Aprendizagem de máquina
|
|
- Luiz Guilherme Martins Leveck
- 5 Há anos
- Visualizações:
Transcrição
1 Aprendizagem de máquina Aprendizado de Conceitos Busca guiada por exemplos Aprendizado supervisionado: classificação Aprender uma classe a partir de exemplos é encontrar uma descrição que é compartilhada por todos os exemplos positivos e por nenhum exemplo negativo. As possíveis descrições dependem da representação das hipóteses, que determina como os atributos podem ser compostos para formar uma hipótese. No caso mais simples, uma hipótese consiste de uma conjunção de restrições sobre os valores dos atributos que descrevem um exemplo. Consideraremos inicialmente atributos nominais (valores simbólicos). Mesmo quando o domínio consistir de atributos contínuos, pode-se descrevê-lo por valores simbólicos através de uma discretização dos atributos em intervalos que correspondem aos símbolos. 2
2 Exemplo de domínio com 2 atributos discretizados em 3 intervalos Os atributos contínuos A 1, A 2 são discretizados em 3 intervalos, correspondendo aos valores nominais: a 23 a 22 a 11 a 23 a 11 a 22 d 3 aa 23 a23 d 2 d 5 a aa d 1 d 4 A1 { a11, a, a13} A2 { a21, a22, a23} Os exemplos contínuos d 1, d 2, d 3, d 4, d 5 são representados pela conjunção dos intervalos que os contêm: correspondendo aos valores nominais: Exemplos positivos contínuos: d 1, d 2 Exemplos positivos discretos: D p : a a, a22, a, 23 A 2 A 1 a 21 a a11a 21 aa21 21 a11 a a13 Exemplos negativos contínuos: d 3, d 4, d 5 Exemplos negativos discretos: D n : a a 11, a22, a13, a22, a13, Conjunto de exemplos de treinamento: D D p D n 23 3 Aprendizado de Conceito Nesta tarefa, deseja-se adquirir a definição de uma categoria geral a partir de exemplos de treinamento, positivos e negativos. O aprendizado de conceito pode ser formulado como um problema de busca pela melhor hipótese em relação aos exemplos de treinamento, através de um espaço pré-definido de hipóteses potenciais. Esta busca pode se aproveitar da ordenação natural do espaço de hipóteses: do geral para o específico. Um conceito pode ser visto também como uma função booleana que atribui o valor V para os exemplos positivos e F para os exemplos negativos. A tarefa consiste então em inferir uma função booleana a partir de exemplos de treinamento de suas entradas e saída. 4
3 Exemplo de tarefa de aprendizado Dados: Instâncias X : conjunto de medidas de objetos (x) descritos pelos atributos A 1 : a 11, a, A 2 : a 21, a 22, a 23 Hipóteses H: cada hipótese h é descrita por uma conjunção de restrições sobre os atributos. As restrições podem ser? (qualquer valor é aceitável), 0 (nenhum valor é aceitável), ou um valor específico dentre os possíveis listados acima. Conceito alvo c: X {0, 1} Exemplos de treinamento D: exemplos positivos e negativos da função alvo D = {< a, a 22, 1 >, < a, a 23, 1 >, < a 11, a 22, 0 >, <, a 22, 0 >, <, a 23, 0 >} Determine Uma hipótese h em H, tal que h(x) = c(x), x X 5 Aprendizado de conceito Apesar de desejarmos determinar a hipótese h idêntica ao conceito alvo c sobre o conjunto de todas as instâncias X, a única informação disponível sobre c é o seu valor para os exemplos de treinamento. Por isso, um algoritmo de aprendizado indutivo só pode garantir que a hipótese corresponde ao conceito alvo sobre o arquivo de treinamento. O aprendizado de conceito pode ser visto como uma tarefa de busca sobre o espaço de hipóteses, implicitamente definido pela representação. O espaço de busca é um grafo ordenado pela relação de ordem parcial (h j h k ) mais_geral_ou_igual, onde a hipótese mais geral (qualquer valor é um exemplo positivo) é <?,? > e a mais específica (nenhum valor...) é < 0, 0 >. Uma relação de ordem parcial é reflexiva, antissimétrica e transitiva, e não é total: existem pares h 1, h 3 que não satisfazem à relação h 1 h 3 ou h 3 h 1 h 1 = < a,? > h 2 = < a, a 22 >, pois toda instância classificada como positiva por h 2 também será classificada positiva por h 1. Sendo h j e h k duas funções booleanas definidas em X, então h j é mais_geral_ou_igual h k (h j h k ) se e somente se: (x X) [ (h k (x) = 1) (h j (x) = 1)] 6
4 Espaço H de todas as hipóteses com 2 atributos ternários A1 { a11, a, a13}; A2 { a21, a22, a23} 00 Mais específico a a a a aa a?? a11??a 21 22?a?a 23?? Mais genérico 7 Espaço H de todas as hipóteses com 2 atributos ternários a a??? 11 A1 { a11, a, a13} A a, a, } 2 { a23 a ?a 23 a ?a 22 a 21 a 11 a 21 a a a a ?a 21 A 2 A 1 a11 a a13 8
