Aprendizagem de Máquina
|
|
- Luiza Van Der Vinne Garrido
- 5 Há anos
- Visualizações:
Transcrição
1 Plano de Aula Aprendizagem de Máquina Aula 1 Alessandro L. Koerich Introdução Mestrado em Informática Aplicada Pontifícia Universidade Católica do Paraná (PUCPR) Introdução à Aprendizagem de Máquina Por que a Aprendizagem Computacional é Difícil? Problemas de Aprendizagem Projetando um Sistema de Aprendizagem de Máquina Exemplos Tipos de Aprendizagem Tarefa Aplicações Mestrado em Informática Aplicada Aprendizagem de Máquina 2 Introdução Desde que os computadores foram inventados temos nos perguntado se eles seriam capazes de aprender Se pudéssemos entender como programá-los para aprender para se aperfeiçoar automaticamente com experiência o impacto seria surpreendente. Mestrado em Informática Aplicada Aprendizagem de Máquina 3 Mestrado em Informática Aplicada Aprendizagem de Máquina 4
2 Introdução O que é Aprendizagem de Máquina? Infelizmente ainda não sabemos como fazer computadores aprender de uma maneira similar a como as pessoas aprendem. Entretanto, foram inventados algoritmos que são eficientes em certos tipos de tarefas de aprendizado e um entendimento teórico de aprendizagem está começando a surgir. Mestrado em Informática Aplicada Aprendizagem de Máquina 5 Mestrado em Informática Aplicada Aprendizagem de Máquina 6 O que é Aprendizagem de Máquina? Por que a Aprendizagem é Difícil? Aprendizagem é uma propriedade humana essencial Aprender significa mudar para fazer melhor (de acordo com um dado critério) quando uma situação similar acontecer Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Aprendizagem, não é memorizar. Qualquer computador pode memorizar, a dificuldade é em generalizar um comportamento para uma nova situação. Como devemos traçar a relação? Mestrado em Informática Aplicada Aprendizagem de Máquina 7 Mestrado em Informática Aplicada Aprendizagem de Máquina 8
3 Por que a Aprendizagem é Difícil? Por que a Aprendizagem é Difícil? Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Qual das relações seria a mais apropriada?... os pontos de teste ocultos... Mestrado em Informática Aplicada Aprendizagem de Máquina 9 Mestrado em Informática Aplicada Aprendizagem de Máquina 10 Introdução Problemas Bem Definidos Um programa de computador aprende a partir de uma experiência E com respeito a alguma classe de tarefas T e medida de performance P, SE sua performance nas tarefas em T, medida por P, MELHORA com a experiência E. Em geral, para termos problemas de aprendizagem bem definidos, devemos identificar três características: A classe das tarefas; A medida de performance a ser melhorada; A fonte de experiência (conhecimento). Mestrado em Informática Aplicada Aprendizagem de Máquina 11 Mestrado em Informática Aplicada Aprendizagem de Máquina 12
4 Problemas Bem Definidos Problemas Bem Definidos Exemplo: Aprender a jogar damas Exemplo: Aprender a jogar damas Tarefa T: Jogar damas Medida de performance P: Percentagem de jogos ganhos contra oponentes Experiência de treinamento E jogando contra si mesmo. Mestrado em Informática Aplicada Aprendizagem de Máquina 13 Mestrado em Informática Aplicada Aprendizagem de Máquina 14 Problemas Bem Definidos Problemas Bem Definidos Exemplo: Aprender a reconhecer manuscritos Exemplo: Aprender a reconhecer manuscritos Tarefa T: Reconhecer/classificar palavras manuscritas presentes em imagens Medida de performance P: Percentagem de palavras classificadas corretamente Experiência de treinamento E: Base de dados com palavras manuscritas e respectivas etiquetas (classes a que elas pertencem). Roubaix Cedex HALLUIN CEDEX Chiré em Montreuil Roubaix Cedex Mestrado em Informática Aplicada Aprendizagem de Máquina 15 Mestrado em Informática Aplicada Aprendizagem de Máquina 16
5 Problemas Bem Definidos Problemas Bem Definidos Exemplo: Aprender a reconhecer manuscritos Exemplo: Aprendizagem de um robô motorista Tarefa T: Dirigir em uma via pública de 3 pistas usando sensores de visão Medida de performance P: Distância média percorrida antes de cometer um erro (julgado por observador humano) Experiência de treinamento E: Seqüência de imagens e comandos de direção gravados a partir da observação de um motorista humano. Mestrado em Informática Aplicada Aprendizagem de Máquina 17 Mestrado em Informática Aplicada Aprendizagem de Máquina 18 Projetando um Sistema de Aprendizagem Projetando um Sistema de Aprendizagem Projetar um programa para aprender a jogar damas. Medida de performance: percentagem de jogos ganhos Etapas básicas de projeto: Escolha da experiência de treinamento Escolha da função objetiva Escolha de uma representação para a função objetiva Escolha de um algoritmo para a função de aproximação Mestrado em Informática Aplicada Aprendizagem de Máquina 19 Mestrado em Informática Aplicada Aprendizagem de Máquina 20
