DIAGNÓSTICO DE PATOLOGIAS DA COLUNA VERTEBRAL VIA
|
|
- Jerónimo Garrido Salvado
- 8 Há anos
- Visualizações:
Transcrição
1 DIAGNÓSTICO DE PATOLOGIAS DA COLUNA VERTEBRAL VIA PROGRAMAÇÃO GENÉTICA Kauê F. Marcelino Menezes Ajalmar R. Rocha Neto Instituto Federal do Ceará (IFCE) Departamento de Ciência da Computação Maracanaú, Ceará, Brasil Instituto Federal do Ceará (IFCE) Programa de Pós-Graduação em Engenharia de Telecomunicações (PPGET) Programa de Pós-Graduação em Ciência da Computação (PPGCC) Fortaleza, Ceará, Brasil Abstract Genetic Programming is an Evolutionary Computation subarea which aims at generating computer programs,i.e., individuals represented by trees. Each individual is a solution for a certain problem, so that these solutions are found by assessing individuals through a fitness function defined for the target problem. This work aims at applying Genetic Programming for the diagnosis of vertebral column pathologies, as well as performing a comparative study of techniques from artificial neural networks, such as Extreme Learning Machines and Radial Basis Function networks. Besides that, we compare the obtained results to the k-nearest Neighbors algorithm. Generally speaking, the classifier s performance achieved by Genetic Programming was higher than the other ones, and the evolutionary classifier has an interesting characteristic, its ability to perform feature (attributes) selection. We also highlight that, in classifiers obtained by Genetic Programming, the decision process is more explicit than those ones based on neural networks. Keywords Pattern Recognition, Genetic Programming, Vertebral Column Pathologies. Resumo Programação Genética é uma subárea da Computação Evolucionária que visa a geração automática de programas de computador, i.e., indivíduos representados por árvores. Cada indivíduo da população descreve uma solução para um dado problema, de tal maneira que estas soluções são encontradas através da avaliação dos indivíduos por uma função de aptidão definida especificamente para o problema de interesse. Este trabalho tem por objetivo aplicar Programação Genética ao diagnóstico de patologias da coluna vertebral, bem como realizar um estudo comparativo com técnicas oriundas da área de redes neurais artificiais, tais como: Máquinas de Aprendizado Extremo e Redes de Funções de Base Radial. Adicionamente, compara-se os resultados obtidos com o algoritmo KNN. De uma forma geral, os resultados obtidos mostram que o desempenho do classificador obtido via Programação Genética foi superior aos demais classificadores, bem como apresentam uma característica intrínseca bastante interessante que é a capacidade de seleção de atributos. Ressalta-se ainda que, em classificadores obtidos por Programação Genética, o processo de tomada de decisão apresenta-se mais explícito do que os demais classificadores avaliados. Palavras-chave Reconhecimento de Padrões, Programação Genética, Patologias da Coluna Vertebral. 1 Introdução Em reconhecimento de padrões, um padrão x é um vetor p-dimensional que descreve um conjunto de objetos. A tarefa de classificação de padrões visa construir uma função com a propriedade de mapear atributos de entrada em um valor discreto, a saber x R p y {0, 1,..., c}, em que c é o número de categorias. A partir de um conjunto prévio de exemplos, pode-se via um processo de indução obter um classificador de padrões. A construção do classificador, embora possa ser feita servindo-se dos mais variados algoritmos e técnicas, exige um processo de aprendizagem sobre uma coleção prévia de exemplos {x, y} N i=1, denominado conjunto de dados. O uso de Programação Genética (PG) para descobrir regras de classificação compreensíveis é uma área relativamente pouco explorada. Acredita-se que esta seja uma área promissora, devido à eficácia de Programação Genética em problemas com espaço de busca muito grande e à sua habilidade para executar uma busca flexível e abrangente, através do uso coerente de valores dos atributos previsores (Koza, 1992). Além disso, devido a pequena quantidade de aplicações de PG na área da medicina e mais especificamente em diagnósticos de patologias da coluna vertebral, mostrou-se interessante a abordagem do problema de classificação de patologias utilizando Programação Genética (PG). Ressalta-se ainda que além de escassas aplicações em ortopedia médica, a utilização de PG para esse fim é novidade e ainda não foi abordada na literatura. Este trabalho tem por objetivo realizar um estudo comparativo entre classificadores que se baseiam em Programação Genética e técnicas de classificação oriundas da área de redes neurais artificiais, a saber: Máquina de Aprendizado Extremo (Extreme Learning Machine, ELM) e as Redes de Funções de Base Radial (Radius Basis Function Networks, RBF), quando aplicadas para classificar indivíudos entre normais ou com patologias da coluna vertebral, mais especificamente hér-