5 Busca da hipótese mais específica Definição: uma hipótese h é consistente com um conjunto de treinamento D se e somente se h(x) = c(x) para todo exemplo < x, c(x) > em D. Podemos buscar a hipótese h mais específica, consistente com o arquivo de treinamento. Como supomos que o conceito alvo c esteja em H e que seja consistente com os exemplos positivos de treinamento, c deve ser mais_geral_ou_igual a h. E como c nunca cobrirá um exemplo negativo, então h também nunca o fará (c h). Assim, apenas os exemplos positivos do conceito precisam ser levados em conta, não sendo necessário testar uma hipótese h com os exemplos negativos. Assim, podemos aprender um conceito começando com a hipótese mais específica em H, generalizando-a quando ela não cobrir um exemplo positivo de treinamento. Algoritmo FIND-S: 1. Inicializar h com a hipótese mais específica em H 2. Para cada instância positiva de treinamento x Para cada restrição de atributo a i em h Se a i é satisfeita por x então não fazer nada senão substituir a i pela próxima restrição mais geral que satisfaz x 3. Saída: hipótese h 9 Exemplos de hipóteses C: classe real h: uma hipótese induzida Hipótese mais específica, S e mais geral, G h : hipótese com maior margem de separação 10
6 Exemplo do algoritmo FIND-S Id A 1 A 2 c 1 a a a a a 11 a a a 23 0 h < 0, 0, > < a, a 22, 1 >, h < a, a 22 > < a, a 23, 1 >, h < a,? > <, a 22, 0 >, h < a,? > <, a 23, 0 >, h < a,? > A propriedade chave do algoritmo FIND-S é que para espaços H descritos por conjunções de atributos, ele garante encontrar a hipótese mais específica consistente com os exemplos positivos de treinamento. 11 Hipótese consistente com D mais específica que o conceito c a 23 a11a 23 + a 23 + aa23 a a 23 11a 23 aa23 a23 a a11a 22 aa22 a22 a a 21 a 11 a 21 aa 21 a21 a 21 a 11 a 21 a a a a A 2 A 1 a11 a a 13 h 1 a, a22 Exemplos positivos: + Exemplos negativos: D p A 2 c h 1 A 1 : a, a22, a, a23 D n a, a, a, a, : a a13, a11 a a 13 c 23 a,? exemplo extra: obriga generalizar h D D p D n
7 Limites da representação: exemplo de hipótese fora de H A1 { a11, a, a13} A a, a, } 2 { a23 a a??? 11 a ?a 23 h a a22 a,, a 23 a ?a 22 a 21 a 11 a 21 a a a a ?a 21 A 2 A 1 a11 a a Limites da representação: exemplo de hipótese fora de H A1 { a11, a, a13} A a, a, } 2 { a23 a a??? 11 a ?a 23 h a,? a13,? a ?a 22 a 21 a 11 a 21 a a a a ?a 21 A 2 A 1 a11 a a13 14
8 Exemplo de aprendizado de conceito Considere o aprendizado do conceito pratica esporte (atributo meta) a partir de um conjunto de atributos (previsores) que caracterizam as condições do tempo e da água. A tabela abaixo representa o arquivo de treinamento D para esta tarefa, ou seja, é uma amostra do conjunto X de todas as instâncias x possíveis do domínio: 1 Ensolarado Quente Normal Forte Quente Estável Sim 2 Ensolarado Quente Alta Forte Quente Estável Sim 3 Chuvoso Frio Alta Forte Quente Mudança Não 4 Ensolarado Quente Alta Forte Fria Mudança Sim Uma hipótese h (do conjunto H de todas as hipóteses possíveis) será representada por uma conjunção de valores dos atributos (previsores). Além dos valores específicos, pode-se usar?, indicando que qualquer valor é aceitável, e 0, que nenhum valor é aceitável. Exemplo de uma hipótese: h(x) = <?, Quente, Alta,?,?,? > Pratica esporte quando o ar está quente e a umidade é alta 15 Tarefa de aprendizado do conceito PraticaEsporte Dados: Instâncias X : conjunto de dias (x) descritos pelos atributos Tempo, com valores: Ensolarado, Nublado, Chuvoso, Temp_ar, com valores: Quente, Frio Umidade, com valores: Normal, Alta Vento, com valores: Forte, Fraco Temp_agua, com valores: Quente, Fria Previsão, com valores: Estável, Mudança Hipóteses H: cada hipótese h é descrita por uma conjunção de restrições sobre os atributos. As restrições podem ser? (qualquer valor é aceitável), 0 (nenhum valor é aceitável), ou um valor específico dentre os possíveis listados acima. Conceito alvo c: Pratica Esporte: X {0, 1} Exemplos de treinamento D: exemplos positivos e negativos da função alvo Determine Uma hipótese h em H, tal que h(x) = c(x), x X 16