6 Experiência de Treinamento Experiência de Treinamento Escolher o tipo de experiência de treinamento a partir da qual o sistema aprenderá Experiência direta ou indireta? O grau de controle sobre a seqüência de exemplos de treinamento; com ou sem instrutor? A experiência de treinamento representa a distribuição de exemplos sobre os quais a performance final (P ) do sistema deve ser medida. Atenção: A teoria de aprendizagem de máquina recai sobre a hipótese de que a distribuição dos exemplos de treinamento é idêntica a distribuição dos exemplos de teste. Apesar da necessidade de considerarmos esta hipótese para obter resultados teóricos, é importante ter em mente que esta suposição é quase sempre violada na prática. Mestrado em Informática Aplicada Aprendizagem de Máquina 21 Mestrado em Informática Aplicada Aprendizagem de Máquina 22 Experiência de Treinamento Função Objetiva O problema de aprendizagem de damas: Tarefa T : jogando damas Medida de performance P : percentagem de jogos ganhos Experiência de treinamento E : partidas jogadas contra si mesmo Para completarmos o projeto do sistema de aprendizagem, devemos agora escolher: 1. O tipo exato de conhecimento a ser aprendido 2. Uma representação para este conhecimento alvo 3. Um mecanismo de aprendizagem Que tipo de conhecimento será aprendido e como ele será utilizado em um programa? O programa necessita aprender apenas como escolher o melhor movimento dentre os movimentos possíveis. Este problema é representativo de um grande número de tarefas para as quais a melhor estratégia de busca não é conhecida. Muitos problemas de otimização são desta categoria. Mestrado em Informática Aplicada Aprendizagem de Máquina 23 Mestrado em Informática Aplicada Aprendizagem de Máquina 24
7 Função Objetiva Função Objetiva Aprender: Escolher o melhor movimento para qualquer estado do tabuleiro. Porém, é difícil de aprender a função ChooseMove a partir da experiência de treinamento disponível. Função: ChooseMove ChooseMove : B M Função alternativa: uma função V que atribui um valor numérico para qualquer estado do tabuleiro. A função aceita como entrada qualquer estado do conjunto de estados possíveis do tabuleiro B e produz como saída algum movimento do conjunto de movimento possíveis M. Como é possível reduzir o problema de melhorar a performance P da tarefa T, para o problema de aprender uma função objetiva tal como ChooseMove. V : B R indica que V mapeia qualquer estado legal do tabuleiro do conjunto B para algum valor real. Usamos esta função V para atribuir valores maiores para os melhores estados do tabuleiro. Mestrado em Informática Aplicada Aprendizagem de Máquina 25 Mestrado em Informática Aplicada Aprendizagem de Máquina 26 Função Objetiva Função Objetiva Uma das possíveis definições para a função V (b), onde b é um estado arbitrário do tabuleiro em B: Se b é um estado final que é vitorioso, então V (b) = 100 Se b é um estado final que é perdedor, então V (b) = 100 Se b é um estado final que é empate, então V (b) = 0 Se b não é um estado final no jogo, então, V (b) = V (b ) onde b é o melhor estado final que pode ser atingido começando em b e jogando otimamente até o final do jogo. Esta definição especifica um valor de V (b ) para cada estado do tabuleiro (b ), entretanto, esta definição não é operacional Precisamos de uma descrição operacional de V que possa ser usada pelo programa para avaliar estados e selecionar movimentos dentro de um tempo realístico. Tarefa de Aprendizagem: descobrir uma descrição operacional da função objetiva ideal V Algoritmos de aprendizagem Aproximação da função objetiva (V ) Aproximação da função Mestrado em Informática Aplicada Aprendizagem de Máquina 27 Mestrado em Informática Aplicada Aprendizagem de Máquina 28