2 nia de disco e espondilolistese. Adicionalmente, o classificador que se baseia nos K-Vizinhos Mais Próximos (k-nearest Neighbour, KNN) é também avaliado. No tocante à organização deste trabalho, na Seção 2 tem-se a descrição da coluna vertebral e das patologias da coluna vertebral. Na Seção 3 são descritos os conceitos relacionados à Programação Genética. Enquanto na seção seguinte são apresentados os classificadores avaliados neste trabalho. Nas Seções 5 e 6 são apresentadas, respectivamente, a metodologia aplicada e os resultados obtidos e, por fim, as conclusões são apresentadas na Seção 7. 2 Patologias da Coluna Vertebral A coluna vertebral é um sistema composto por um conjunto de vértebras, discos intervertebrais, nervos, músculos, medula e ligamentos. Segundo (Hall and Taranto, 2000), as principais funções da coluna vertebral são as seguintes: (i) eixo de suporte do corpo humano; (ii) protetor ósseo da medula espinhal e das raízes nervosas; e (iii) eixo de movimentação do corpo, possibilitando o movimento nos três planos: frontal, sagital e transversal. Esse complexo sistema está sujeito a disfunções que causam dor nas costas das mais variadas intensidades. Hérnia de disco e espondilolistese são exemplos de patologias da coluna vertebral que causam dores intensas. A hérnia de disco surge como resultado de diversos pequenos traumas na coluna que vão, com o passar do tempo, lesando as estruturas do disco intervertebral, ou pode acontecer como consequência de um trauma severo sobre a coluna. A hérnia de disco surge quando o núcleo do disco intervertebral migra de seu local, no centro do disco, para a periferia, em direção ao canal medular ou em espaços por onde saem as raízes nervosas, levando à compressão das raízes nervosas. Espondilolistese ocorre quando uma das 33 vértebras da coluna vertebral desliza adiante em relação as outras. Esse deslizamento quando verificado ocorre, geralmente, em direção à base da espinha na região lombar, ocasionando dor ou sintomatologia de irritação de raiz nervosa. O mecanismo que ocasiona esse tipo de lesão não é bem conhecido mas existem teorias que sugerem algumas possíveis causas: fratura por fadiga conjugado a um defeito hereditário ou predisposição, fratura ocorrida durante o parto, trauma, deslocamento de uma vértebra sobre a outra secundária à lordose lombar, fraqueza dos ligamentos e estruturas faceais da região envolvida ou má formação das facetas articulares. Atributos Biomecânicos Os atributos biomecânicos, utilizados nesse trabalho, foram propostos por especialistas a partir de estudos desenvolvidos no Laboratório de Biomecânica do Centre Médico-Chirurgical de Réadaptation des Massues, localizado em Lyon, França. Esses especialistas, que compõem o Grupo de Pesquisa Avançada em Ortopedia (Group of Applyed Research in Orthopaedics, GARO), montaram uma base de dados com informações de pacientes saudáveis, escolióticos, com hérnia de disco e com espondilolistese. A base de dados gerada contém dados extraídos de 310 pacientes, a partir de radiografias panorâmicas sagitais em formato de cm. Destes, 100 indivíduos são voluntários do Hospital de Massues que não possuem patologias na coluna. Os dados restantes são obtidos a partir de radiografias de pacientes operados de hérnias de disco (60 indivíduos) ou espondilolistese (150 indivíduos). Um scanner Vidar VXR 8 foi utilizado para digitalizar as radiografias, que foram então processadas por um sistema semi-automatizado de tratamento de imagem, chamado de SagittalSpine. Esse sistema calcula os ângulos da bacia e o traçado linear da coluna a partir dos centros de cabeça do fêmur, da determinação da linha do platô sacral e da determinação dos ápices das curvaturas lordóticas e cifóticas. Cada indivíduo no banco de dados é representado como um vetor de seis atributos biomecânicos, que correspondem aos seguintes parâmetros angulares sagitais do sistema espinopélvico: (1) ângulo de incidência pélvica, (2) ângulo de versão pélvica, (3) ângulo de lordose, (4) declive sacral, (5) distância ou raio pélvico e (6) grau de deslizamento. 3 Programação Genética Programacão Genética (PG) é uma técnica para evoluir programas de computador (indivíduos) a fim de alcançar soluções para problemas complexos. A ideia básica consiste na evolução de uma população de programas candidatos, com o intuito de obter uma solução mais adequada possível para um problema específico. Um programa, indivíduo ou solução é usualmente representado em forma de uma árvore de tal maneira que os nós internos são funções (operadores) e os nós folhas são símbolos terminais (Koza, 1992). Conforme os princípios da seleção natural de Darwin, os indivíduos mais bem adaptados (i.e., aqueles com maior valor de aptidão) têm maiores chances de sobrevivência e por isso se reproduzem e propagam seu material genético para as próximas gerações. Na PG, os indivíduos com maior valor de aptidão têm mais chances de serem selecionados para aplicação dos operadores genéticos básicos de cruzamento e mutação. A operação de cruzamento é realizada pela recombinação de partes de dois programas para fins de formação de outros dois indivíduos para a população subsequente. Esse operador visa criar me-
