MINERAÇÃO DE DADOS. Thiago Marzagão 1 MÁQUINAS DE SUPORTE VETORIAL. 1 Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 27
|
|
- Júlio Peixoto Bergmann
- 6 Há anos
- Visualizações:
Transcrição
1 MINERAÇÃO DE DADOS Thiago Marzagão 1 1 marzagao.1@osu.edu MÁQUINAS DE SUPORTE VETORIAL Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 27
2 máquinas de suporte vetorial (Livro-texto faz distinção entre classificador de máxima margem, classificador de suporte vetorial e máquina de suporte vetorial. Deixemos essas distinções de lado por ora.) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 2 / 27
3 idéa básica: separar as classes linearmente (ISL, p. 345) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 3 / 27
4 β 0 + β 1 x 1 + β 2 x 2 = 0 (ISL, p. 345) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 4 / 27
5 ponto azuis: β 0 + β 1 x 1 + β 2 x 2 > 0 (ISL, p. 345) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 5 / 27
6 ponto roxos: β 0 + β 1 x 1 + β 2 x 2 < 0 (ISL, p. 345) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 6 / 27
7 infinitos hiperplanos são possíveis; como escolher? (ISL, p. 340) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 7 / 27
8 infinitos hiperplanos são possíveis; como escolher? R: escolhemos o hiperplano que fica o mais distante possível dos pontos mais próximos. Ou seja, escolhemos o hiperplano de máxima margem. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 8 / 27
9 hiperplano de máxima margem (ISL, p. 342) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 9 / 27
10 as margens são os vetores de suporte (ISL, p. 342) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 10 / 27
11 o hiperplano só depende dos pontos sobre as margens (ISL, p. 342) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 11 / 27
12 como encontrar o hiperplano de máxima margem? Além do escopo da aula. É um problema de otimização convexa. A solução envolve dualidade (Lagrange, Wolfe), condições de Karush-Kuhn-Tucker. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 12 / 27
13 como encontrar o hiperplano de máxima margem? Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 13 / 27
14 e c/ mais de 2 dimensões? β 0 + β 1 x 1 + β 2 x 2 + β 3 x β k x k = 0 Hiperplano deixa de ser uma reta. Mais difícil de representar graficamente. De resto, tudo igual. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 14 / 27
15 dúvidas? Até aqui nós vimos o cenário mais simples: duas classes linearmente separáveis. É importante entendermos o que foi visto até aqui antes de prosseguirmos. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 15 / 27
16 e se as classes não são separáveis? (ISL, p. 342) Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 16 / 27
17 solução: soft margin X 1 X 1 X X 1 X 1 port (ISL, vector p. 348) classifierwasfitusingfourdifferent values of the n (9.12) (9.15). The largest value of C was used in the top Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 17 / 27
18 soft margin Como funciona? Penalizamos cada amostra classificada erroneamente: e i i-ésima amostra classificada corretamente e fora da margem: e i = 0 i-ésima amostra classificada corretamente mas dentro da margem: 0 < e i < 1 i-ésima amostra classificada incorretamente: e i > 1 Criamos um parâmetro C que funciona como orçamento": a soma de todos os e i não pode ser superior a C. Quanto maior o C, maior a tolerância a violações das margens. Encontramos o hiperplano de máxima margem obedecida a restrição de que n i=1 e i C Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 18 / 27
19 soft margin Na prática é bom usar soft margin mesmo quando as classes são linearmente separáveis. Assim evitamos overfitting. hard margin = soft margin com C = 0 Como encontramos C? R: validação cruzada. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 19 / 27
20 e se as classes REALMENTE não são separáveis? 9.3 Support Vector X X X (ISL, p. 349) FIGURE 9.8. Left: The observations fall into two classes, boundary between them. Right: The support vector classifier see ary, and consequently performs very poorly. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 20 / 27
21 e se as classes REALMENTE não são separáveis? 9.3 Support Vector Machines 349 X X 1 X 1 he(isl, observations p. 349) fall into two classes, with a non-linear Right: The support vector classifier seeks a linear bound- Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 21 / 27