8 Representação para Função Objetiva Representação para Função Objetiva Depois de especificar V, devemos escolher a representação que o programa de aprendizagem usará para descrever a função V que ele aprenderá. Temos muitas opções... Coleção de regras? Redes neurais? Funções polinomiais? etc... Em geral temos um compromisso crucial: representação mais expressiva mais dados para treinamento Escolha: a função V será calculada como uma combinação linear das seguintes características do tabuleiro: bp (b): número de peças pretas no tabuleiro b rp (b): número de peças vermelhas sobre b bk (b): número de reis pretos sobre b rk (b): número de reis vermelhos sobre b bt (b): número de peças vermelhas ameaçadas pelas pretas (i.e., que podem ser tiradas na vez do preto) rt (b): número de peças pretas ameaçadas pelas vermelhas. Mestrado em Informática Aplicada Aprendizagem de Máquina 29 Mestrado em Informática Aplicada Aprendizagem de Máquina 30 Representação para Função Objetiva Projeto Parcial Então, a aprendizagem irá representar V (b ) como uma função linear da forma: V (b) = w 0 + w 1 bp (b ) + w 2 rp (b ) + w 3 bk (b ) + w 4 rk (b ) + w 5 bt (b ) + w 6 rt (b ) onde w 0 a w 6 são coeficientes numéricos, ou pesos, a serem escolhidos pelo algoritmo de aprendizagem. Os valores aprendidos para os pesos w 1 a w 6 determinarão a importância relativa das várias características do tabuleiro. Tarefa T : jogar damas Medida de Performance P : percentagem de partidas ganhas Experiência de Treinamento E : partidas jogadas contra si mesmo Função Objetivo: V : B R Representação da Função Objetiva: V (b) = w 0 + w 1 bp (b ) + w 2 rp (b ) + w 3 bk (b ) + w 4 rk (b ) + w 5 bt (b ) + w 6 rt (b ) Mestrado em Informática Aplicada Aprendizagem de Máquina 31 Mestrado em Informática Aplicada Aprendizagem de Máquina 32
9 Projeto Parcial Algoritmo de Aproximação O itens anteriores correspondem a especificação da tarefa de aprendizagem; Os dois itens finais são escolhas do projeto para a implementação da aprendizagem. Em resumo, o conjunto de escolhas do projeto: Problema de aprender uma estratégia Problema de aprender os valores dos coeficientes da representação da função objetiva. Para aprender a função objetiva V necessitamos de um conjunto de exemplos de treinamento, cada um descrevendo um estado b específico do tabuleiro e o valor de treinamento V train (b ) para b. Cada exemplo de treinamento é um par ordenado na forma <b, V train (b ) > Mestrado em Informática Aplicada Aprendizagem de Máquina 33 Mestrado em Informática Aplicada Aprendizagem de Máquina 34 Algoritmo de Aproximação Algoritmo de Aproximação A única informação disponível é se a partida foi eventualmente ganha ou perdida. Necessitamos de exemplos de treinamento que atribuam valores específicos para estados específicos do tabuleiro. É fácil atribuir valores para os estados do tabuleiro que correspondem ao final do jogo. É menos óbvio atribuir valores de treinamento para os numerosos estados intermediários que ocorrem antes do jogo acabar. Uma solução simples: atribuir o valor de treinamento de V train (b ) para qualquer estado intermediário b do tabuleiro ser V (Sucessor (b )), onde V é a aproximação atual de V e V (Sucessor (b )) indica o próximo estado seguindo b para o qual é novamente a vez do programa mover. Regra para estimar valores de treinamento: V train (b ) V (Sucessor (b )) Mestrado em Informática Aplicada Aprendizagem de Máquina 35 Mestrado em Informática Aplicada Aprendizagem de Máquina 36
10 Algoritmo de Aproximação Algoritmo de Aproximação Ainda falta especificar o algoritmo de aprendizagem que melhor ajusta os pesos w i ao conjunto de exemplos de treinamento {<b, V train (b )>}. O que significa melhor ajuste aos dados de treinamento? Uma solução: minimizar o erro quadrático E entre os valores de treinamento e os valores preditos pela hipótese V. E < b, V train ( Vtrain( b) V'( b) ) ( b) > amostrasde treinamento 2 Existem diversos algoritmos para encontrar pesos de uma função linear que minimiza E. Um deles é o LMS (mínimos quadrados). Regra de atualização dos pesos LMS Faça repetidamente Selecione aleatoriamente um exemplo de treinamento b 1.Calcule o erro(b) erro(b) = V train (b)-v (b) 2.Para cada característica do tabuleiro f i, atualize o peso w i como: w i w i + η f i erro(b) onde η é uma pequena constante (p.e. 0.1) que regula a taxa da atualização do peso (aprendizagem). Mestrado em Informática Aplicada Aprendizagem de Máquina 37 Mestrado em Informática Aplicada Aprendizagem de Máquina 38 Projeto Final Exemplo A seqüência de escolhas de projeto feitas... Um problema de classificação: predizer as notas para os estudantes matriculados neste curso (aprendizagem de máquina). Mestrado em Informática Aplicada Aprendizagem de Máquina 39 Mestrado em Informática Aplicada Aprendizagem de Máquina 40