9 Aprendizado de conceito 1 Ensolarado Quente Normal Forte Quente Estável Sim 2 Ensolarado Quente Alta Forte Quente Estável Sim 3 Chuvoso Frio Alta Forte Quente Mudança Não 4 Ensolarado Quente Alta Forte Fria Mudança Sim O conceito c a ser aprendido é uma função que mapeia instâncias do domínio, a um valor booleano: c(x) =1, se PraticaEsporte = Sim; c(x) = 0, se PraticaEsporte = Não. Um exemplo de treinamento (d) é o par ordenado < x, c(x) >. As instâncias para as quais c(x) =1 são exemplos positivos do conceito (1, 2 e 4 no ex.) Se uma instância x satisfaz todas as restrições da hipótese h, então h classifica x como exemplo positivo da hipótese: h(x) = 1. Considerando a hipótese: h(x) = <?,?, Alta,?,?,? > As instâncias 2, 3 e 4 da tabela são exemplos positivos desta hipótese. Uma hipótese cobre um exemplo positivo, quando ela o classifica corretamente. O objetivo do aprendizado é encontrar uma hipótese h, tal que h(x) = c(x), x X. 17 Aprendizado de conceito Apesar de desejarmos determinar a hipótese h idêntica ao conceito alvo c sobre o conjunto de todas as instâncias X, a única informação disponível sobre c é o seu valor para os exemplos de treinamento. Por isso, um algoritmo de aprendizado indutivo só pode garantir que a hipótese corresponde ao conceito alvo sobre o arquivo de treinamento. O aprendizado de conceito pode ser visto como uma tarefa de busca sobre o espaço de hipóteses, implicitamente definido pela representação. O espaço de busca é um grafo ordenado pela relação de ordem parcial (h j h k ) mais_geral_ou_igual, onde a hipótese mais geral (qualquer dia é um exemplo positivo) é <?,?,?,?,?,? > e a mais específica (nenhum dia...) é < 0, 0, 0, 0, 0, 0 >. h 1 = < Ensolarado,?,?,?,?,? > h 2 = < Ensolarado,?,?, Forte,?,? >, pois toda instância classificada como positiva por h 2 também será classificada positiva por h 1. Sendo h j e h k duas funções booleanas definidas em X, então h j é mais_geral_ou_igual h k (h j h k ) se e somente se: (x X) [ (h k (x) = 1) (h j (x) = 1)] 18
10 Exemplo do algoritmo FIND-S 1 Ensolarado Quente Normal Forte Quente Estável Sim 2 Ensolarado Quente Alta Forte Quente Estável Sim 3 Chuvoso Frio Alta Forte Quente Mudança Não 4 Ensolarado Quente Alta Forte Fria Mudança Sim 1. h < 0, 0, 0, 0, 0, 0 > 2. h < Ensolarado, Quente, Normal, Forte, Quente, Estável > 3. h < Ensolarado, Quente,?, Forte, Quente, Estável > 4. h < Ensolarado, Quente,?, Forte, Quente, Estável > 5. h < Ensolarado, Quente,?, Forte,?,? > A propriedade chave do algoritmo FIND-S é que para espaços H descritos por conjunções de atributos, ele garante encontrar a hipótese mais específica consistente com os exemplos positivos de treinamento. No caso de haver múltiplas hipóteses consistentes com os exemplos positivos, não se pode afirmar que a hipótese mais específica seja a melhor. Se o arquivo de treinamento não for consistente, o algoritmo falha! 19 Espaço de versões O conjunto de todas as hipóteses consistentes com os exemplos de treinamento é chamado de espaço de versões (EV) em relação a H e a D, porque ele contém todas as versões plausíveis do conceito alvo em relação ao arquivo de treinamento. Uma forma eficiente de se determinar o espaço de versões, sem enumerá-lo, é armazenando o seu membro mais geral (G) e o mais específico (S). Estes membros especificam as fronteiras do espaço de versões no espaço H. A partir de G e S é possível enumerar todos os seus membros intermediários. O algoritmo Candidate-Elimination inicia G como a hipótese mais geral e S como a hipótese mais específica, sendo assim EV 0 = H. Para cada exemplo de treinamento, S é generalizado e G é especializado de modo a eliminar de EV as hipóteses inconsistentes com o exemplo. Após processar todos os exemplos, o espaço de versões resultante contém todas as hipóteses consistentes com estes exemplos, e somente estas hipóteses. 20
11 Algoritmo Candidate-Elimination Inicializar G com o conjunto de hipóteses mais gerais em H Inicializar S com o conjunto de hipóteses mais específicas em H Para cada exemplo de treinamento d Se d for um exemplo positivo Remover de G todas as hipóteses inconsistentes com d Para cada hipótese s em S que não é consistente com d Remover s de S Adicionar a S todas as generalizações mínimas h de s tais que h é consistente com d e algum membro de G é mais geral que h Remover de S toda hipótese que é mais geral que uma outra hipótese em S Se d for um exemplo negativo Remover de S todas as hipóteses inconsistentes com d Para cada hipótese g em G que não é consistente com d Remover g de G Adicionar a G todas as especializações mínimas h de g tais que h é consistente com d e algum membro de S é mais específico que h Remover de G toda hipótese que é menos geral que uma outra hipótese em G 21 Exemplo do algoritmo Candidate-Elimination 1 Ensolarado Quente Normal Forte Quente Estável Sim 2 Ensolarado Quente Alta Forte Quente Estável Sim G 0 <?,?,?,?,?,? > ; S 0 < 0, 0, 0, 0, 0, 0 > (1) O algoritmo verifica que S 0 é muito específico, não cobre o exemplo positivo. A fronteira S é movida para cobrir o exemplo: S 1 < Ensolarado, Quente, Normal, Forte, Quente, Estável > Não é necessário mover G, pois G 0 cobre corretamente este exemplo: G 1 = G 0. (2) S 1 não cobre o exemplo positivo; a fronteira é movida para cobrir o exemplo: S 2 < Ensolarado, Quente,?, Forte, Quente, Estável > Não é necessário mover G, pois G 1 cobre corretamente este exemplo: G 2 = G 1. 22
