Sistemas de Apoio à Decisão Redes neuronais (MLP) V 1.2, V.Lobo, EN/ISEGI, 2010
|
|
- Osvaldo Gama da Rocha
- 6 Há anos
- Visualizações:
Transcrição
1 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conunto de nstruções Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca Estudar os processos cogntos -> Lógca, Sstemas Percas Abordagem sub-smbólca Estudar os processos bológcos -> Redes Neuronas S INÍCIO?? FIM N N S Introdução hstórca Anos prmera sugestão Idea de programar um computador smulando um conunto de neurónos Anos 6 prmera era Muto trabalho com neurónos smples, também chamados máqunas lneares. Fnal da década de 6 prmero fm Publcação de Perceptrons, de Mns Demonstrada a lmtação dos neurónos smples, Dúdas quanto à possbldade de trenar redes complexas de neurónos. Deslusão: a nestgação nesta área quase parou. Introdução hstórca 986 Rumelhart re-nenta o algortmo de Bac- Propagaton Descoberto em 97 por Werbos, mas quase gnorado Possblta o treno de redes mult-camada Eufora sobre redes neuronas Anos 8 o ressurgr Aparecem noas arqutecturas: os mapas auto-organzados (SOM), Redes de funções de base radal (RBF), redes de Hopfeld, etc, Váras aplcações prátcas Anos 9 a consoldação Uso generalzado de redes neuronas Pontes para outras áreas como a estatístca, processamento de snal, etc Prncpas tpos de redes neuronas Perceptrões smples Perceptrões multcamada (MLP) Redes de funções de base radal (RBF) Mapas auto-organzados (SOM) Support Vector Machnes (SVM) Outros Quase tudo... Hopfeld, Boltzman, ART, Spng Netors, Neural Gas, LVQ, BPTT, BSB, etc. Algumas antagens das redes neuronas MLP para SAD Em problemas de presão, com aprendzagem supersonada a partr de bases de dados Aprendem automatcamente Fazem nterpolações não-lneares São aproxmadores unersas! Dados Rede Presão
2 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Inspração e formalzação para redes neuronas Um neuróno (bológco) Funconamento de um neuróno bológco Modelo matemátco de um neuróno bológco Dendrtes recebem ões atraés das snapses Esses ões são nectados por outros neurónos znhos. Quando mas exctados esterem os znhos, mas ões são nectados McCullor & Ptts (943) O snal eléctrco é propagado até ao núcleo Se o neuróno fôr sufcentemente estmulado, ele própro entra em estado de exctação e começa a estmular os seus znhos Factores que condconam a actação de um neuróno As lgações que tem, ou sea os znhos que escolhe A força da sua lgação a cada um desses esses znhos,.e., a efcênca das snapses. A sua sensbldade,.e., o ponto a partr do qual ele dspara Entradas 3 4 f s Sada O cérebro humano tem MUITOS ( ) neurónos... Neuróno bológco Neuróno artfcal Modelo mas completo Aprendzagem num neuróno Entradas (x ) x x 3 x Pesos (ω ) 3 - θ = x θ = Soma Bas, ou termo constante Função de actação ϕ() = ϕ( ) = sgn () Determnação dos pesos snáptcos Como escolher os ω? Idea geral: Snapses que audam a obter bons resultados deem ser reforçadas Snapses que leam a maus resultados deem ser enfraquecdas
3 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Problemas tpo Exemplo muto smples Bologa Se os neurónos da ponta dos dedos ndcam muto calor Actar o neuróno que encolhe o músculo do braço Se um pé ndca peso e o outro não Actar o neuróno responsáel pelo equlíbro Outros problemas Se os dados sobre uma casa (preço, área, anos, etc), são bons Comprar a casa Se os dados sobre um clente (saldo médo, saláro, dada, etc) são bons Conceder crédto Sempre: Dadas umas entradas actar umas saídas Queremos preer se a classe é ou. Varáes A B Classe Qual a rede neuronal que resole este exemplo? Varáel B C=. C=. Uma separação possíel Varáel A C= C= A solução A B -. Sgn() Outro exemplo,, = f ( ω x θ ) = sgn( A + B.) actação A separação entre os locas onde é posto e negato será sempre um hperplano! = x + - θ = = / x + θ/ -, - -,7 -, -,,,,7, -, - -, Mas outro exemplo Qual o classfcador de A B Classe Qual a rede neuronal que resole este exemplo? que corre mal.. Perceptrão (um neuróno solado) 3
