas Inteligentes: CPCIDDE DE RESOLVER PROLEMS CPCIDDE DE PREDER CPCIDDE DE SE DPTR / MELHORR Grandes Desafios: - Linguagem / PL - Visão rtificial - Robótica utônoma «Sentidos Humanos «* Problema escolhido: Processamento de Imagens * Ferramentas Usadas: Redes eurais & Sistemas Híbridos 8 4
5 Inteligência rtificial: dquirindo e usando conhecimentos Sistemas Especialistas Módulo de Explicação Usuário ase de Conhecimentos Motor de Inferência Interface com o usuário Módulo de quisição de Conhecimentos Expert 9 Sistema Especialista: Exemplo ásico e Introdutório: Sistema de auxílio ao diagnóstico de pacientes Médico: 8 perguntas sobre os sintomas do paciente (resposta: S / ) Sintomas: 1 = Dor de Cabeça, 2 = Febre, 3 = Problemas digestivos,... ase de Conhecimentos do Médico Diagnóstico S S S S S S Gripe S S S S S Sem problemas S S S S Morte certa S S S S Morte certa Criar uma árvore binária de decisão baseada na tabela de conhecimentos Consultas ao sistema: S,,S,,S,,S, => Diagnóstico? S,,?,?,S,,S, => Diagnóstico? 10 5
6 S 1 S 2 S S 3 3 S S S S Diagnóstico S S S S S S Gripe S 7 S S S S S OK S S S S Morre??? S 8 Morre S S S S Morre 11 Inteligência rtificial: Sistemas Especialistas Sintomas Gerais Variável Tipo Valores 1 Sexo SEXE {feminino, masculino} - 2 Temperatura TEMP Temp_Low Temp_ormal Temp_High Sintomas Continuo eurológicos {... } 3 Estado CLME {calmo, agitado} - 4 Foto-motores PHOTO {presente, ausente} - (reação das pupilas) 5 Olhar REGRD {normal, anormal} - 6 Estado das Pupilas - PUPIL Pupil_myosis Pupil_intermed Pupil_mydriase {myosis, intermediário, mydriase} 7 Tonus muscular - TOUS {hipertonia, hipotonia} 8 Reflexos dos tendões - {vivos, diminuídos} ROT Sintomas cardiológicos 9 Pressão rterial - PS PS_Low PS_ormal PS_High 10 Freqüência Cardíaca - FC FC_Low FC_ormal FC_High 11 Medida ECG QRS QRS_ormal QRS_Prolongado Contínuo Contínuo Continuo {...} {...} {...} 12 Intervalo QT QT {normal, prolongado} - Urina 13 exiga - GLOE_VESICL {sim, não} - Diagnóstico Médico 12 6
7 Inteligência rtificial: Sistemas Especialistas Diagnóstico: Substância tóxica ingerida breviações Substância Tóxica Ocorrência 1 adt, a nti-depressores tri-cíclicos arbitúricos 86 3 ben, b enzodiazepina C Carbamato 68 5 P Fenotiazina M Morfina 13 7 E lcool 137 Combinações a (25), ab (12), abp (9), ab (104), abc (11), abm (5), abp (38), ap (5), (8), b (23), bcp (5), cp (13), ben (37), bc (24), bm (8), bp (31), c (5), p (5), Ea (12), Eab (36), Eabp (8), E (12), E (6), Eb (5), Ebp (5), Eb (32), Ebc (10), Ebp (11) Tabela - Os diferentes tipos de substâncias tóxicas da base de dados 13 Inteligência rtificial: prendizado de Máquinas * Sistemas Especialistas de 1a. Geração: - quisição manual de conhecimentos - Problemas: ase de Conhecimentos (regras e fatos) * Sistemas Especialistas de 2a. Geração: - quisição automática de conhecimentos - Integração de diferentes métodos da I.. Sistemas Híbridos 14 7
8 Inteligência rtificial: prendizado de Máquinas Inteligência rtificial Sistemas Inteligentes prendizado de Máquinas Representação de Conhecimentos Sistemas Especialistas KS, robótica, visão artificial,... CR, ILP, indução de árvores de decisão, redes neurais algoritmos genéticos,... Métodos Simbólicos Métodos baseados em: Redes eurais rtificiais Regras Fuzzy Regras ayesianas (probab.) 15 Inteligência rtificial: prendizado de Máquinas - O que é o aprendizado? * daptação do comportamento (melhoria) * Correção dos erros cometidos no passado * Otimização da performance do sistema (melhoria) * Interação com o meio, experimentação e descoberta * Representação do conhecimento adquirido Memória e compressão dos conhecimentos 16 8
9 prendizado de Máquinas / Machine Learning Conhecimentos Teóricos / Simbólicos XOR = ( Or ) nd ot ( nd ) ou XOR = ( nd ot ( ) ) Or ( ot ( ) nd ) Conhecimentos Empíricos / Dados XOR prendizado de Máquinas / Machine Learning Conhecimentos Teóricos / Simbólicos Se existem 2 casas na horizontal, vertical ou diagonal com uma marca do jogador oponente e a terceira casa está livre Então jogar nesta casa! Conhecimentos Empíricos / Dados X2 X O1 O3 X4 O5 18 9