12 Exemplo do algoritmo Candidate-Elimination 3 Chuvoso Frio Alta Forte Quente Mudança Não G 2 = { <?,?,?,?,?,? > } ; S 2 ={ < Ensolarado, Quente,?, Forte, Quente, Estável > } (3) G 2 é genérico demais, pois cobre (indevidamente) o exemplo negativo. A fronteira G é movida então para excluir o exemplo negativo, incluindo todas as especializações mínimas de G 2 que são consistentes com d3 e mais gerais que S 2 : G 3 { < Ensolarado,?,?,?,?,? > <?, Quente,?,?,?,? > <?,?,?,?,?, Estável > } G sumariza a informação dos exemplos negativos encontrados, pois não os cobre. Qualquer hipótese mais específica que G é consistente com os exemplos negativos, pois não pode cobrir exemplos que G não cobre. Não é necessário mover S, pois S 2 cobre corretamente este exemplo: S 3 = S 2. S sumariza a informação dos exemplos positivos encontrados. Qualquer hipótese mais geral que S cobre os exemplos que S cobre, cobrindo assim todos os exemplos positivos passados. 23 Exemplo do algoritmo Candidate-Elimination 4 Ensolarado Quente Alta Forte Fria Mudança Sim G 3 = { < Ensolarado,?,?,?,?,? > <?, Quente,?,?,?,? > <?,?,?,?,?, Estável > } ; S 3 ={ < Ensolarado, Quente,?, Forte, Quente, Estável > } (4) S 3 não cobre o exemplo positivo; a fronteira é movida para cobrir o exemplo (d): S 4 < Ensolarado, Quente,?, Forte,?,? > É necessário também remover de G todos os membros inconsistentes com d: G 4 { < Ensolarado,?,?,?,?,? > <?, Quente,?,?,?,? > } S 4 : { < Ensolarado, Quente,?, Forte,?,? > } < Ensolarado,?,?, Forte,?,? > < Ensolarado, Quente,?,?,?,? > <?, Quente,?, Forte,?,? >} G 4 : { < Ensolarado,?,?,?,?,? > <?, Quente,?,?,?,? >} 24
13 Classificação por espaço de versões de novas instâncias A Ensolarado Quente Normal Forte Fria Mudança? B Chuvoso Frio Normal Fraco Quente Estável? C Ensolarado Quente Normal Fraco Quente Estável? D Ensolarado Frio Normal Forte Quente Estável? Classifique as novas instâncias com base nas hipóteses do EV abaixo, identificando as hipóteses que cobrem cada instância: S 4 : { < Ensolarado, Quente,?, Forte,?,? > } i 1 i i 3 2 < Ensolarado,?,?, Forte,?,? > < Ensolarado, Quente,?,?,?,? > <?, Quente,?, Forte,?,? >} G 4 : { < Ensolarado,?,?,?,?,? > <?, Quente,?,?,?,? >} 25 Classificação por espaço de versões A Ensolarado Quente Normal Forte Fria Mudança sim (S 4,i 1,i 2,i 3,G 4 ) B Chuvoso Frio Normal Fraco Quente Estável não C Ensolarado Quente Normal Fraco Quente Estável sim (i 2,G 4 ) D Ensolarado Frio Normal Forte Quente Estável sim (i 1,G 41 ) Classifique as instâncias com base nas hipóteses do EV abaixo. S 4 :{< Ensolarado, Quente,?, Forte,?,? > } i 1 i 2 i 3 < Ensolarado,?,?, Forte,?,? > < Ensolarado, Quente,?,?,?,? > <?, Quente,?, Forte,?,? >} G 4 : { < Ensolarado,?,?,?,?,? > <?, Quente,?,?,?,? >} 26
14 Classificação por espaço de versões avaliado PraticaEsporte (meta) A Ensolarado Quente Normal Forte Fria Mudança sim (S 4,i 1,i 2,i 3,G 4 ) sim B Chuvoso Frio Normal Fraco Quente Estável não não C Ensolarado Quente Normal Fraco Quente Estável sim (i 2,G 4 ) D Ensolarado Frio Normal Forte Quente Estável sim (i 1,G 41 ) Erro de previsão para D provoca revisão do EV: sim não S 4 :{< Ensolarado, Quente,?, Forte,?,? > } i 1 i 2 i 3 < Ensolarado,?,?, Forte,?,? > < Ensolarado, Quente,?,?,?,? > <?, Quente,?, Forte,?,? >} G 4 : { < Ensolarado,?,?,?,?,? > <?, Quente,?,?,?,? >} 27 Classificação por espaço de versões revisado PraticaEsporte (meta) A Ensolarado Quente Normal Forte Fria Mudança sim (S 4,i 1,i 2,G 4 ) sim B Chuvoso Frio Normal Fraco Quente Estável não não C Ensolarado Quente Normal Fraco Quente Estável sim (i 2,G 4 ) D Ensolarado Frio Normal Forte Quente Estável não não sim EV revisado pelo erro de previsão: S 4 : { < Ensolarado, Quente,?, Forte,?,? > } i i 2 1 < Ensolarado, Quente,?,?,?,? > <?, Quente,?, Forte,?,? >} G 4 : {<?, Quente,?,?,?,? >} 28