4 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Perceptrão smples O perceptrão é o exemplo mas smples de uma rede neuronal Consste num únco neuróno Permte classfcar sem erro duas classes lnearmente separáes x x 3 x 3 - C então (t) = W(t) T.x(t) C sgn() Regra de classfcação Se x(t) = [-, x (t),, x n (t)] T, W(t)= [θ, (t),, n (t)] T A equação do hperplano é dada por (t) = A regra de classfcação é se W(t) T.x(t) então x(t) C se W(t) T.x(t) < então x(t) C x x + - θ = Algortmo de aprendzagem Dado um ector x Se (W(t) T x x C ) (W(t) T x < x C ) então W(t+) = W(t) senão Se (W(t) T x x C ) então W(t+) = W(t) - η(t) x senão W(t+) = W(t) + η(t) x Onde η(t) é o rtmo de aprendzagem Escolher outro x e repetr o processo Algortmo de aprendzagem (redes bnáras) Consderando: Uma sére de ectores x como sendo uma sére x(t) Uma função d(t) que ndca se o dado pertence a uma classe ou outra Obtém-se uma forma mas elegante: Regra delta (bnára) ( ) T () t = sgn W ( t). x( t) W d () t () t = η() t [ d() t () t ]. x() t = + se se x x () t () t C C Exemplo x 4 3 -ηx W x W... Questão Só é possíel resoler problemas de classfcação lnearmente separáes? Por exemplo, pode resoler-se o problema de duas classes com uma únca aráel, representado pela fgura abaxo? C C C x - 4
5 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Nota Se o número de aráes for maor do que o número de exemplos de treno o problema de classfcação é sempre lnearmente separáel Consequênca: Dado um número sufcentemente grande de característcas, SE houer poucos dados (e estes forem ndependentes), é SEMPRE possíel usar um perceptrão smples. A superfíce de separação tende para o dscrmnante lnear de Fsher Mult-Laer Perceptrons (MLP) Feed-Forard Netors th Error Bacpropagaton Redes Multcamada com Retropropagação do erro Modelo de cada neuróno x x 3 x 3 - θ em que ϕ() pode ser a função snal a função sgmode a função tangente hperbólca ϕ() Modelo das lgações entre neurónos Os alores de saída de uns neurónos são usados como entradas nos neurónos da camada segunte Coném ter funções de aalação dferencáes Aprendzagem Supersonada Camada Camada Camada É necessáro um algortmo de Varáes nsíel nsíel De saída (ou camada de (ou camada aprendzagem para austar os Entrada) escondda) pesos snáptcos Error Bac-Propagaton (BP) é o mas comum (ou pelo menos mas smples ) Exemplo XOR () Problema que não pode ser resoldo com uma só camada Funções de actação step H(x)= x x Uma solução possíel: 3 =. 3 =. 3 = -. 4 =. 4 = -. 4 =. =. 3 =. 4 =. Exemplo XOR () Implementação em Excel Entradas A B Neuróno Bas Peso Peso Soma Saída 3, - -, 4, -,,, Outra arqutectura possíel x x 3 3 4
6 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Funções de actação() Funções de actação () No neuróno de saída Problema de classfcação alores de saída (p.ex. Heasde) Problema de regressão alores de saída de - a + (p.ex. recta) ϕ () =, + e ϕ e e e + e () =,8 Nos neuróno nterores Etar saturação Valores de saída lmtados Monótonas Dferencáes Varações suaes,8,6,4, ,6,4, = = = -, -,4 -,6 -,8 - Sgmode Tangente hperbólca Como encontrar os pesos mágcos? Algortmo de treno da rede Austa os pesos snáptcos de modo a que a rede, dadas umas entradas, produza o resultado pretenddo Idea base: tentata e erro Inca-se com pesos aleatóros. Se der o resultado certo (ganda sorte) não mexe! Se der um resultado errado faz um austeznho Alternata: resoler um sstema de m equações a n ncógntas Exemplo de função de saída de uma rede de camadas: r = f ( x) = f ( x, x,..., x ) = n S + e ( x θ ) Conceto de superfíce de erro Erro Dferença entre o que a rede produz à saída, e o que ela dea produzr Erro médo Erro médo para um conunto de dados Superfíce de erro Varação do erro médo quando os pesos se alteram Homens por tarefa Lucro obtdo x Presão 7 Erro = - } Os mesmos Dados Outros erros Dferentes pesos Consequêncas de austar os pesos Mudanças dos pesos => deslocações pela superfíce de erro Exemplo a dmensão ( peso) Err or 6. Error Surface Local Mnma 4.. * Global Mnma Weght Space. -3. W W 36 Author: Angshuman Saha 6