22 "You re just not thinking fourth-dimensionally" Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 22 / 27
23 solução: adicionar dimensões eric-kim.net/eric-kim-net/posts/1/kernel_trick.html Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 23 / 27
24 solução: adicionar dimensões eric-kim.net/eric-kim-net/posts/1/kernel_trick.html Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 24 / 27
25 custo computacional Problema: adicionar dimensões aumenta o custo computacional. Dependendo de quantas dimensões forem necessárias o custo computacional pode ser inviável. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 25 / 27
26 custo computacional O que fazer? R: Pegar um "atalho". Encontrar o hiperplano é um problema de otimização convexa. Mas a solução depende apenas dos produtos escalares entre cada par de amostras. Existem funções capazes de computar esses produtos escalares implicitamente, i.e., sem usar diretamente x 1, x 2, x 3, etc. Essas funções são chamadas de kernels (daí o nome kernel trick). Usando kernels podemos encontrar o hiperplano sem custo computacional extra mesmo que existam infinitas dimensões. Exitem vários kernels. Como escolher? R: validação cruzada. Detalhes sobre os kernels estão além do escopo desta aula. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 26 / 27
27 soft margin ou kernel trick? R: ambos. Risco de usar kernel trick sem soft margin: overfitting (dimensões extras criadas p/ acomodar esse ou aquele outlier; modelo não generaliza). Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 27 / 27
Thiago Zavaschi Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade
Thiago Zavaschi (zavaschi@ppgia.pucpr.br) Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUC-PR) Conceitos relacionados a classificação
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisSupport Vector Machines
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Support Vector Machines Eduardo Vargas Ferreira Definição Support Vector Machines são baseados no conceito de planos de decisão
Leia maisAdriana da Costa F. Chaves. Máquina de Vetor Suporte (SVM) para Classificação Binária 2
Máquina de Vetor Suporte (SVM) para Classificação Binária Adriana da Costa F. Chaves Conteúdo da Apresentação Introdução Máquinas de Vetor Suporte para Classificação binária Exemplos Conclusão Máquina
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisAprendizado de Máquinas. Classificadores Lineares
Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti Objetivos Introduzir o conceito de classificação
Leia maisThiago Marzagão 1. 1 Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 21
MINERAÇÃO DE DADOS Thiago Marzagão 1 1 marzagao.1@osu.edu ÁRVORE DE DECISÃO & VALIDAÇÃO Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 21 árvore de decisão Aulas passadas: queríamos
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisAprendizado de Máquina
Aprendizado de Máquina Um pouco de teoria Formalização (Classificação Binária) Entrada X: Espaço de exemplos D: Distribuição de probabilidade sobre os exemplos de X S X: Conjunto de treino obtido sorteando
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisThiago Marzagão LSA, LDA
MINERAÇÃO DE DADOS Thiago Marzagão marzagao.1@osu.edu LSA, LDA Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 16 problema de trabalhar c/ textos: dimensionalidade A quantidade de colunas cresce rapidamente
Leia maisMINERAÇÃO DE DADOS. Thiago Marzagão CLUSTERIZAÇÃO. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 9
MINERAÇÃO DE DADOS Thiago Marzagão marzagao.1@osu.edu CLUSTERIZAÇÃO Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 9 regressão/classificação vs clusterização Regressão/classificação: temos x 1, x 2,...,
Leia mais1 o Teste de Aprendizagem Automática
o Teste de Aprendizagem Automática 3 páginas com 6 perguntas e 2 folhas de resposta. Duração: 2 horas DI, FCT/UNL, 22 de Outubro de 205 Pergunta [4 valores] As figuras abaixo mostram o erro de treino e
Leia maisAPRENDIZAGEM DE MÁQUINA
APRENDIZAGEM DE MÁQUINA (usando Python) Thiago Marzagão ÁRVORE DE DECISÃO & VALIDAÇÃO Thiago Marzagão APRENDIZAGEM DE MÁQUINA 1 / 20 árvore de decisão Aulas passadas: queríamos prever variáveis quantitativas.