15 Viés indutivo Um sistema de aprendizado que não faz suposições apriori (viés indutivo) sobre o conceito alvo não consegue classificar instâncias desconhecidas. No caso do exemplo, o viés é dado pela suposição de que o conceito alvo pode ser representado por uma conjunção de valores de atributos. O viés indutivo expressa a política adotada que permite generalizar para além dos dados de treinamento. Dado um algoritmo de aprendizado L treinado com o conjunto de treinamento D c = {x, c(x) }, L(x i, D c ) representa a classificação que L atribui a uma nova instância x i, após ele ter sido treinado com os dados D c, ou seja, L(x i, D c ) é inferido indutivamente de (D c x i ): (D c x i ) L(x i, D c ) 29 Viés indutivo Entretanto, como L é um algoritmo de aprendizado indutivo, o resultado L(x i, D c ) em geral não pode ser provado como correto, ou seja, ele não resulta dedutivamente do arquivo de treinamento D c e da descrição de x i. Define-se como viés indutivo B de L o conjunto de suposições adicionais que permitem deduzir o resultado L(x i, D c ) para qualquer x i pertencente ao conjunto de instâncias X, ou seja, L(x i, D c ) resulta dedutivamente de (B D c x i ) ( x i X)[(B D c x i ) L(x i, D c )] No caso do exemplo, o viés indutivo é c H. 30
Aprendizado de Máquina
Aprendizado de Máquina Aprendizagem de Conceito Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem de Conceito Alessandro L. Koerich 2008 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Conceito Alessandro L. Koerich 2007 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução Tarefa de Aprendizagem
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Conceito Aula 2 Alessandro L. Koerich Mestrado em Informática Aplicada Introdução Tarefa de Aprendizagem de Conceito Aprendizagem de Conceito como
Leia maisAprendizado de Máquina
Classificação Aprendizado de Máquina Aula http://www.ic.uff.br/~bianca/aa/ Dados: A descrição de uma instância, x X, onde X é um espaço de instâncias. Um conjunto fixo de classes: C={c, c, c n } Determine:
Leia maisAprendizado de Máquina
Aprendizado de Máquina Árvores de Decisão Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 28
Leia maisAprendizado de Máquina Conceitos. Conceitos. Introdução... Projeto de um Sistema de Aprendizado. Conceitos
Aprendizado de Máquina Conceitos Surge com a intenção de explorar possibilidades de máquinas aprenderem sobre diversos assuntos e contextos Reconhecimento de discurso Detecção de fraude em sistemas de
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Árvores de Decisão Poda e extensões Prof. Paulo Martins Engel UFRGS 2 Questões sobre Árvores de Decisão Questões práticas do aprendizado de AD incluem: Determinar até quando se
Leia maislnteligência Artificial Aprendizagem em IA
lnteligência Artificial Aprendizagem em IA 1 Aprendizagem por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Francisco de A.T. de Carvalho 1 Aprendizagem de Máquina 1/ Introdução Situações do dia a dia em que AM é importante: Saúde. input: informações sobre pacientes relativas a gravidez
Leia maisAprendizado em IA. Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação
Aprendizado em IA Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação Tópicos Agentes baseados em aprendizado Aprendizado indutivo Árvores de decisão Método ID3 Aprendizado em redes neurais
Leia maisAprendizagem indutiva
Aprendizagem indutiva Inferência indutiva de fatos providos por um professor ou ambiente. O estudo e modelagem desta forma de aprendizagem é um dos tópicos centrais de aprendizagem de máquina. Em aprendizagem
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Árvores de Decisão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Árvores de Decisão David Menotti www.inf.ufpr.br/menotti/ci171-182 Árvores de Decisão Agenda Introdução Representação Quando Usar
Leia maisInteligência Artificial
Aprendizagem por que? lnteligência Artificial Aprendizagem em IA Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisAprendizado de Máquina
Aprendizado de Máquina Sistemas de Informação Inteligente Prof. Leandro C. Fernandes Adaptação dos materiais de: Thiago A. S. Pardo, Daniel Honorato e Bianca Zadrozny APRENDIZADO SIMBÓLICO: ÁRVORES DE
Leia maisÁrvores de Decisão. Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Ciências de Computação
Árvores de Decisão Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Ciências de Computação Rodrigo Fernandes de Mello mello@icmc.usp.br Árvores de Decisão Método
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maislnteligência Artificial Introdução a Aprendizado de Máquina
lnteligência Artificial Introdução a Aprendizado de Máquina 1 Aprendizado por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 10 Modelos Preditivos - Árvore de Decisão 2 de 20 Aula 10 - Árvore de