7 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Snas numa rede multcamada Algortmo de bacpropagaton Snas de função que se propagam desde os neurónos de entrada até às saídas. Snas de erro que se propagam de uma saída para as entradas (camada a camada), atraés da rede. Snas de função Snas de erro Função de custo: erro médo da rede ξ = e erro nstantâneo O N ξa = ( ) ξ n erro médo N n= em que O representa os neurónos de saída e N o número total de exemplos Neuróno da camada de saída Saídas dos neurónos anterores (n) (n) - θ (n) (n) ϕ(.) (n) - Saídas da rede d (n) Valor deseado e (n) Erro Aplcação do método do gradente ξ = ηδ ξ e e dϕ ( )( ) () e n. e - em que δ (n) é defndo como produto do gradente local pelo erro e é dado por dϕ ( ) ( ) () δ n = e n. d d = Regra delta = Neuróno de um nó da camada escondda (n) N - ϕ (.) (n) θ (n) N ϕ(.) ϕ (.) (n) (n) (n) N Neuróno "" ϕ (.) (n) - (n) d (n) - (n) - (n) d (n) d (n) e (n) e (n) e (n) Aplcação do método do gradente ξ = ηδ ξ ξ e e. dϕ ( )( ) () dϕ() e n. δ d () dϕ. d = = d () dϕ d = = 7
8 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Regra delta A regra de aprendzagem pode ser descrta por = ηδ em que δ (n) é o gradente local dado por ( ) dϕ δ = e. d dϕ ( ) () δ n = d = = δ para os neurónos de saída para os neurónos nsíes Função de aalação: Sgmode Para a camada de saída δ = [ d o ] o [ o ] Para as camadas nsíes = [ ] δ δ Derada da sgmode: Y(-Y) Generalzação da regra delta Exemplo Rumelhart (986) propôs a regra Seam as funções A Rede Neuronal = α ( n ) + ηδ x 3 4 x 3 nclundo um termo de momento em que α éa constante de momento e é posta. 4 Exemplo (cont) Exemplo (cont) x sgmode() sgmode() 3 3 sgmode() sgmode() 4 x = = 3 sgmode() sgmode() 3 / / - - / / sgmode() 4 sgmode() 4 x δ ϕ ()= (- ) δ 3 δ ϕ ()= (- ) δ 4 ϕ ()= 3 (- 3 ) ϕ ()= 4 (- 4 ) e 3 e 4 x = = δ ϕ ()= (- ) ϕ ()= (- ) δ 3 δ δ 4 ϕ ()= 3 (- 3 ) ϕ ()= 4 (- 4 ) e 3 e 4 / -/ 8
9 Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Problemas com o BacProp É um método de gradente, logo sueto a mínmos locas Infelzmente é normal haer mutos mínmos locas... É lento Soluções Váras ncalzações Város alores para o momento Város métodos de optmzação dos parâmetros No SAS Múltplas corrdas, e escolhe o melhor Optmzação por quas-neton, Laenberg-Marquadt, gradente conugado... Redes Neuronas Bblografa 9
Cap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N? N S Intelgênca Artfcal Usar o homem
Leia maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisSistemas Inteligentes e soft. computing
Sstemas Intelgentes e soft computng Paulo Salgado psal@utad.pt de Computadores de Computadores 2 Conteúdo Sstemas Intelgentes Soft computng Áreas de Aplcação Redes Neuronas Fuzzy Logc (Lógca Dfusa) Sstemas
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisAula 23 Perceptrons, Lei de Hebb e o aprendizado de Rosenblatt Prof. Dr. Alexandre da Silva Simões
Aula 3 Perceptrons, Le e Hebb e o aprenzao e Rosenblatt Prof. Dr. Alexanre a Slva Smões Organzação Introução Perceptron Dscrmnaor lnear Poer e representação Arqutetura o perceptron Trenamento Por que trenar
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisAplicação de Funções de Base Radial em Problemas de Previsão de Cargas Elétricas via Redes Neurais Artificiais