10 Métodos de prendizado de Máquinas prendizado por analogia / por instâncias Sistemas baseados em casos CR - Case ased Reasoning prendizado por Indução Indução de Árvores de Decisão ID3, C4.5, C2 - Induction of Decision Trees ILP - Inductive Logic Programming (Prolog) prendizado por evolução/seleção lgoritmos Genéticos G e GP - Genetic lgorithms / Genetic Programming prendizado por reforço (reinforcement learning) prendizado ayesianno (probabilista) prendizado eural MLP ack-propagation - rtificial eural etworks 19 Redes eurais rtificiais: prendizado de Máquinas Redes eurais rtificiais: eurônio... Modelo Simulado Modelo SIMPLIFICDO Características ásicas: daptação prendizado utômato Representação de Conhecimentos: aseada em Conexões 20 10
11 Redes eurais rtificiais: Origem PSYCHO McCulloch & Pitts 1943 Saída Entradas Excitatórias Integrador de Estímulos Entradas Inibitórias 21 X 1 X 2 X... Entradas (Dendritos) Perceptron EURL... W 1 W 2 W Pesos Sinápticos (Efeito de inibição ou de excitação sobre a ativação dos sinais de entrada) et = Σ Wi.Xi + iais i tivação (Considera o conjunto total das entradas e dos seus pesos associados) Fct (et) Função de tivação (Regulagem da saída da rede) Saída (xônio: Conexões com as Sinapses de outras unidades) 22 11
12 X 1 X 2 X... Entradas (Dendritos) EURL... W 1 W 2 W et = Σ Wi.Xi + iais i Fct (et) Pesos Sinápticos (Efeito de inibição Rede ou eural de excitação com apenas 2 entradas: sobre a ativação dos sinais de entrada) X, Y - Entradas (Valores numéricos) W tivação 1, W 2 - Pesos Sinápticos (Considera o conjunto total das Saída = Σ Wi.Xi + iais entradas e dos seus pesos associados) Função de tivação (Regulagem da saída da rede) = W 1. X + W 2. Y + C Saída (xônio: Conexões com as Sinapses de outras unidades) 23 Rede eural com apenas 2 entradas: X, Y - Entradas (Valores numéricos) W 1, W 2 - Pesos Sinápticos Saída = Σ Wi.Xi + iais = W 1. X + W 2. Y + C X Y D Y (0,1) 0 1 (1,1) Representação Geométrica do Problema 0 0 (0,0) (1,0) X 24 12
13 Rede eural com apenas 2 entradas: X, Y - Entradas (Valores numéricos) W 1, W 2 - Pesos Sinápticos Saída = Σ Wi.Xi + iais = W 1. X + W 2. Y + C X Y D Y (0,1) 0 1 (1,1) Representação Geométrica do Problema Como classificar? Separar as classe 0 0 (0,0) (1,0) X 25 Redes eurais: Representação de Conhecimentos Reta, Plano ou Hiper-plano de separação das classes -1 Classe : X*W1+Y*W2 < 0 Entrada Y +1 Y 1 P(X 1,Y 1 ) -1 X 1 - Classe - Classe P(X 1,Y 1 ) = Classe Classe : X*W1+Y*W2 > 0 Entrada X +1 Entradas: X, Y Reta: X*W1+Y*W2=
14 MLP - Multi-Layer Perceptron prendizado: ack-propagation Saída Pesos Wij Unit j Camada Oculta Unit i Entradas Redes eurais: Modelos Conexionistas 27 Saída Saídas Camada Oculta Camadas Ocultas Entradas C (a) Rede de três camadas (b) Rede com atalhos (c) Rede com múltiplas camadas tv = Σ W 1 +W 2 +W 3 W 1 W2 X W 3 (d) Rede recorrente (e) Rede de ordem superior Redes eurais: Modelos Conexionistas 28 14
15 Redes eurais: Modelos Conexionistas Y Redes à base de Protótipos : Entradas - X,Y Saída - Classes (, ou C) Y 2 Y 1 Y 3 C C C C C C C C C CC C : Exemplos da classe : Exemplos da classe C: Exemplos da classe C X 1,Y 1 - Protótipo da classe X 2,Y 2 - Protótipo da classe X 3,Y 3 - Protótipo da classe Protótipos: * Centro de Gravidade * Raio de influência (x,y) Teste de similaridade: * Distância Euclidiana X 1 X 2 X 3 X 29 Redes eurais: Modelos Conexionistas Em relação as unidades da rede: * Redes baseadas em Perceptrons (MLP - Multi-Layer Perceptron) * Redes baseadas em Protótipos (RF - Radial asis Function) Em relação a estrutura da rede: * Redes de uma única camada * Redes de múltiplas camadas * Redes do tipo uni-direcional (Feed-Forward) * Redes do tipo recorrentes (Feed-ack) * Redes com estrutura estática (não altera sua estrutura) * Redes com estrutura dinâmica (altera a estrutura) * Redes com conexões de ordem superior 30 15
16 Redes eurais: prendizado Em relação ao aprendizado: * prendizado supervisionado * prendizado semi-supervisionado (reinforcement learning) * prendizado não supervisionado (self-organizing, clustering) * prendizado instantâneo * prendizado por pacotes * prendizado contínuo * prendizado ativo * prendizado: aproximação de funções * prendizado: classificação * Usar apenas uma base de exemplos de aprendizado * Usar uma base de aprendizado e uma base de teste de generalização 31 Redes eurais: prendizado eural PREDIZDO = daptação das conexões (pesos sinápticos) Medida do Erro de Saída Configuração Inicial dos Pesos da Rede Descida do Gradiente de uma Superfície de Erro Configuração Final (após adaptação) Mínimos Locais Mínimo Global Mudanças na Configuração dos Pesos Sinápticos 32 16