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich/Alceu S. Britto Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia maisAlgoritmos Indutores de Árvores de. Fabrício J. Barth
Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Maio de 2018 Problema: Diagnóstico para uso de lentes de contato 2 Diagnóstico para o uso de lentes de contato O setor de oftalmologia de um
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia mais21/02/17. Aprendendo pelas observações. PCS 5869 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 5869 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente para a atuação
Leia mais24/11/13. Aprendendo pelas observações. PCS 2428 / PCS 2059 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 2428 / PCS 2059 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente
Leia maisSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES Profa. Roseli Ap. Francelin Romero Representação de Árvores de Decisão Algoritmo ID3 Conceito de e Ganho de Informação Overfitting Sistemas Inteligentes 1 Sistemas Inteligentes 2
Leia maisAprendizagem. Profa. Josiane M. Pinheiro Ferreira. Nov/2005
Aprendizagem Profa. Josiane M. Pinheiro Ferreira Nov/2005 1 A idéia por trás da aprendizagem Percepções Para agir Para melhorar a habilidade do agente para agir no futuro Aprendizagem ocorre Quando o agente
Leia maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
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 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 maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Fundamentação da disciplina Analise de dados Decisões
Leia maisAprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
Leia maisEm contraste aos métodos de aprendizado que constroem uma descrição explicita genérica da função alvo. Os métodos baseados em instâncias guardam os
Em contraste aos métodos de aprendizado que constroem uma descrição explicita genérica da função alvo. Os métodos baseados em instâncias guardam os exemplos de treinamento A generalização é posposta até
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
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 maisÁrvores de decisão. Marcelo K. Albertini. 17 de Agosto de 2015
Árvores de decisão Marcelo K. Albertini 17 de Agosto de 2015 2/31 Árvores de Decisão Nós internos testam o valor de um atributo individual ramificam de acordo com os resultados do teste Nós folhas especificam
Leia maisRoteiro. Introdução. Introdução. Introdução. Abordagens. Aprendizado de máquina. (machine learning) Introdução. Arquitetura
Aprendizado de Máquina (machine learning) Introdução abordagens técnicas Arquitetura Roteiro Introdução Dificuldade classificação síntese aprendizado de máquina (simbólico) Definição: Learning denotes
Leia maisInteligência Artificial
https://www.pinterest.com/carlymundo/decision-tree-infographics/ Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 10 Classificação com Naïve Bayes Max Pereira Raciocínio Probabilístico A notação tradicional para criar e analisar sentenças lógicas
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Árvores de Decisão Aula 3 Alessandro L. Koerich Introdução Representação de Árvores de Decisão Algoritmo de Aprendizagem ID3 Entropia e Ganho de Informação
Leia maisAprendizado. O que é Aprendizado? Capítulo 5
Aprendizado Capítulo 5 309 O que é Aprendizado?...mudanças que tornam sistemas capazes de adaptar-se e realizar tarefas semelhantes de maneira mais eficiente [Simon] 310 1 Tipos de Aprendizado Refinamento
Leia maisAprendizado indutivo. Marcelo K. Albertini. 17 de Abril de 2014
Aprendizado indutivo Marcelo K. Albertini 17 de Abril de 2014 2/22 Aprendizado indutivo O que é? Porque é difícil? Como podemos resolver problemas de indução? 3/22 Aprendizado supervisionado Temos: exemplos
Leia maisLista de Exercícios - Capítulo 8 [1] SCC Inteligência Artificial 1o. Semestre de Prof. João Luís
ICMC-USP Lista de Exercícios - Capítulo 8 [1] SCC-630 - Inteligência Artificial 1o. Semestre de 2011 - Prof. João Luís 1. Seja breve na resposta às seguintes questões: (a) o que você entende por Aprendizado
Leia maisSaída: Representação de conhecimento
Saída: Representação de conhecimento Kate Revoredo katerevoredo@uniriotec.br 1 Saída: Representando padrões estruturais Existem muitas maneiras diferentes de representar padrões: Árvores de decisão, regras,
Leia maisAprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
Leia maisdecisão em comparação com a curva para árvores de decisão.