3 lhores soluções a partir das já existentes, de modo a explorar o espaço de busca de todas as soluções possíveis. O operador de mutação altera partes internas da estrutura do programa para aumentar a diversidade na população. Desse modo, evita a convergência prematura ou o estacionamento em um ponto do espaço de busca em que se encontram programas subótimos. Do ponto de vista das árvores, esse operador realiza trocas entre as subárvores dos programas-pai para gerar programasfilho. Diferentemente do operador de cruzamento, o operador de mutação quando aplicado altera ramos da árvore de um único programa de forma aleatória. 3.1 Funções e Terminais Um programa ou uma árvore é composta de diversos nós do tipo funções (F) e terminais (T), os quais são definidos a partir do domínio da aplicação. São eles que estarão à disposição do processo evolucionário para a construção e formação de estruturas mais complexas. No contexto da PG, são eles que definem a linguagem e o feitio do espaço de busca onde a evolução poderá explorar (Augusto, 2009). O conjunto de funções F é responsável pelo fornecimento de operações que requerem argumentos (operadores). Pode-se citar, como exemplo, operadores matemáticos (+,,,, sin, cos,, log, x y ), lógicos (,, ), relacionais (<, >, =), condicionais (se x então y senão z) e laços iterativos (enquanto x faça y). Por sua vez, o conjunto T contém os operandos que são as variáveis de interesse, tais como: idade, salário e sexo; ou ainda valores constantes, tal como o π; ou mesmo funções que não requerem argumentos, tal como rand(). No contexto de classificação de padrões, as variáveis são os atributos ou componentes que pertencem ao padrão x = [x 1 x 2... x p ] T, em que p representa a quantidade de atributos do padrão. 3.2 Função de Aptidão A função de aptidão (fitness function) é aquela que permite avaliar o quão boa é a solução para o problema de interesse. Em geral, em um problema de maximização, esse tipo de função é modelada para conter valores altos para boas soluções e valores pequenos para soluções ruins. No contexto de classificação de padrões, uma estratégia simples e direta para avaliação da aptidão de uma solução consiste na utilização da taxa de acerto global (acurácia) do classificador (Espejo et al., 2010). Essa taxa se faz interessante pois representa a proporção de exemplos corretamente classificados em relação ao total de padrões do conjunto de dados. 4 Classificadores de Padrões As redes neurais abordadas neste artigo são descritas sucintamente nesta seção. 4.1 Máquinas de Aprendizado Extremo Uma rede ELM é uma rede de uma única camada oculta com alimentação direta que tem seu aprendizado realizado em apenas um sentido, da entrada para a saída (Huang et al., 2004). Algumas características interessantes dessa rede são a velocidade de treinamento e a ausência de parâmetros de treinamento, sendo necessário apenas a definição do número de neurônios. Entretanto, classificadores obtidos dessa rede em geral apresentam custo computacional elevado na etapa de teste em virtude do elevado número de neurônios na camada oculta. A regra geral de aprendizagem dos neurônios de uma ELM é definida por: H β i g(w i x j + b i ) = t j ; j = 1,..., N i=1 em que H é a quantidade de neurônios da camada oculta e N é o número de vetores de treinamento. Os vetores w i = [w i1, w i2,..., w ip ] são os pesos da camada oculta e β i = [β i1, β i2,..., β im ] são os pesos da camada de saída. No treinamento, para cada entrada x j de dimensão p, apresenta-se o valor conhecido t j de dimensão m. Uma função g(.) não-linear e diferenciável é utilizada em cada neurônio da camada oculta. 4.2 RBF A estrutura básica de uma rede RBF consiste de (i) uma camada de conexão do modelo com o meio, de (ii) uma camada escondida que realiza uma transformação não-linear do espaço vetorial de entrada para um espaço vetorial interno que geralmente tem uma dimensão maior, bem como de (iii) uma camada de saída que visa estimar a saída de interesse, normalmente, via neurônios lineares. Os neurônios da camada escondida são funções de base radial (Fernandes et al., 1999). As funções radiais de base produzem uma resposta significativa, diferente de zero, somente quando o padrão de entrada está dentro de uma região pequena localizada no espaço de entrada. Cada função requer um centro e um parâmetro escalar. A função que é mais utilizada como função de base radial é a gaussiana, a saber: ( ϕ(x, w i ) = exp 1 ) 2σ 2 x w i 2, (1) em que σ é o raio da gaussiana (spread), de tal maneira que quanto maior o valor de σ maior é a região de influência do neurônio representado pelo vetor w i.