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Aplcação de Funções de Base Radal em Problemas de Prevsão de Cargas Elétrcas va
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisReconhecimento Automático de Modulação Digital de Sinais de Comunicações
Reconhecmento Automátco de Modulação Dgtal de Snas de Comuncações Marcelo Corrêa Horewcz, Caro Lúco ascmento Jr. e Waldecr João Perrella Insttuto Tecnológco de Aeronáutca Praça Marechal Eduardo Gomes,
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisCapítulo 4. Multilayer Perceptrons
Capítulo 4 Multlayer Perceptrons As redes Multlayer Perceptron (MLPs) têm sdo aplcadas com sucesso em uma varedade de áreas, desempenhando tarefas tas como: classfcação de padrões (reconhecmento), controle
Leia maisREDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS
GOP/010 21 a 26 de Outubro de 2001 Campnas - São Paulo - Brasl GRUPO IX GRUPO DE ESTUDOS DE OPERAÇÕES DE SISTEMAS ELÉTRICOS REDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS Rosângela Balln
Leia mais3. CIRCUITOS COM AMPOP S UTILIZADOS NOS SAPS
3 CICUITOS COM AMPOP S UTILIZADOS NOS SAPS 3. CICUITOS COM AMPOP S UTILIZADOS NOS SAPS - 3. - 3. Introdução Numa prmera fase, apresenta-se os crcutos somadores e subtractores utlzados nos blocos de entrada
Leia maisMétodo do limite superior
Introdução O método do lmte superor é uma alternata analítca apromada aos métodos completos (e: método das lnhas de escorregamento) que possu um domíno de aplcabldade muto asto e que permte obter alores
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais5 MODELO DE PREDIÇÃO UTILIZANDO REDES NEURAIS
5 MODELO DE PREDIÇÃO UTILIZADO REDES EURAIS 5.1. Introdução As redes neuras emulam certas característcas própras dos humanos, como a capacdade de memorzar e de assocar fatos. Se forem examnados com atenção
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia mais3 Redes Neurais Auto-Associativas
44 3 Redes Neuras Auto-Assocatvas 3.1. Neurôno Artfcal Redes neuras artfcas são estruturas compostas por dversas undades processadoras, chamadas de neurônos artfcas, que são nterlgados através de conexões,
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL
CIRCUITOS ELÉTRICOS Método de Análse: Análse Nodal Dscplna: CIRCUITOS ELÉTRICOS Professor: Dr Marcos Antôno de Sousa Tópco MÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL Referênca bbloráfca básca:
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais4 Sistemas de partículas
4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as
Leia maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
Leia maisMáquinas de Vetores de Suporte Supprot Vector Machine. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Máqunas de Vetores de Suporte Supprot Vector Machne Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Introdução 2. Classfcadores Bnáros 3. Aprendzagem Estatístca
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia mais3 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
Leia maisRede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12
Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
Leia maisMáquinas de Vetores Suportes
Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO Monografa fnal de curso sob orentação do Prof. Raul Fonseca Neto Juz de Fora, MG feverero de 004 Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO
Leia maisRoteiro-Relatório da Experiência N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR
PROF.: Joaqum Rangel Codeço Rotero-Relatóro da Experênca N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR 1. COMPONENTES DA EQUIPE: ALUNOS 1 2 NOTA Prof.: Joaqum Rangel Codeço Data: / / : hs 2. OBJETIVOS: 2.1.