11 Exemplo Exemplo Um problema de classificação: predizer as notas para os estudantes matriculados neste curso (aprendizagem de máquina). Passos principais: 1. Dados: Podemos contar com qual experiência anterior? Passos principais: 1. Dados 2. Hipóteses 3. Representação 4. Estimação 5. Avaliação 6. Escolha do Modelo Mestrado em Informática Aplicada Aprendizagem de Máquina 41 Mestrado em Informática Aplicada Aprendizagem de Máquina 42 Exemplo Exemplo Passos principais: Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? Mestrado em Informática Aplicada Aprendizagem de Máquina 43 Mestrado em Informática Aplicada Aprendizagem de Máquina 44
12 Exemplo Exemplo Passos principais: Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas? 4. Estimação: Como construímos um mapa estudantes notas? 5. Avaliação: Quão bem estamos predizendo? Mestrado em Informática Aplicada Aprendizagem de Máquina 45 Mestrado em Informática Aplicada Aprendizagem de Máquina 46 Exemplo Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas? 5. Avaliação: Quão bem estamos predizendo? 6. Escolha do Modelo: Podemos fazer ainda melhor? Os dados que temos disponíveis (a princípio): Nomes e notas dos estudantes no curso nos anos anteriores Boletim acadêmico dos estudantes atuais e anteriores Mestrado em Informática Aplicada Aprendizagem de Máquina 47 Mestrado em Informática Aplicada Aprendizagem de Máquina 48
13 Dados Hipóteses Dados para treinamento: Estudante AdeM Curso 1 João A B Maria B A Dados para teste: Curso 2 A A Existem várias hipóteses que podemos fazer para facilitar as predições: 1. O curso permaneceu aproximadamente o mesmo nos últimos anos Estudante José Ana AdeM?? Curso 1 C A Curso 2 A A 2. Cada estudante atua independentemente dos outros Alguma coisa mais que possamos utilizar? Mestrado em Informática Aplicada Aprendizagem de Máquina 49 Mestrado em Informática Aplicada Aprendizagem de Máquina 50 Representação Representação Boletins acadêmicos são particularmente diversos, então devemos limitar os resumos a alguns poucos cursos selecionados O dados disponíveis nesta representação Treinamento Teste Por exemplo, podemos resumir o estudante i o (João), por um vetor: x i = [A C B ] onde as notas correspondem a (digamos): 9.6, 5.8, 7.3 Estudante x 1 x 2... Nota em AdeM A B... Estudante x 1 x 2... Nota em AdeM??... Mestrado em Informática Aplicada Aprendizagem de Máquina 51 Mestrado em Informática Aplicada Aprendizagem de Máquina 52
14 Estimação Estimação Dado os dados de treinamento Estudante x 1 x 2... Nota em AdeM A B... Precisamos encontrar um mapeamento dos vetores de entrada x para as etiquetas (labels) y codificando as notas do curso AdeM Solução possível classificador vizinhos mais próximos (nearest neighbour): 1. Para cada estudante x, encontrar o estudante x i mais próximo no conjunto de treinamento; 2. Predizer y i, como sendo a nota do estudante mais próximo x i. Mestrado em Informática Aplicada Aprendizagem de Máquina 53 Mestrado em Informática Aplicada Aprendizagem de Máquina 54 Avaliação Escolha do Modelo Como podemos dizer se nossas predições são boas? Podemos esperar até o final do curso Podemos tentar avaliar a precisão baseando se nos dados que já temos (conjunto de treinamento) Solução possível: Dividir o conjunto de treinamento em novos conjuntos de treinamento e teste Avaliar o classificador construído baseando se somente no novo conjunto de treinamento sobre o novo conjunto de testes Podemos refinar: O algoritmo de estimação (por exemplo, utilizando um classificador diferente); A representação (por exemplo, basear o resumo em um conjunto diferente de cursos); As hipóteses (talvez os estudantes trabalhem em grupos, etc.) Temos que nos basear no método de avaliação da precisão de nossas predições para escolher entre os possíveis refinamentos. Mestrado em Informática Aplicada Aprendizagem de Máquina 55 Mestrado em Informática Aplicada Aprendizagem de Máquina 56