4 4.3 K-Vizinhos mais Próximos A ideia do algoritmo dos k-vizinhos mais Próximos (KNN) consiste em atribuir para um dado padrão x a classe mais representada nos k vizinhos mais próximos ou k pontos mais próximos (da Silva, 2005). Em outras palavras, para classificar x procuram-se os k padrões mais próximos pertencentes ao conjunto de treinamento. A classe mais frequente observada é atribuída a x. Este algoritmo baseia-se numa métrica ou função de distância entre dois padrões, quando k = 1, dada por min{d(x x i )} min{d(x, x j )}, i j, (2) i j de tal maneira que j {1, 2,..., N} {i} e 5.1 Base de dados d(x, x j ) = x w i (3) = x T x j, (4) 5 Metodologia A base de dados da Coluna Vertebral utilizada neste trabalho foi disponibilizada por um dos autores deste artigo no repositório UCI Machine Learning (Asuncion and Newman, 2007). Nesse repositório há duas versões dessa base. A primeira é uma versão multiclasse, com 3 possíveis saídas (hérnia de disco, espondilolistese e normal); enquanto a segunda versão é binária, com informações de pacientes normais ou patológicos. A versão binária dessa base de dados foi utilizada para obtenção dos resultados apresentados neste trabalho. 5.2 Parâmetros de execução A implementação da proposta utilizou o algoritmo PG padrão baseado em árvores disponível na toolbox para MATLAB denominada Gplab, version 3 (Silva, 2009). Uma configuração padrão da PG foi estabelecida para os experimentos, e apresenta-se na Tabela 1. Parâmetro Valor Inicialização Ramped Half-and-Half Seleção Lexictour Elitismo Keepbest População 500 Gerações 50 Prob. cruzamento e mutação 90%, 10% Conjunto de operadores + e Conjunto de terminais atributos do conjunto de dados Tabela 1: Parâmetros de execução da PG. 5.3 Função fitness Como dito, a função de aptidão utilizada no presente trabalho se baseia na taxa de acerto dada por (V P + V N) F = (5) (P + N) em que VP (verdadeiro positivo) é o número de exemplos corretamente classificados no conjunto de P exemplos positivos e VN (verdadeiro negativo) representa o número de exemplos corretamente classificados no conjunto de N exemplos negativos. 5.4 Validação cruzada (cross-validation) A base de dados da coluna vertebral foi separada em dois conjuntos disjuntos, o primeiro para fins de treinamento com 80% dos padrões e os 20% restantes para teste. Em seguida, os dados de treinamento foram divididos em 10 subconjuntos (folds), de tal maneira que o algoritmo evolutivo usa para cada grupo de 5 gerações (de um total de 50) um dos 10 subconjuntos (folds). Ou seja, todo o conjunto de treinamento é utilizado no processo evolutivo, mas apenas um fold por vez é usado para avaliação de aptidão em uma dada geração. Essa abordagem foi utilizada, uma vez que o uso direto e intuitivo do conjunto de treinamento como um todo para avaliação da função de aptidão levava a classificadores demasiadamente ajustados e com baixa capacidade de generalização. Assim, ressalta-se que o intuito da validação cruzada na programação genética não é a escolha de algum parâmetro de execução como ocorre para outros classificadores, mas para evitar o processo de sobreajuste (overfitting). Entretanto, para as redes neurais KNN, ELM e RBF, a validação cruzada é utilizada para a escolha dos parâmetros livres, sendo realizada da seguinte maneira: Cada variação dos parâmetros livres é executada com todas as disposições dos 10 folds gerados, calculando-se a taxa de acerto para cada uma. Em seguida, tira-se a média dos resultados obtidos em cada variação. De posse de todas as médias, é escolhida a variação dos parâmetros livres que obteve o melhor desempenho nos 10 folds gerados. Por fim, com a melhor variação em mãos, treina-se o classificador com todos os padrões de treinamento e, posteriormente, analisa-se seu desempenho com relação ao conjunto de teste. A descrição das variações dos parâmetros livres e as funções de ativação para cada método são apresentadas a seguir:
5 K-NN: O número de vizinhos começa em 1, e vai crescendo de 2 em 2 até 80% da quantidade de dados de treinamento. ELM: O número de neurônios da camada oculta começa em 10, e vai crescendo de 5 em 5 até 80% da quantidade de dados de treinamento. Como função de ativação, é utilizada a tangente hiperbólica. RBF: A variação dos neurônios da camada oculta com funções gaussianas se comporta da mesma maneira que o da rede ELM. Já o valor do parâmetro σ é fixado em 0, Análise de limiar Além do processo de otimização dos parâmetros descritos anteriormente, buscou-se também avaliar outros valores (além do limiar padrão 0.0) para o limiar de classificação com o intuito de aumentar o desempenho de classificação. A escolha deste se deu empiricamente através da observação do desempenho de um intervalo de valores representados na curva ROC (Receiver Operating Characteristic). O valores avaliados variaram no intervalo [ 0, 5, 0, 5] com incrementos de 0, 05. Após a execução de cada um, era calculado a e a sensibilidade = especif icidade = V P V P + F N (6) V N V N + F P, (7) em que FP significa Falso Positivo (a quantidade de valores pertencentes a classe negativa que foram classificados como sendo da classe positiva) e FN significa Falso Negativo (a quantidade os valores pertencentes a classe positiva que foram classificados como sendo da classe negativa). A sensibilidade e a especificidade são as variáveis que compõem, respectivamente, os eixos y e x 1 de uma curva ROC. Um classificador ideal é aquele que possui a especificidade = sensibilidade = 1, ou seja, o ponto que o representa na curva ROC é (0, 1). Sabendo disso, e após várias execuções, constatou-se que o limiar que, na maioria das vezes, mais se aproximava desse ponto era o de valor -0,15. Com isso, o algoritmo da programação genética foi executado utilizando esse novo limiar, e obteve uma melhora significativa na sua taxa de acerto. O mesmo não aconteceu para os outros algoritmos abordados nesse trabalho, como será visto mais à frente. 