17 Redes eurais: prendizado eural REGR DELT: Perceptron [Rosenblatt] / daline [Widrow] Erro = SD - S Erro = Erro estimado na saída de um neurônio SD = Saída Desejada (valor desejado de saída do aprendizado supervisionado) S = Saída Rede (valor de saída que foi obtido pela ativação do neurônio) Peso_ovo(i) = Peso_ntigo(i) + β * Erro(i) * Entrada(i) Entrada(i) Peso_ovo(i) = Peso da entrada i de um neurônio, após a adaptação Peso_ntigo(i) = Peso da entrada i de um neurônio, antes da adaptação Entrada(i) = Valor da entrada i de um neurônio β = Fator de ajuste aplicado aos pesos (valor entre 0 e 1) 33 Redes eurais: prendizado eural Método da Descida do Gradiente - Multi-Layer Perceptron (MLP) ackpropagation Erro quadrático: 1 E = 2 i ( Di i) Derivação da regra de reajuste dos pesos (eurônios da camada de saída - saída linear) 2 juste dos Pesos: Wij = α Wij = i = δi Xj Wij i Wij = - (Di - i) = δi i i Wij = Xj Wij = α.δi.xj = α.(di - i).xj 34 17
18 Redes eurais: prendizado eural Método da Descida do Gradiente - Multi-Layer Perceptron (MLP) ackpropagation Erro quadrático: 1 E = 2 i ( Di i) 2 juste dos Pesos: Wij = α Wij = Si Derivação da regra de reajuste dos pesos = δi Xj (eurônios da camada de saída - usando a sigmoide) Wij Si Wij Si = i = - (Di - i).fa'(si) = δi i Si = - (Di - i) i i = Fa'(Si) Si Si Wij = Xj 1 Fa( x) = + Fa'(x) = Fa(x).(1 - Fa(x)) 1 e x Fa'(Si) = Fa(Si).(1 - Fa(Si)) = i.(1 - i) Fa(x) = tanh (x) Fa'(x) = (1 - Fa(x).Fa(x)) Fa'(Si) = (1 - Fa(Si).Fa(Si)) = (1 - i.i) Wij = α.δi.xj = α.(di - i).fa'(si).xj 35 Redes eurais: prendizado eural Método da Descida do Gradiente - Multi-Layer Perceptron (MLP) ackpropagation Erro quadrático: 1 E = 2 i ( Di i) 2 Derivação da regra de reajuste dos pesos = Si Wij Si Wij = δixj (Camada intermediária da rede = Hidden Layer) Si = i i Si = - Fa'(Si). δkwki = δi k i = Sk k Sk i = Whkh =... k Sk i h... = k Sk Wki = δkwki k i Si = Fa'(Si) Si Wij = Xj Wij = α.δi.xj = α.xj.fa'(si). δkwki k juste dos Pesos: Wij = α Wij 36 18
19 Erro na Saída da Rede PREDIZDO: GEERLIZÇÃO prendizado: Parada tardia Dados de Teste Dados de prendizado úmero de Épocas Erro na Saída da Rede Parada usando a Validação Cruzada (ponto ótimo de generalização) Dados de Teste Dados de prendizado úmero de Épocas 37 Redes eurais rtificiais: plicações Práticas Sistemas de auxílio ao Diagnóstico: Médico, Falhas de Sistemas, etc; Previsão de Séries Temporais: Cotações da olsa de Valores, Dados Econômicos, Consumo de Energia Elétrica, Metereologia, etc; Processamento de Linguagem atural - PL (Textos e Web); Data Mining & KDD (Knowledge Data Discovery); Robótica Inteligente; Sistemas de Controle e utomação; Reconhecimento e Síntese de Voz; Processamento de Sinais: Radar, Sensores, etc. UCI-ML - University of California Irvine - Machine Learning Repository
20 Redes eurais rtificiais: plicações Práticas PROJETO HMLT PLICÇÕES DS REDES EURIS EM * PROCESSMETO DE IMGES * ROÓTIC UTÔOM * DT MIIG 39 Conclusão e Perspectivas * Importância do prendizado nos Sistemas Inteligentes * prendizado eural: propriedades interessantes... Robustez, Paralelismo, Generalização, Entradas/Saídas Quantitativas * Processamento de Imagens: área de estudos de grande interesse para a I.. Visão rtificial - Desafio * Processamento de Imagens usando Sistemas Inteligentes: Redes eurais - Ferramenta bastante adequada para se tratar imagens * Redes eurais aplicadas ao processamento de imagens: Tratamento de Imagens / Reconhecimento e Classificação de Imagens * Resultados são bastante promissores * Tendência: Sistemas Híbridos Integrar => Pré-Processamento, Pós-Procesamento Cooperação - Multi-agente, Modular Tarefas complexas e de alto nível 40 20
21 Inteligência rtificial: Perspectivas Hybrid Machine Learning Tools Grupo de Inteligência 41 21
REDES NEURAIS ARTIFICIAIS: Do Aprendizado Natural Ao Aprendizado Artificial
REDES NEURIS RTIFICIIS: Do prendizado Natural o prendizado rtificial I FORUM DE INTELIGÊNCI RTIFICIL utor/presentador: Prof. Dr. Fernando Osório* ULR Canoas - gosto 1999 * UNISINOS - Centro de Ciências
Leia maisRedes Neurais Artificiais
Redes Neurais rtificiais Histórico, Modelos e prendizado Neural Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando Osório Centro de Ciências Exatas e Tecnológicas - C6 / E-mail:
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 maisINTELIGÊNCIA: Do Humano ao Artificial
Inteligência Artificial e Aprendizado de Máquinas Conceitos Básicos: Machine Learning e Redes Neurais Artificiais Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando Osório