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 maisThiago Marzagão 1 REGRESSÃO LINEAR SIMPLES. 1 Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 22
MINERAÇÃO DE DADOS Thiago Marzagão 1 1 marzagao.1@osu.edu REGRESSÃO LINEAR SIMPLES Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 22 as três grandes áreas da mineração de dados regressão
Leia maisUniversidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0. Classificação. David Menotti.
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Classificação David Menotti www.inf.ufpr.br/menotti/am-18a Hoje Funções Discriminantes Lineares Perceptron Support Vector
Leia maisUniversidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0. Classificação. David Menotti.
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Classificação David Menotti www.inf.ufpr.br/menotti/am-182 Hoje Funções Discriminantes Lineares Perceptron Support Vector
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisClassificação da cobertura da terra na Amazônia utilizando Imagens Polarimétricas em Banda L e Maquina de Vetores Suporte
Classificação da cobertura da terra na Amazônia utilizando Imagens Polarimétricas em Banda L e Maquina de Vetores Suporte Rogério Galante Negri Luciano Vieira Dutra Corina da Costa Freitas Graziela Balda
Leia maisInteligência Computacional
Inteligência Computacional CP78D Redes Neurais Aula 7 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 7º Período 1/24 Plano de Aula Perceptron
Leia maisClassificação: 1R e Naïve Bayes. Eduardo Raul Hruschka
Classificação: 1R e Naïve Bayes Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada
Leia maisIMPLEMENTAÇÃO DO FREx_SVM: MÁQUINAS DE VETOR SUPORTE PARA CLASSIFICAÇÃO EM MÚLTIPLAS CLASSES
IMPLEMENTAÇÃO DO FREx_SVM: MÁQUINAS DE VETOR SUPORTE PARA CLASSIFICAÇÃO EM MÚLTIPLAS CLASSES Aluno: Aarão Irving Manhães Marins Orientador: Marley Maria Bernardes Rebuzzi Vellasco Introdução A máquina
Leia maisLema de Farkas e desigualdades lineares
Lema de Farkas e desigualdades lineares Marina Andretta ICMC-USP 30 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP)
Leia maisCategorização de Textos Usando Máquinas de Suporte Vetorial
Categorização de Textos Usando Máquinas de Suporte Vetorial Vanessa Cristina Sabino 1 de março de 2007 Introdução Problema: gerenciar eficientemente o conhecimento Explosão de informação 2 a Guerra Mundial
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisÁlgebra Linear Semana 02
Álgebra Linear Semana 2 Diego Marcon 3 de Abril de 27 Conteúdo Vetores Representação matricial para sistemas Lineares 3 2 Combinações lineares de vetores 4 3 Sistemas lineares e combinações lineares das
Leia maisCones e raios extremos
Cones e raios extremos Marina Andretta ICMC-USP 7 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisAprendizagem de Máquina. Redes Neurais Artificiais (RNAs)
Aprendizagem de Máquina Redes Neurais Artificiais (RNAs) Plano de Aula Introdução Motivação Biológica Perceptron Superfície de Decisão Descida do Gradiente Redes Multicamadas (Multilayer) Retropropagação
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisAnálise teórica de Máquinas de Vetores Suporte
Análise teórica de Máquinas de Vetores Suporte Evelin Heringer Manoel Krulikovski Orientadores: Profa. Dra. Mael Sachine Prof. Dr. Ademir Alves Ribeiro Programa de Pós-Graduação em Matemática Universidade
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisRepresentação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
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 maisAulas 6 / 05 de setembro