function Decision-Learning(examplos) returns a decision list or failure if examples is empty then return the trivial decision list t a test that matches a nonempty subset examples t of examples such that
Leia maisSCC Capítulo 9 Indução de Árvores de Decisão
Indução de Árvores de Decisão SCC-630 - Capítulo 9 Indução de Árvores de Decisão João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências Matemáticas e de Computação Universidade
Leia maisRedes Neurais. Métodos Híbridos de Aprendizagem A rede KBANN. Métodos híbridos de aprendizagem. Prof. Paulo Martins Engel
Métodos híbridos de aprendizagem Redes Neurais Métodos Híbridos de prendizagem rede KBNN Métodos híbridos de aprendizagem utilizam tanto conhecimento teórico de um domínio, como um conjunto de exemplos
Leia maisSistemas de Apoio à Decisão. Guia de Exercícios
Sistemas de Apoio à Decisão Guia de Exercícios Pedro Campos Departamento de Matemática e Engenharias Normalização de Dados e Operações OLAP 1. Usando os dados para o atributo idade, (13, 15, 16, 16, 19,
Leia maisAprendizado de Máquina
Aprendizado de Máquina O que é Aprendizado? Memorizar alguma coisa Aprender fatos por meio de observação e exploração Melhorar habilidades motoras/cognitivas por meio de prática Organizar novo conhecimento
Leia maisAprendizado de Máquinas
Aprendizado de Máquinas Objetivo A área de aprendizado de máquina preocupa-se em construir programas que automaticamente melhorem seu desempenho com a experiência. Conceito AM estuda métodos computacionais
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Aprendizagem Baseada em Instâncias Plano de Aula Introdução Espaço
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 09 Árvores de Decisão Max Pereira Classificação É a tarefa de organizar objetos em uma entre diversas categorias pré-definidas. Exemplos
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA CÁLCULO DAS PROBABILIDADES E ESTATÍSTICA I
UNIVERSIDADE FEDERAL DA PARAÍBA CÁLCULO DAS PROBABILIDADES E ESTATÍSTICA I Departamento de Estatística Tarciana Liberal CONCEITOS FUNDAMENTAIS DE ESTATÍSTICA O que a Estatística significa para você? Pesquisas
Leia maisREDES NEURAIS / INTELIGÊNCIA ARTIFICIAL LISTA DE EXERCÍCIOS 6
REDES NEURAIS / INTELIGÊNCIA ARTIFICIAL LISTA DE EXERCÍCIOS 6 Aluno: 1. Defina o problema de busca (espaço de estados, estado inicial, estado final, ações possíveis, custo) para o seguinte caso: uma pessoa,
Leia maisInteligência vs. Aprendizado
Introdução Thiago A. S. Pardo Daniel Honorato Solange O. Rezende Ronaldo C. Prati 1 Inteligência vs. Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha
Leia maisInteligência Artificial - IA. Resolução de problemas por meio de busca
Resolução de problemas por meio de busca 1 Agente reativo - definido por ação reação Agente de resolução de problemas (ou baseado em objetivos) encontra sequencias de ações que leva ao estado desejável.
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Baseada em Instâncias Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
Leia maisCÁLCULO DAS PROBABILIDADES E ESTATÍSTICA I
UNIVERSIDADE FEDERAL DA PARAÍBA CÁLCULO DAS PROBABILIDADES E ESTATÍSTICA I Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ CONCEITOS FUNDAMENTAIS DE ESTATÍSTICA O que a Estatística
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 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 maisAprendizagem de Máquina
Aprendizagem de Máquina écnicas de Classificação Árvores de Decisão Prof. Paulo Martins Engel UFRGS Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisAprendizagem a partir de observações. Capítulo 18 (Secções 1-3)
Aprendizagem a partir de observações Capítulo 18 (Secções 1-3) Sumário Agentes aprendizes Aprendizagem indutiva Aprendizagem com árvores de decisão Aprendizagem Aprendizagem é essencial em ambientes desconhecidos
Leia maisAprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
Leia maisMineração de Dados. Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri
Mineração de Dados Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri 1 Motivação Aumento da capacidade de processamento e de armazenamento de dados; Baixo custo; Grande quantidade de dados
Leia maisAula 4 SBD Modelo Entidade Relacionamento Parte 2. Profa. Elaine Faria UFU
Aula 4 SBD Modelo Entidade Relacionamento Parte 2 Profa. Elaine Faria UFU - 2018 Hierarquia de Classe É natural classificar as entidades de um conjunto de entidades em subclasses Ex: Funcionário Horista
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisRECONHECIMENTO DE PADRÕES - RP
RECONHECIMENTO DE PADRÕES - RP Definições Básicas O que é? 2 Ramo do aprendizado de máquina Consiste em atribuir um rótulo (ou classe) para uma certa amostra ou valor de entrada Exemplo: classificação
Leia mais2284-ELE/5, 3316-IE/3
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem Supervisionada 2 Os vários algoritmos de Aprendizagem
Leia maisTeoria da Decisão. Modelagem de Preferência. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Modelagem de Preferência Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisRNA aplicadas. Sistemas que aprendem sobre tendências e regras de negócio
RNA aplicadas Sistemas que aprendem sobre tendências e regras de negócio Agenda: O que é RNA; Onde e quando utilizar; Como aplicar; Exemplo de código; Case; Cuidados e observações. O que é RNA? Redes Neurais
Leia maisTÓPICOS INTRODUÇÃO AO APRENDIZADO DE MÁQUINA INTELIGÊNCIA X APRENDIZADO INTELIGÊNCIA X APRENDIZADO APRENDIZADO DE MÁQUINA (AM) HUEI DIANA LEE
TÓPICOS Introdução INTRODUÇÃO AO APRENDIZADO DE MÁQUINA Paradigmas de de Máquina Estratégias de de Máquina por Indução Dedução x Indução Características HUEI DIANA LEE de Conceitos Sistema de de Máquina
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 maisIntrodução ao Reconhecimento. Prof. Dr. Geraldo Braz Junior
Introdução ao Reconhecimento Prof. Dr. Geraldo Braz Junior O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos Vários 4 Pergunta:
Leia maisForma Normal de Boyce-Codd
Teste de Preservação de Dependências Para verificar se α β é preservada na decomposição R em R 1, R 2,..., R n aplica-se o seguinte teste: res := α enquanto (houver alterações em res) faz para cada R i
Leia mais2 Análise e simulação de redes elétricas lineares
Análise e simulação de redes elétricas lineares 2 Análise e simulação de redes elétricas lineares 2.1 Introdução Neste capítulo será feita uma revisão de conceitos fundamentais de redes elétricas. Também
Leia maisÁRVORES DE DECISÃO PROFA. MARIANA KLEINA
ÁRVORES DE DECISÃO PROFA. MARIANA KLEINA DEFINIÇÃO Uma árvore de decisão é uma ferramenta de suporte à tomada de decisão que usa um gráfico no formato de árvore e demonstra visualmente as condições e as
Leia maisAprendizagem a partir de observações
Aprendizagem a partir de observações Aprendizagem é essencial para ambientes desconhecidos, i.e., quando o projetista não prevê tudo Útil como um método de construção de sistemas i.e., expor o agente à
Leia maisMetodologia Aplicada a Computação.