Leia maisPIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/2-3o. Trimestre - AULA 01 / FSO
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2000/2-3o. Trimestre - AULA 01 / FSO Professor Responsável: SISTEMAS ADAPTATIVOS INTELIGENTES Prof. Dr. Fernando
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 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 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 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 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 maisSistemas Híbridos Inteligentes: Aprendizado e Integração Neuro-Simbólica
Sistemas Híbridos Inteligentes: prendizado e Integração Neuro-Simbólica >> HMLT - Hybrid Machine Learning Tools
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 maisDesenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando em Computação Aplicada - PIP/CA)
Seminário de Pesquisa - Mestrado em Computação Aplicada Robótica Autônoma: Projeto de Sistemas Inteligentes usando Aprendizado de Máquinas Desenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando
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 maisREDES NEURAIS ARTIFICIAIS
REDES NEURIS RTIFIIIS urso de Informática Semestre 2001/2 Professor Responsável: Prof. Dr. Fernando Osório E-Mail: osorio@exatas.unisinos.br Web: http://www.inf.unisinos.br/~osorio/neural.html TEMS DE
Leia maisSistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens
I WORKSHOP DE INTELIGÊNCI RTIFICIL UNISC Universidade de Santa Cruz do Sul Departamento de Informática- Junho 2000 Seminário Sistemas Inteligentes baseados em Redes Neurais rtificiais aplicados ao Processamento
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 maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia maisAprendizado 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 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 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 maisProfa. Josiane M. Pinheiro outubro/2008
Baseada em: Stuart Russel e Peter Norving - Inteligência Artificial seção 20.5 Jorge M. Barreto Introdução às Redes Neurais Artificiais - http://www.inf.ufsc.br/~barreto/tutoriais/survey.pdf Cassia Yuri
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 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 maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
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 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 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 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 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 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 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 maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Leia maisREDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
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 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 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 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 maisRedes Neurais. Prof. Aurora Pozo. Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco
Redes Neurais Prof. Aurora Pozo Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos
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 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 maisPIPCA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2003/1-2o. Trimestre - AULA 0 (Introdução) / FSO
PIPCA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2003/1-2o. Trimestre - AULA 0 (Introdução) / FSO Professores Responsáveis: INTELIGÊNCIA ARTIFICIAL & SISTEMAS
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
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 Inteligência Artificial
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 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 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 maisSistemas Inteligentes - Redes Neurais -
Sistemas Inteligentes - Redes Neurais - Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características
Leia maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia maisTópicos Especiais I - Jogos IA para Jogos
Tópicos Especiais I - Jogos IA para Jogos Game AI 03 Fernando Osório 14/10/2003 IA para Jogos Aula 03 Tópicos abordados... de máquinas em Jogos Machine Learning for Games Raciocínio baseado em Casos (RBC