Gabriel Coutinho DCC5 - Pesquisa Operacional - 7. Simplex Ei-lo. Aulas 6 / 5 de setembro Método Simplex Input: Uma PL e uma base viável de colunas B. Output: Uma solução ótima, ou um certificado de que
Leia maisKevin Martins Araújo UTILIZAÇÃO DO ALGORITMO DE MÁQUINA DE VETORES DE SUPORTE (SVM) PARA PREDIÇÃO DE DADOS CLIMÁTICOS
Kevin Martins Araújo UTILIZAÇÃO DO ALGORITMO DE MÁQUINA DE VETORES DE SUPORTE (SVM) PARA PREDIÇÃO DE DADOS CLIMÁTICOS Palmas - TO 2015 Kevin Martins Araújo UTILIZAÇÃO DO ALGORITMO DE MÁQUINA DE VETORES
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 maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisTeoria do aprendizado
Teoria do aprendizado Marcelo K. Albertini 7 de Agosto de 2014 2/37 Teoria do aprendizado Teoremas não existe almoço grátis Viés e variância Aprendizado PAC Dimensão VC Máquinas de vetores suporte 3/37
Leia maisENG-418 OTIMIZAÇÃO DE PROCESSOS QUÍMICOS
Universidade Federal da Bahia - UFBA Escola Politécnica EP Departamento de Engenharia Química - DEQ Laboratório de Controle e Otimização de Processos Industriais - LACOI Disciplina: Otimização de Processos
Leia maisCIC 111 Análise e Projeto de Algoritmos II
CIC 111 Análise e Projeto de Algoritmos II Prof. Roberto Affonso da Costa Junior Universidade Federal de Itajubá AULA 29 Geometry Complex numbers Points and lines Polygon area Distance functions Geometry
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 maisAPRENDIZAGEM DE MÁQUINA
APRENDIZAGEM DE MÁQUINA (usando Python) Thiago Marzagão REGRESSÃO LINEAR SIMPLES Thiago Marzagão APRENDIZAGEM DE MÁQUINA 1 / 22 as três grandes áreas da aprendizagem de máquina regressão classificação
Leia maisMaterial Teórico - Sistemas Lineares e Geometria Anaĺıtica. Sistemas com três variáveis - Parte 1. Terceiro Ano do Ensino Médio
Material Teórico - Sistemas Lineares e Geometria Anaĺıtica Sistemas com três variáveis - Parte 1 Terceiro Ano do Ensino Médio Autor: Prof Fabrício Siqueira Benevides Revisor: Prof Antonio Caminha M Neto
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisPrograma Princípios Gerais Forças, vetores e operações vetoriais
Programa Princípios Gerais Forças, vetores e operações vetoriais Representação gráfica de vetores Graficamente, um vetor é representado por uma flecha: a intensidade é o comprimento da flecha; a direção
Leia maisAlgoritmos Randomizados: Geometria Computacional
Algoritmos Randomizados: Geometria Computacional Celina Figueiredo Guilherme Fonseca Manoel Lemos Vinicius de Sá 26º Colóquio Brasileiro de Matemática IMPA Rio de Janeiro Brasil 2007 Resumo Introdução
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisMáquina de Vetores-Suporte Intervalar
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Máquina de Vetores-Suporte Intervalar Adriana
Leia maisESTRATÉGIAS PARA DESENVOLVIMENTO DE SISTEMAS DE MÚLTIPLOS CLASSIFICADORES EM APRENDIZADO SUPERVISIONADO. Leonardo Ponte Daister
ESTRATÉGIAS PARA DESENVOLVIMENTO DE SISTEMAS DE MÚLTIPLOS CLASSIFICADORES EM APRENDIZADO SUPERVISIONADO Leonardo Ponte Daister DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisPontos extremos, vértices e soluções básicas viáveis
Pontos extremos, vértices e soluções básicas viáveis Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta
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 maisMáquina de Vetores Suporte
Máquina de Vetores Suporte André Ricardo Gonçalves andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Sumário 1 Máquina de Vetores Suporte p. 3 1.1 Teoria da Aprendizado Estatístico.......................