1 Mais especificamente, o valor do eixo x é: 1 - especificidade. 6 Resultados Na Tabela 2, observa-se o desempenho obtido pelos classificadores quando aplicados ao problema da coluna vertebral, usando o limiar padrão (0, 0). Para esse limiar, destacam-se os algoritmos ELM e RBF, que obtiveram mais de 87% para acurácia, contra apenas 85,65% do K-NN e 85,48% da Programação Genética. Tabela 2: Taxa média de acerto e desvio padrão para o limiar 0. Média Desvio Padrão PG 85, 48 0, 0323 ELM 87, 10 0, 0215 RBF 87, 26 0, 0257 K-NN 85, 65 0, 0215 Entretanto para o limiar 0, 15, como pode ser observado na Tabela 3, o destaque vai para a Programação Genética, que obteve uma melhora considerável em relação ao seu desempenho com o limiar padrão, conseguindo mais de 88% de taxa média de acerto. Tabela 3: Taxa média de acerto e desvio padrão para o limiar -0,15. Média Desvio Padrão PG 88, 23 0, 0241 ELM 87, 10 0, 0527 RBF 87, 26 0, 0257 K-NN 85, 65 0, 0215 Um ponto importante a ser observado é a pouca influência do novo limiar no desempenho do ELM e do RBF. Ambos obtiveram valores de acurácia similares para ambos os limiares. Pode-se então concluir que provavelmente uma estratégia para aumento do desempenho destes na tarefa de classificação de patologias da coluna não se dará pela análise de novos valores de limiares. Os resultados dos experimentos foram alternativamente apresentados via gráficos de caixa (boxplots). Veja as Figuras 1 e 2. É possível observar que dentre os algoritmos analisados, o único a possuir um valor discrepante em seus resultados após as 10 execuções foi o KNN. 6.1 Árvores de Classificação As Figuras 3 e 4 apresentam exemplos de árvores de classificadores obtidos no melhor desempenho do algoritmo evolutivo com os limiares 0 e -0,15, respectivamente. Essas árvores se destacaram perante as demais, não só pela taxa de acerto que obtiveram na fase de testes, 90,32% e 91,94%, mas também por sua simplicidade em profundidade e número de nós. A primeira possuindo 6 níveis e 13 nós, e a segunda possuindo 4 níveis e 15 nós.
6 Taxa de acerto (%) PG ELM RBF K NN Algoritmos Figura 1: Taxa média de acerto para o limiar 0. Taxa de acerto (%) PG ELM RBF K NN Algoritmos Figura 2: Taxa média de acerto para o limiar - 0,15. X1 Figura 3: Árvore de Classificação (limiar 0,0). X2 Figura 4: Árvore de Classificação (limiar -0,15). Outro ponto importante nessas árvores é a quantidade de atributos utilizados em cada uma para a tarefa de classificação: 4 atributos de um total de 6. Logo, pode-se ressaltar que além da qualidade em nível de desempenho ainda pode-se utilizar o classificador evolutivo para fazer seleção de atributos. 7 Conclusão De uma forma geral, as árvores de classificação obtidas via Programação Genética alcançaram desempenho superior aos demais classificadores quando se considera a otimização de limiar. Outro ponto de bastante interesse é a capacidade de seleção de atributos intrínseca à técnica de Programação Genética que se mostrou bastante benéfica para o problema da coluna vertebral. Pode-se ressaltar ainda a capacidade de explanar, de uma maneira mais simples, o processo de tomada de decisão nesse tipo de classificador através de operações simples de soma e subtração entre atributos. Referências Asuncion, A. and Newman, D. (2007). UCI machine learning repository. Augusto, D. A. (2009). Programação Genética Multi-populacional e Co-evolucionária para Classificação de Dados, PhD thesis, Universidade Federal do Rio de Janeiro. da Silva, L. M. O. (2005). Uma Aplicação de Árvores de Decisão, Redes Neurais e KNN para Identificação de Modelos ARMA não- Sazonais e Sazonais, PhD thesis, PUC-RIO. Espejo, P. G., Ventura, S. and Herrera, F. (2010). A survey on the application of genetic programming to classification, Systems, Man, and Cybernetics, IEEE Transactions on 40(2): Fernandes, M. A., Neto, A. D. and Bezerra, J. B. (1999). Aplicação das redes rbf na deteção inteligente de sinais digitais, Proceedings of the IV Brazilian Conference on Neural Networks, pp Hall, S. J. and Taranto, G. (2000). Biomecânica básica, Guanabara Koogan. Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. (2004). Extreme learning machine: A new learning scheme of feedforward neural networks, Neural Networks, Proceedings IEEE International Joint Conference on, Vol. 2, IEEE, pp Koza, J. R. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection, Vol. 1, MIT press. Silva, S. (2009). Gplab a genetic programming toolbox for matlab, University of Coimbra.
Projeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisAplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral
Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Hedenir M. Pinheiro Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal 131 74001-970 Goiânia
Leia maisAula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia maisCurva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Curva ROC George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Introdução ROC (Receiver Operating Characteristics) Curva ROC é uma técnica para a visualização e a seleção de classificadores baseado
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisAlgoritmos Genéticos
UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia mais5 Extraindo listas de produtos em sites de comércio eletrônico
5 Extraindo listas de produtos em sites de comércio eletrônico Existem diversos trabalhos direcionadas à detecção de listas e tabelas na literatura como (Liu et. al., 2003, Tengli et. al., 2004, Krüpl
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisApós essa disciplina você vai ficar convencido que a estatística tem enorme aplicação em diversas áreas.
UNIVERSIDADE FEDERAL DA PARAÍBA INTRODUÇÃO Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ CONCEITOS FUNDAMENTAIS DE ESTATÍSTICA O que a Estatística significa para você? Pesquisas
Leia maisAMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO BACHARELADO AMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS Orientando: Oliver Mário
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisResultados Experimentais
Capítulo 6 Resultados Experimentais Este capítulo é dedicado às avaliações experimentais do sistema CBIR. Os experimentos aqui realizados têm três objetivos principais: comparar os nossos resultados com
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisAlgoritmos Genéticos (GA s)
Algoritmos Genéticos (GA s) 1 Algoritmos Genéticos (GA s) Dado um processo ou método de codificar soluções de um problema na forma de cromossomas e dada uma função de desempenho que nos dá um valor de
Leia maisALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA
136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisAs fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia mais17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3.
Definição de Data Mining (DM) Mineração de Dados (Data Mining) Doutorado em Engenharia de Produção Michel J. Anzanello Processo de explorar grandes quantidades de dados à procura de padrões consistentes
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisEngenharia de Software. Parte I. Introdução. Metodologias para o Desenvolvimento de Sistemas DAS 5312 1
Engenharia de Software Parte I Introdução Metodologias para o Desenvolvimento de Sistemas DAS 5312 1 Mitos do Desenvolvimento de Software A declaração de objetivos é suficiente para se construir um software.
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisSUMÁRIO. Introdução... 3
SUMÁRIO Introdução..................................... 3 1 Consultas por Similaridade e Espaços métricos............. 5 1.1 Consultas por abrangência e consultas aos k-vizinhos mais próximos... 5 1.2
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Introdução. Prof. Humberto Brandão humberto@dcc.ufmg.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Introdução Prof. Humberto Brandão humberto@dcc.ufmg.br aula disponível no site: http://www.bcc.unifal-mg.edu.br/~humberto/ Universidade Federal de
Leia maisAnálise e visualização de dados utilizando redes neurais artificiais auto-organizáveis
Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia mais3 Classificação. 3.1. Resumo do algoritmo proposto
3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.