15 Tipos de Problemas de Aprendizagem Tipos de Problemas de Aprendizagem Uma classificação aproximada dos problemas de aprendizagem: Aprendizagem Supervisionada: temos um conjunto de entradas e saídas para fazer o treinamento. Ex: classificação, regressão. Aprendizagem com Reforço: somente obtemos um feedback na forma de quão bem estamos fazendo (e não o que deveríamos estar fazendo). Ex: planejamento Aprendizagem Não Supervisionada: estamos interessados em capturar uma organização inerente dos dados. Ex: clustering, estimação de densidade. Mestrado em Informática Aplicada Aprendizagem de Máquina 57 Mestrado em Informática Aplicada Aprendizagem de Máquina 58 Aprendizagem Supervisionada Aprendizagem Supervisionada Exemplo: reconhecimento de dígitos (dígitos binários 8X8) dígito binário classe alvo Desejamos aprender o mapeamento de dígitos para classes. Um mudança na representação que preserva as informações relevantes pode tornar impossível a aprendizagem. Mestrado em Informática Aplicada Aprendizagem de Máquina 59 Mestrado em Informática Aplicada Aprendizagem de Máquina 60
16 Aprendizagem Supervisionada Aprendizagem Não Supervisionada Os dígitos novamente... Dado um conjunto de exemplos de treinamento { (x 1,y 1 ),..., (x n,y n ) }, queremos aprender um mapeamento f : X Y tal que: y i f (x i ), i = 1,...,n Gostaríamos de entender o processo de criação dos exemplos (neste caso, dígitos) Mestrado em Informática Aplicada Aprendizagem de Máquina 61 Mestrado em Informática Aplicada Aprendizagem de Máquina 62 Aplicações Processamento Visual Verificação de faces Reconhecimento de manuscritos Processamento da Fala Fonemas, palavras, sentenças, reconhecimento de pessoas Outros Finanças: predição de ações, gerenciamento de risco e portofolio Telecomunicações: predição de tráfego Datamining: fazer uso de grandes conjuntos de dados mantidos por grandes corporações Jogos: xadrez, gamão, etc. Controle: robôs... e muitas outras é claro! Mestrado em Informática Aplicada Aprendizagem de Máquina 63
Aprendizagem de Máquina
Aprendizagem de Máquina Introdução Alessandro L. Koerich 2008 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisAprendizagem de Máquina
Introdução Aprendizagem de Máquina Alessandro L. Koerich Introdução Desde que os computadores foram inventados temos nos perguntado: Eles são capazes de aprender? Se pudéssemos programá-los para aprender
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 14 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 11 Aprendizado de Máquina Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução + Estudo de Caso Introdução Percepção de máquina Um
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 maisAprendizado de Máquina
Aprendizado de Máquina Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Introdução 1 Introdução Aprendizado de Máquina Extração de conhecimento. Automatização de tarefas. Tomada de Decisões.
Leia maisExemplo de aprendizagem máquina
(Primeiro exemplo) Jogo de damas c/ aprendizagem Tom Mitchell, Machine Learning, McGraw-Hill, 1997 chapter 1 17-Jul-13 http://w3.ualg.pt/~jvo/ml 12 1 Exemplo de aprendizagem máquina 1. Descrição do problema
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 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 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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisAprendizagem de Máquina
Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema
Leia maisAlgarve. A2 Aprendizagem Automática ML Machine Learning 7/15/2013
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil A2 Aprendizagem Automática ML Machine Learning Julho e Agosto de 2013 José Valente
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
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 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 maisAprendizagem de Máquina
Introdução Aprendizagem de Máquina Para ilustrar a construção de um sistema inteligente, vamos considerar um problema simples, porém interessante. Alessandro L. Koerich Estudo de Caso Suponha que desejamos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Estudo de Caso Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática PPGIa 2 Introdução
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisThiago Zavaschi Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade
Thiago Zavaschi (zavaschi@ppgia.pucpr.br) Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUC-PR) Conceitos relacionados a classificação
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 18 Aprendizado Por Reforço Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
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 maisInformática Parte 19 Prof. Márcio Hunecke
Escriturário Informática Parte 19 Prof. Márcio Hunecke Informática NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês: "machine learning") ou aprendizagem
Leia maisInformática. Aprendizado de Máquina. Professor Márcio Hunecke.