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisUm Estudo Comparativo Entre Diferentes Técnicas de Otimização do Treinamento de Neurocontroladores
Proceedngs of the IV Brazlan Conference on Neural Networks - IV Congresso Braslero de Redes Neuras pp. 29-24, July 2-22, 999 - ITA, São José dos Campos - SP - Brazl Um Estudo Comparatvo Entre Dferentes
Leia maisAjuste de um modelo linear aos dados:
Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,
Leia maisREDES NEURAIS ARTIFICIAIS PARA A CLASSIFICAÇÃO DE SONS VOCÁLICOS
REDES EURIS RTIFICIIS R CLSSIFICÇÃO DE SOS VOCÁLICOS lexandre de Souza Brandão Unversdade Federal Flumnense GMEC rograma de ós-graduação em Engenhara Mecânca Rua asso da átra, 56-2420-240 - São Domngos
Leia mais2 Experimentos com Mistura
Modelagem em Expermentos com Mstura e Mstura-Processo Expermentos com Mstura Formulações de Expermentos com Mstura (EM) são freuentemente encontradas nas ndústras uímcas, farmacêutcas, de almentos e em
Leia maisMétodo do limite superior
Introdução método do lmte superor é uma alternata analítca apromada aos métodos completos (e. método das lnas de escorregamento) que possu um domíno de aplcabldade muto asto e que permte obter alores de
Leia maisIBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG
IBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG ESTUDO COMPARATIVO ENTRE REDES NEURAIS ARTIFICIAIS E ANÁLISE DE REGRESSÃO MÚLTIPLA NA AVALIAÇÃO DE BENS,
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisMETODOLOGIAS DE CLASSIFICAÇÃO SUPERVISIONADA PARA ANÁLISE DE DADOS DE MICROARRAYS. Sílvia Pedro Rebouças, Lisete Sousa e Ana Pires
METODOLOGIAS DE CLASSIFICAÇÃO SUPERVISIONADA PARA ANÁLISE DE DADOS DE MICROARRAYS Sílva Pedro Rebouças, Lsete Sousa e Ana Pres CEAUL, Faculdade de Cêncas da Unversdade de Lsboa, smdpedro@gmal.com CEAUL,
Leia maisPROGRAMAÇÃO LINEAR VERSUS NÃO LINEAR NA OPTIMIZAÇÃO DA EXPLORAÇÃO DE RECURSOS HÍDRICOS
PROGRAMAÇÃO LINEAR VERSUS NÃO LINEAR NA OPTIMIZAÇÃO DA EXPLORAÇÃO DE RECURSOS HÍDRICOS J.P.S. Catalão, H.M.I. Pousnho Unersdade da Bera Interor (UBI), Departamento de Engenhara Electromecânca (DEM), Colhã,
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisCircuitos Eletrônicos Analógicos:
Crcutos Eletrôncos Analógcos: Crcutos com Amplfcadores Operaconas Prof. Pedro S. Almeda Pedro de Asss Sobrera Jr. 2 Conteúdo da aula Introdução ao amplfcador operaconal Conceto dealzado Análse com crcutos
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisSNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GAT 23 14 a 17 Outubro de 2007 Ro de Janero - RJ GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT AVALIAÇÃO
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
Leia maisEcho State Networks. Universidade de São Paulo São Carlos / SP. Instituto de Ciências Matemáticas e de Computação
Unversdade de São Paulo São Carlos / SP Insttuto de Cêncas Matemátcas e de Computação Echo State Networks Sstemas Intelgentes Prof. Dra. Rosel A. Franceln Romero Fabríco Breve João R. Bertn Jr. Sumáro
Leia maisO perceptron de Rosenblatt
O perceptron de Rosenblatt Introdução à Neurocênca Computaconal (Graduação) Prof. Antôno Roque Nas décadas de 1950 e 1960, város pesqusadores estavam propondo modelos de redes neuras contendo modfcações
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisESTUDO DA MÁQUINA SIMÉTRICA TRIFÁSICA
CAPÍTUO ETUDO DA ÁQUINA IÉTICA TIFÁICA. INTODUÇÃO A máquna de ndução trfásca com rotor bobnado é smétrca. Apresenta estruturas magnétcas clíndrcas tanto no rotor quanto no estator. Os enrolamentos, tanto
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia mais8 Regime de transição
8 Regme de transção Por delberação do Senado Unverstáro em reunão de 2 de Março de 2006 (Cf. Pág. 2 da Mnuta nº 10) consdera-se que, «a partr do ano lectvo de 2006/07, todos os cursos da Unversdade do
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 Introdução à Cênca da Computação II Prof. Dego Raphael Amanco Baseado no materal dos Profs. Rudne Goularte e Thago A. S. Pardo O Problema da Ordenação Ordenação (ou classfcação)
Leia mais