Leia maisEstudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada
Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos
Leia maisPESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *
PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisTécnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos 14
1 Introdução O termo "roteamento de veículos" está relacionado a um grande conjunto de problemas de fundamental importância para a área de logística de transportes, em especial no que diz respeito ao uso
Leia maisFUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO
FUNDAÇÃO DE APOIO AO ENINO TÉCNICO DO ETADO DO RIO DE JANEIRO PLANO DE CURO 1. Identificação Curso de Extensão: INTRODUÇÃO AO ITEMA INTELIGENTE Professor Regente: José Carlos Tavares da ilva Carga Horária:
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisSó Matemática O seu portal matemático http://www.somatematica.com.br FUNÇÕES
FUNÇÕES O conceito de função é um dos mais importantes em toda a matemática. O conceito básico de função é o seguinte: toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça
Leia maisOrganização e Arquitetura de Computadores I
Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisExtração de Requisitos
Extração de Requisitos Extração de requisitos é o processo de transformação das idéias que estão na mente dos usuários (a entrada) em um documento formal (saída). Pode se entender também como o processo
Leia maisUMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS
UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa
Leia maisRoteiro. Arquitetura. Tipos de Arquitetura. Questionário. Centralizado Descentralizado Hibrido
Arquitetura Roteiro Arquitetura Tipos de Arquitetura Centralizado Descentralizado Hibrido Questionário 2 Arquitetura Figura 1: Planta baixa de uma casa 3 Arquitetura Engenharia de Software A arquitetura
Leia maisClassificação de Patologias da Coluna Vertebral Usando Redes Neurais Artificiais
Classificação de Patologias da Coluna Vertebral Usando Redes Neurais Artificiais Ajalmar R. Neto 1, Guilherme A. Barreto 2, Paulo C. Cortez 3, Henrique da Mota 4 1,2,3 Depto. Engenharia de Teleinformática,
Leia maisTÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA
TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS
Leia maisCOMITÊS DE CLASSIFICADORES PARA DIAGNÓSTICO AUTOMÁTICO DE PATOLOGIAS DA COLUNA VERTEBRAL: UM ESTUDO COMPARATIVO
COMITÊS DE CLASSIFICADORES PARA DIAGNÓSTICO AUTOMÁTICO DE PATOLOGIAS DA COLUNA VERTEBRAL: UM ESTUDO COMPARATIVO Ajalmar R. Neto Guilherme A. Barreto Depto. Engenharia de Teleinformática, Universidade Federal
Leia maisRelatório da Aula Prática sobre Redes Neurais Artificiais
Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.
Leia maisQFD: Quality Function Deployment QFD: CASA DA QUALIDADE - PASSO A PASSO
QFD: CASA DA QUALIDADE - PASSO A PASSO 1 - INTRODUÇÃO Segundo Akao (1990), QFD é a conversão dos requisitos do consumidor em características de qualidade do produto e o desenvolvimento da qualidade de
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia maisAutomatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial
Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial André Ricardo Gonçalves; Maria Angélica de Oliveira Camargo Brunetto Laboratório Protem Departamento
Leia maisQual é o risco real do Private Equity?
Opinião Qual é o risco real do Private Equity? POR IVAN HERGER, PH.D.* O debate nos mercados financeiros vem sendo dominado pela crise de crédito e alta volatilidade nos mercados acionários. Embora as
Leia maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maistipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.
1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo
Leia maisOtimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha
Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Amarildo de Vicente Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste
Leia maisREDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL
REDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL Luiz Rodrigo Carvalho de Souza (1) RESUMO O alto nível de competitividade exige que as empresas alcancem um nível de excelência na gestão de seus
Leia maisENGENHARIA DE SOFTWARE I
ENGENHARIA DE SOFTWARE I Prof. Cássio Huggentobler de Costa [cassio.costa@ulbra.br] Twitter: www.twitter.com/cassiocosta_ Agenda da Aula (002) Metodologias de Desenvolvimento de Softwares Métodos Ágeis
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisParadigmas da IA. Eixos centrais (das diferenças)
Paradigmas da IA Paradigmas da IA Simbólico: metáfora lingüística/lógica Sistemas de produção Conexionista: metáfora cérebro Redes neurais Evolucionista: metáfora teoria da evolução natural Algoritmos
Leia maiscomputador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisOtimização de Recuperação de Informação usando Algoritmos Genéticos
Otimização de Recuperação de Informação usando Algoritmos Genéticos Neide de Oliveira Gomes, M. Sc., nog@inpi.gov.br Prof. Marco Aurélio C. Pacheco, PhD Programa de Doutorado na área de Métodos de Apoio