Leia maisProcessamento de Sinais e Inteligência Computacional. Prof. Emilio del Moral Hernandez
Processamento de Sinais e Inteligência Computacional Prof. Emilio del Moral Hernandez SIIAM Um Projeto Interdisciplinar Demonstradores de Sistemas Aplicáveis nas áreas ambiental e biomédica / análise multissensorial:
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado
PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma
Leia maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
Leia maislnteligência Artificial Introdução a Redes Neurais Artificiais
lnteligência Artificial Introdução a Redes Neurais Artificiais Objetivos Descrever as características básicas das Redes Neurais Artificiais (RNAs). Descrever o funcionamento de uma RNA. Descrever algumas
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 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 maisINTELIGÊNCIA COMPUTACIONAL
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br A Inteligência Computacional (IC), denominada originalmente de Inteligência Artificial (IA), é uma das ciências
Leia 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 maisInteligência Artificial
Inteligência Artificial Professor Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br udesc.academia.edu/rafaelstubsparpinelli www.researchgate.net/profile/rafael_parpinelli www.joinville.udesc.br/portal/professores/parpinelli/
Leia maisRedes Neurais Artificiais (RNA)
Redes Neurais Artificiais (RNA) Definições: 1. Técnica inspirada no funcionamento do cérebro, onde neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar. 2. Técnica de aproximação
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
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 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 maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
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 maisMotivação, Objetivo, Definição, Características Básicas e Histórico. Neurônio Artificial, Modos de Interconexão
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
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 maisRedes Neurais Artificial
Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado
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 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 maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
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 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
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 mais3 REDES NEURAIS ARTIFICIAIS
47 3 REDES NEURAIS ARTIFICIAIS Neste capítulo será apresentado um breve histórico das redes neurais artificiais de modo a situar o leitor, descrevendo-se suas aplicações, teorias e finalmente detalhando-se
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
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 maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Parte I) Prof. a
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 01 - Introdução O Que é Inteligência Artificial? [Winston, 1984]: "Inteligência artificial é o estudo das ideias que
Leia maisINTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisRedes Neurais Artificiais. Profa. Teresa Ludermir Sistemas Inteligentes
Redes Neurais Artificiais Profa. Teresa Ludermir Sistemas Inteligentes Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo1: distinguir padrões visuais
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
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 maisInteligência Artificial
Objetivos lnteligência rtiicial Introdução a Redes Neurais rtiiciais Descrever as características básicas das Redes Neurais rtiiciais (RNs). Descrever o uncionamento de uma RN. Descrever algumas das principais
Leia maisRedes Neurais. Conexionismo. Redes Neurais, IA e IC. Abordagem Simbólica. Apresentação da disciplina Inteligência Computacional e conexionismo
Redes Neurais, IA e IC Redes Neurais Apresentação da disciplina Inteligência Computacional e conexionismo No âmbito da Ciência da Computação, as Redes Neurais são estudadas na grande área de Inteligência
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 maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-Jei - Curso de esenv. de Jogos I para Jogos Fernando Osório 2006/2-0 I para Jogos Tópicos abordados... Revisão Introdução à Inteligência rtificial I clássica: Jogos de Raciocínio Solução de problemas
Leia mais