Informática Aprendizado de Máquina Professor Márcio Hunecke www.acasadoconcurseiro.com.br Informática Aula XX NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês:
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia 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 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 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 maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisJogos com Oponentes. March 7, 2018
Jogos com Oponentes March 7, 2018 Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente
Leia maisAprendizado por Reforço usando Aproximação
Aprendizado por Reforço usando Aproximação de Funções Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aproximação de Funções 2. Do the evolution 1 Aproximação de Funções Função Utilidade
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 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 maisCEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02
. CEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02 Créditos: alguns itens desta lista são adaptados do material da disciplina CS188 - Artificial Intelligence
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia 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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Redes Bayesianas Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich/Alceu S. Britto Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Combinação de Classificadores Filosofia O objetivo
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisMATRIZES - PARTE Mais exemplos Multiplicação de duas matrizes AULA 26
AULA 26 MATRIZES - PARTE 2 26. Mais exemplos Nesta aula, veremos mais dois algoritmos envolvendo matrizes. O primeiro deles calcula a matriz resultante da multiplicação de duas matrizes e utiliza três
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisMétodo Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização linear
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia 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 mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
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 maisCálculo Numérico - Mat 215. Prof. Dirceu Melo. Prof. Dirceu Melo - MAT215
Cálculo Numérico - Mat 215 Prof. Dirceu Melo Prof. Dirceu Melo - MAT215 1 1ª AULA Introdução Sistemas Decimal e Binário Conversão de Sistemas de base Sistema Aritmético de Ponto Flutuante INTRODUÇÃO 3
Leia maisBusca Competitiva. Inteligência Artificial. Até aqui... Jogos vs. busca. Decisões ótimas em jogos 9/22/2010
Inteligência Artificial Busca Competitiva Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 6 Russell & Norvig Seção 6.1 a 6.5 2 Até aqui... Problemas sem interação com outro agente.
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 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 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 maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisInteligência Computacional
Inteligência Computacional CP78D Redes Neurais Aula 7 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 7º Período 1/24 Plano de Aula Perceptron
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
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 maisProjeto Multiresolução de Operadores Morfológicos. Morfológicos a Partir de Exemplos
Projeto Multiresolução de Operadores Morfológicos a Partir de Exemplos Daniel André Vaquero Orientador: Junior Barrera Departamento de Ciência da Computação Instituto de Matemática e Estatística (IME)
Leia maisRepresentação esquemática de estruturas de dados
UNIVERSIDADE DE SÃO PAULO - USP Instituto de Química de São Carlos - IQSC Grupo de Química Medicinal do IQSC/USP 1 Representação esquemática de estruturas de dados 2 1 Tipos de variáveis Contínua Concentração,
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisAula 10 Especificação de Requisitos
Aula 10 Especificação de Requisitos Alessandro Garcia LES/DI/PUC-Rio Setembro 2016 Especificação Objetivos dessa aula Apresentar a importância e o que são especificações de requisitos, bem como conceitos
Leia maisEx. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: f=7 f=7 f=1 f=2
LERCI/LEIC Tagus 2005/06 Inteligência Artificial Exercícios sobre Minimax: Ex. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: Max Min f=4 f=7
Leia maisROBÓTICA PLANEJAMENTO DE TRAJETÓRIAS. Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial
SP CAMPUS PIRACICABA ROBÓTICA Prof a. Dra. GIOVANA TRIPOLONI TANGERINO Tecnologia em Automação Industrial PLANEJAMENTO DE TRAJETÓRIAS https://giovanatangerino.wordpress.com giovanatangerino@ifsp.edu.br
Leia maisAprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
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 maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS 7ª Série Linguagens Formais e Autômatos Ciência da Computação A atividade prática supervisionada (ATPS) é um método de ensino-aprendizagem desenvolvido por meio de um
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisMapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
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 maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisJogo de Damas. Alunos: Sávio Mendes de Figueiredo Sômulo Nogueira Mafra
Jogo de Damas Alunos: Sávio Mendes de Figueiredo (savio@cos.ufrj.br) Sômulo Nogueira Mafra (somulo@cos.ufrj.br) Prof.: Inês dutra Inteligência artificial Coppe sistemas - UFRJ 1. Algumas Frases 2. Origens
Leia mais