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia mais5 Resultados. 5.1. Avaliação Baseada na Taxa de Igual Erro
5 Resultados Neste capitulo discutem-se os resultados obtidos no desenvolvimento desta pesquisa segundo a metodologia descrita no capitulo anterior. A avaliação de acurácia para tarefas de verificação
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisREFORÇO DE PROGRAMAÇÃO ESTRUTURADA EM LINGUAGEM C PARA GRADUAÇÃO EM ENGENHARIA ELÉTRICA
REFORÇO DE PROGRAMAÇÃO ESTRUTURADA EM LINGUAGEM C PARA GRADUAÇÃO EM ENGENHARIA ELÉTRICA Andréa Willa Rodrigues Villarim (Voluntário) Marcelo Pereira Rufino (Bolsista) Larissa Aguiar (Bolsista) Nady Rocha
Leia maisNovell. Novell Teaming 1.0. novdocx (pt-br) 6 April 2007 EXPLORAR O PORTLET BEM-VINDO DESCUBRA SEU CAMINHO USANDO O NOVELL TEAMING NAVIGATOR
Novell Teaming - Guia de início rápido Novell Teaming 1.0 Julho de 2007 INTRODUÇÃO RÁPIDA www.novell.com Novell Teaming O termo Novell Teaming neste documento se aplica a todas as versões do Novell Teaming,
Leia mais29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica
Mapeamento não-linear Radiologia Digital Unidade de Aprendizagem Radiológica Princípios Físicos da Imagem Digital 1 Professor Paulo Christakis 1 2 Sistema CAD Diagnóstico auxiliado por computador ( computer-aided
Leia maisExtração de Árvores de Decisão com a Ferramenta de Data Mining Weka
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de
Leia maisTabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008
Tabela de Símbolos Análise Semântica A Tabela de Símbolos Fabiano Baldo Após a árvore de derivação, a tabela de símbolos é o principal atributo herdado em um compilador. É possível, mas não necessário,
Leia maisRESUMO 2 - FÍSICA III
RESUMO 2 - FÍSICA III CAMPO ELÉTRICO Assim como a Terra tem um campo gravitacional, uma carga Q também tem um campo que pode influenciar as cargas de prova q nele colocadas. E usando esta analogia, podemos
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia mais11 de maio de 2011. Análise do uso dos Resultados _ Proposta Técnica
11 de maio de 2011 Análise do uso dos Resultados _ Proposta Técnica 1 ANÁLISE DOS RESULTADOS DO SPAECE-ALFA E DAS AVALIAÇÕES DO PRÊMIO ESCOLA NOTA DEZ _ 2ª Etapa 1. INTRODUÇÃO Em 1990, o Sistema de Avaliação
Leia maisPós-Graduação em Engenharia Elétrica Inteligência Artificial
Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms
Leia maisGARANTIA DA QUALIDADE DE SOFTWARE
GARANTIA DA QUALIDADE DE SOFTWARE Fonte: http://www.testexpert.com.br/?q=node/669 1 GARANTIA DA QUALIDADE DE SOFTWARE Segundo a NBR ISO 9000:2005, qualidade é o grau no qual um conjunto de características
Leia maisProcessos Técnicos - Aulas 4 e 5
Processos Técnicos - Aulas 4 e 5 Trabalho / PEM Tema: Frameworks Públicos Grupo: equipe do TCC Entrega: versão digital, 1ª semana de Abril (de 31/03 a 04/04), no e-mail do professor (rodrigues.yuri@yahoo.com.br)
Leia mais1 http://www.google.com
1 Introdução A computação em grade se caracteriza pelo uso de recursos computacionais distribuídos em várias redes. Os diversos nós contribuem com capacidade de processamento, armazenamento de dados ou
Leia maisRECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP
RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP Caio Augusto de Queiroz Souza caioaugusto@msn.com Éric Fleming Bonilha eric@digifort.com.br Gilson Torres Dias gilson@maempec.com.br Luciano
Leia maisA Otimização Colônia de Formigas
A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia maisParalelização do algoritmo SPRINT usando MyGrid
Paralelização do algoritmo SPRINT usando MyGrid Juliana Carvalho, Ricardo Rebouças e Vasco Furtado Universidade de Fortaleza UNIFOR juliana@edu.unifor.br ricardo@sspds.ce.gov.br vasco@unifor.br 1. Introdução
Leia mais5 SIMULAÇÃO DE UM SISTEMA WDM DE DOIS CANAIS COM O SOFTWARE VPI
68 5 SIMULAÇÃO DE UM SISTEMA WDM DE DOIS CANAIS COM O SOFTWARE VPI O software VPI foi originalmente introduzido em 1998 e era conhecido como PDA (Photonic Design Automation). O VPI atualmente agrega os
Leia maisPRIMAVERA RISK ANALYSIS
PRIMAVERA RISK ANALYSIS PRINCIPAIS RECURSOS Guia de análise de risco Verificação de programação Risco rápido em modelo Assistente de registro de riscos Registro de riscos Análise de riscos PRINCIPAIS BENEFÍCIOS
Leia maisPossui como idéia central a divisão de um universo de dados a ser organizado em subconjuntos mais gerenciáveis.
3. Tabelas de Hash As tabelas de hash são um tipo de estruturação para o armazenamento de informação, de uma forma extremamente simples, fácil de se implementar e intuitiva de se organizar grandes quantidades
Leia maisPesquisa Sequencial e Binária. Introdução à Programação SI2
Pesquisa Sequencial e Binária Introdução à Programação SI2 3 Contexto Diferentes estratégias para pesquisa (busca) de um elemento específico em um conjunto de dados. Lista, array, coleção Operação importante,
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisClassificação: Determinístico
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos
Leia mais