Leia maisModelagem Matemática de Problemas de Programação Linear
Capítulo 1 Modelagem Matemática de Problemas de Programação Linear 1.1. Introdução Neste Capítulo analisamos brevemente a estratégia usada para encontrar a modelagem matemática de um problema de programação
Leia maisCorpos Finitos Parte I
Corpos Finitos Parte I IC-UNICAMP/2006-1s 1 Roteiro Introdução Aritmética em corpos primos Aritmética em corpos binários Aritmética em corpos de extensão IC-UNICAMP/2006-1s 2 Introdução aos corpos finitos
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 maisMáquinas de Vetores Suporte. Prof. Dr. Geraldo Braz Junior
Máquinas de Vetores Suporte Prof. Dr. Geraldo Braz Junior Introdução Máquinas de Vetores de Suporte (MVS) Criada por (VAPNIK, 1998) é um método de aprendizagem supervisionado usado para estimar uma função
Leia maisProgramação Linear. Dualidade
Programação Linear Dualidade Dualidade Já vimos em sala que para cada PPL existe um outro PL chamado dual, que consiste em modelar um problema que utiliza os mesmos dados que o original, mas alterando
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisSVM Intervalar Linearmente Separável
SVM Intervalar Linearmente Separável Adriana Takahashi, Adrião D. Dória Neto, Depto de Engenharia de Computação e Automação, DCA, UFRN, Campus Universitário - Lagoa Nova 59078-900, Natal, RN, Brasil E-mail:
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
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 maisCaracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil. Suellen Silva de Almeida David Menotti
Caracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil Suellen Silva de Almeida David Menotti 1 Introdução Grande ocorrência de ataques de pragas nos cultivares
Leia maisAula 25 - Espaços Vetoriais
Espaço Vetorial: Aula 25 - Espaços Vetoriais Seja V um conjunto não vazio de objetos com duas operações definidas: 1. Uma adição que associa a cada par de objetos u, v em V um único objeto u + v, denominado
Leia maisAnálise Convexa. 1. Conjuntos convexos 1.1. Casca convexa, ponto extremo, cone. 2. Hiperplanos: suporte, separador, teorema da separação
Análise Convexa 1. Conjuntos convexos 1.1. Casca convexa, ponto extremo, cone 2. Hiperplanos: suporte, separador, teorema da separação 3. Funções convexas 4. Teoremas de funções convexas 5. Conjunto poliedral
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 maisT6.1 Reconhecimento de Padrões
T6.1 Reconhecimento de Padrões Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Introdução ao reconhecimento de padrões 2. Representação do conhecimento 3. Reconhecimento
Leia maisAnálise Dinâmica de Sistemas Mecânicos e Controle
Análise Dinâmica de Sistemas Mecânicos e Controle Unidade 3 Espaço de Estados: álgebra e resolução das equações dinâmicas Prof. Thiago da Silva Castro thiago.castro@ifsudestemg.edu.br Para trabalhar no
Leia maisPrimeira prova de Álgebra Linear - 06/05/2011 Prof. - Juliana Coelho
Primeira prova de Álgebra Linear - 6/5/211 Prof. - Juliana Coelho JUSTIFIQUE SUAS RESPOSTAS! Questões contendo só a resposta, sem desenvolvimento ou justificativa serão desconsideradas! QUESTÃO 1 (2, pts)
Leia maisComputação Gráfica. Engenharia de Computação. CEFET/RJ campus Petrópolis. Prof. Luis Retondaro. Aula 3. Transformações Geométricas
Computação Gráfica Engenharia de Computação CEFET/RJ campus Petrópolis Prof. Luis Retondaro Aula 3 Transformações Geométricas no plano e no espaço Introdução (Geometria) 2 Pontos, Vetores e Matrizes Dado