Metodologia Aplicada a Computação gaudenciothais@gmail.com Pré-processamento de dados Técnicas utilizadas para melhorar a qualidade dos dados; Eliminam ou minimizam os problemas como ruídos, valores incorretos,
Leia maisLógica predicados. Lógica predicados (continuação)
Lógica predicados (continuação) Uma formula está na forma normal conjuntiva (FNC) se é uma conjunção de cláusulas. Qualquer fórmula bem formada pode ser convertida para uma FNC, ou seja, normalizada, seguindo
Leia maisSeleção de Atributos FSS. Relevância de Atributos. Relevância de Atributos. Seleção de Atributos - FSS. FSS como Busca no Espaço de Estados
Seleção FSS Alguns indutores geralmente degradam seu desempenho quando são fornecidos muitos atributos irrelevantes para o conceito a ser aprendido Feature Subset Selection (FSS) é o processo de selecionar
Leia maisInteligência Artificial
UFRGS 2 Inteligência Artificial Técnicas de Mineração de Dados Árvores de Decisão Regras de Associação Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
Leia maisMetodologia de Desenvolvimento de Sistemas Informação
Instituto Superior Politécnico de Ciências e Tecnologia Metodologia de Desenvolvimento de Sistemas Informação Prof Pedro Vunge http://pedrovunge.com I Semestre de 2019 Capítulo 2 TECNOLOGIAS PARA DATA
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Leia maisCiclo de Desenvolvimento de BD
Ciclo de Desenvolvimento de BD Gerenciamento de Dados e Informação Investigação dos Dados Modelagem dos Dados Modelagem Conceitual Fernando Fonseca Ana Carolina Robson Fidalgo Projeto do Banco de Dados
Leia maisEvandro Deliberal Aula 01
Evandro Deliberal evandro@deljoe.com.br https://www.linkedin.com/in/evandrodeliberal http://www.deljoe.com.br/professor Aula 01 Agenda DATA MINING. Data mining Motivações Grande disponibilidade de dados
Leia maisApós essa disciplina você vai ficar convencido que a estatística tem enorme aplicação em diversas áreas.
UNIVERSIDADE FEDERAL DA PARAÍBA ESTATÍSTICA DESCRITIVA Departamento de Estatística Luiz Medeiros CONCEITOS FUNDAMENTAIS DE ESTATÍSTICA O que a Estatística significa para você? Pesquisas eleitorais Taxa
Leia maisSimbolos/Componentes desse diagrama:
DIAGRAMA DE CASO DE USO Simbolos/Componentes desse diagrama: ATORES CASOS DE USO LINHAS: Associações (Associam os casos de usos a outros casos de uso e também a atores) Especialização / Generalização (características
Leia maisCiclo de Desenvolvimento de Sistemas de BD
Banco de Dados Ciclo de Desenvolvimento de Sistemas de BD Investigação dos Dados Modelagem dos Dados Modelagem Conceitual Projeto do Banco de Dados Fernando Fonseca Ana Carolina Implementação do Banco
Leia maisApostila de Modelagem de Banco de Dados
Apostila de Modelagem de Banco de Dados Primeira Edição Volume 2 Modelo Conceitual: Diagrama Entidade e Modelo Lógico Relacional (mapeamento) ormalização de Dados Maria Marli Milan Luqueta Carlos Catini
Leia maisRAD Desenvolvimento de Sistemas de Informação
RAD1604 - Desenvolvimento de Sistemas de Informação Adaptado da aula do Prof. Ildeberto A. Rodello Slides adaptados a partir dos originais. Todos os direitos de WAZLAWICK, 2004. Referência WAZLAWICK, R.
Leia maisBanco de Dados I Generalização/Especialização
Banco de Dados I Frederico Queiroga fredericoqueiroga@gmail.com https://sites.google.com/site/fredericoqueiroga/ Extensões É possível modelar a maioria dos bancos de dados apenas com os conceitos básicos
Leia maisAprendizagem de Máquina - 2. Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aprendizagem de Máquina - 2 Prof. Júlio Cesar Nievola PPGIa - PUCPR Inteligência versus Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha Comportamento
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia mais