Leia maisClassificação utilizando técnicas de aprendizado estatístico: Estudo de casos
Universidade de Brasília Departamento de Estatística Classificação utilizando técnicas de aprendizado estatístico: Estudo de casos Pedro Henrique Toledo de Oliveira Sousa Monografia apresentada para a
Leia maisTópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 04 - sistemas lineares Antonio Oliveira Ricardo Marroquim 1 / 32 laboratório de processamento de imagens tópicos decomposições (álgebra linear) decomposição QR decomposição
Leia maisALGORITMO SUBIDA DA ENCOSTA PARA OTIMIZAÇÃO DE PARÂMETROS DE MÁQUINAS DE VETORES SUPORTES
ALGORITMO SUBIDA DA ENCOSTA PARA OTIMIZAÇÃO DE PARÂMETROS DE MÁQUINAS DE VETORES SUPORTES Francisco Carlos Monteiro Souza, Ricardo B. C. Prudêncio Centro de Informática Universidade Federal de Pernambuco
Leia mais)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
Leia maisTransformações Lineares
Transformações Lineares Prof. Márcio Nascimento marcio@matematicauva.org Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra
Leia mais1 Séries de números reais
Universidade do Estado do Rio de Janeiro - PROFMAT MA 22 - Fundamentos de Cálculo - Professora: Mariana Villapouca Resumo Aula 0 - Profmat - MA22 (07/06/9) Séries de números reais Seja (a n ) n uma sequência
Leia maisDATA MINING & MACHINE LEARNING (I) Thiago Marzagão
DATA MINING & MACHINE LEARNING (I) Thiago Marzagão problema de trabalhar c/ textos: dimensionalidade A quantidade de colunas cresce rapidamente com a quantidade de documentos problema de trabalhar c/ textos:
Leia maisAPLICAÇÃO DA TEORIA DE OTIMIZAÇÃO CONVEXA EM PROBLEMAS DE CLASSIFICAÇÃO
APLICAÇÃO DA TEORIA DE OTIMIZAÇÃO CONVEXA EM PROBLEMAS DE CLASSIFICAÇÃO André Ricardo Gonçalves andreric@dca.fee.unicamp.br Faculdade de Engenharia Elétrica e de Computação - UNICAMP Campinas, SP, Brasil
Leia maisSumário I PROGRAMAÇÃO LINEAR, 1
Sumário I PROGRAMAÇÃO LINEAR, 1 1 CRIAÇÃO E EVOLUÇÃO HISTÓRICA, 3 1.1 George Dantzig e o Algoritmo Simplex, 3 1.2 Algoritmos de tempo polinomial, 4 1.3 Prêmio Nobel de Economia de 1975, 4 Exercícios, 5
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisUnidade 14 - Operadores lineares e mudança de base nos espaços euclidianos bi e tri-dimensionais
MA33 - Introdução à Álgebra Linear Unidade 14 - Operadores lineares e mudança de base nos espaços euclidianos bi e tri-dimensionais A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa PROFMAT -
Leia maisAnálise e Sugestão Automática de Câncer de Pele através de HOG e SVM
Análise e Sugestão Automática de Câncer de Pele através de HOG e SVM Lucas Bezerra Maia 1, Roberto M. Pinheiro Pereira 1, Thalles Alencar Silva 1, Alexandre César P. Pessoa 1, Geraldo Braz Junior 1 1 Núcleo
Leia maisAula 8: Árvores. Rafael Izbicki 1 / 33
Mineração de Dados Aula 8: Árvores Rafael Izbicki 1 / 33 Revisão Vimos que a função de risco é dada por R(g) := E[I(Y g(x))] = P (Y g(x)), Nem sempre tal função nos traz toda informação sobre g. É comum
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 maisUFSM-CTISM. Comunicação de Dados Aula-17
UFSM-CTISM Comunicação de Dados Aula-17 Professor: Andrei Piccinini Legg Santa Maria, 2012 Definição: Um código de Hamming adiciona um bloco de paridade a um bloco de dados, de forma a que, caso ocorram
Leia maisUniversidade Federal de Alagoas Instituto de Matemática. Geometria. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Geometria Prof. Thales Vieira 2014 Geometria Euclidiana Espaço R n R n = {(x 1,...,x n ); x i 2 R} Operações entre elementos de R n Soma: (x 1,x
Leia mais