Lista de exercícios 2 Recuperação de Informação Textual
|
|
- Carmem Benedita Azenha Andrade
- 5 Há anos
- Visualizações:
Transcrição
1 Lista de exercícios 2 Recuperação de Informação Textual 2 de dezembro de O que é o modelo bag-of-words? Porque ele é uma simplificação? Dê um exemplo em que ele estaria incorreto. 0.2 O que é o modelo vetorial? 0.3 O que significa dizer que os pesos tf-idf são descritos pelos componentes lnc para documentos? 0.4 Compare as relações entre as medidas tf, df e cf. 0.5 Porque usar idf em vez de df? 0.6 Considere os seguintes documentos: 1. Você diz tchau, eu digo olá 2. Você diz pare, eu digo vá 3. Olá, olá, você diz tchau 4. Eu falo alto, você fala baixo Considere as seguintes consultas: 1. diz olá 2. você tchau Especifique o vocabulário de termos utilizando apenas texto e sem lematização (stemming). Ignore letra maiúsculas e minúsculas assim como a pontuação. Construa o seguinte: 1. A matriz de termos dos documentos (essa matriz contém linhas correspondendo aos documentos e as colunas, aos termos) baseando-se em: (a) Modelo binário: considere somente se um termo t aparece em um documento D. Termos repetidos em um documento são contados como 1 em matrizes binárias (b) Frequência de termos pura - TF. A frequência de termos tf t,d é definida como a frequência com que o termo t aparece no documento d 1
2 0.7 (c) Frequência de termos normalizada. A frequência de termos para um termo t em um documento D pode ser normalizada pelo número total de termos N d no documento: tfn t,d = tf t,d /N d (d) Pesos tf-idf. A frequência de documentos invertida idf(t) de um termo t pode ser definida usando a expressão idf(t) = log N/(n j + 1) + 1, onde N é o número total de documentos na coleção, n j é o número de documentos em que o termo t apareceu. Então, para um termo t no documento D temos tf ifd(t) = tfn t,d idf(t) 2. A matriz de termos de consultas para: Modelo binário Fequência de termos pura tf t,q. Definido como a frequência com que t aparece na consulta q Frequência de termos normalizada. A frequência de termos para uma consulta pode ser normalizada pelo número total de termos na consulta N q : tfn t,q = tf t,q /N q pesos tf idf(t) (o idf(t) é calculado como anteriormente). tf idf(t) = tfn t,q idf(t) 3. Usando cada uma das matrizes obtidas anteriormente, calcule os seguintes coeficientes de similaridade para as seguintes medidas: Distância euclidiana Medida cosseno 4. Mostre cada um dos rankings obtidos. Faça isso, faça a combinação de cada matriz para documentos para cada matriz para termos da consulta. Compare e discuta os resultados. Quais das matrizes resultaram em melhor ranking. O que é e porquê ranking é importante? Explique a principal vantagem de ranking quando comparado ao modelo booleano. 0.8 O que significa dizer que os pesos tf-idf são descritos pelos componentes lnc para documentos? 0.9 Um usuário faz uma busca e percebe que dos 20 resultados obtidos, apenas metade realmente atendem ao seu interesse. Ao perguntar para o administrar do sistema de organização e recuperação de informação, percebe que só haviam cinco outros documentos que poderiam lhe interessar na base que tinha ao todo 200 documentos. Use três medidas diferentes que sejam relevantes em ORI para avaliar a qualidade desse sistema para essa busca Uma empresa está desenvolvendo um sistema de ORI especializado no domínio de logística para seu melhor cliente, o site emuitofacil.com.br. Com esse sistema, motoristas de entrega poderão fazer buscas para melhor encontrar referências e informações sobre o destino de pacotes. Em uma avaliação do ranking, dois motoristas da empresa cliente foram chamados para dar a sua opinião. Os motoristas C. D. Andrade e J. P. Fernandes foram os escolhidos. Andrade era mais positivo e avalia uma informação como relevante 75% das vezes, enquanto Fernandes tem uma posição mais neutra. Na tabela a seguir temos as opiniões de Andrade e Fernandes sobre a relevância de 15 informações (N = não relevante e R = relevante). Assuma que em um tablet, seria possível visualizar o seguinte ranking em ordem decrescente de relevância {4, 1, 2, 7, 8, 9, 12, 6, 15}, enquanto em um celular apenas os quatro primeiros desse ranking. 2
3 docid Andrade Fernandes 1 N R 2 N N 3 N R 4 R R 5 R N 6 R R 7 R N 8 R N 9 N R 10 N R 11 N R 12 N R 13 R R 14 N R 15 R R a) Qual é a taxa de concordância aleatória dos dois funcionários? b) Para tablet e para o celular, calcule a taxa de precisão, recuperação e a medida F se um documento for considerado relevante somente se os dois especialistas concordam. Qual dispositivo é melhor de usar, segundo essas medidas e porque? c) Para tablet e para o celular, calcule a taxa de precisão, recuperação e a medida F se um documento for considerado relevante se qualquer um dos dois especialistas o assim julgar. Qual dispositivo é melhor de usar, segundo essas medidas e porque? d) Use as opiniões dos funcionários para avaliar a dificuldade de desenvolver um bom sistema Porquê retorno de relevância positivo é mais provável de ser útil que retorno de relevância negativo para um sistema de ORI? Porquê usar somente um documento não relevante pode ser mais efetivo que usar vários? 0.12 Supondo que uma consulta inicial de um usuário é CDs baratos DVDs baratos CDs muito baratos. O usuário examina dois documentos, d1 e d2. Ele diz que d1, com o conteúdo CDs baratos programas baratos CDs, é relevante. Porém, o usuário diz que d2 com conteúdo baratos DVDs emocionantes não relevante. Assuma que estamos usando frequência de termos direta TF (sem alteração de escala e frequência de documentos DF). Também não há normalização do tamanho de vetores. Usando o algoritmo de Rocchio de retorno de relevância, qual seria o vetor de consulta obtido com Rocchio após o algoritmo considerar as opiniões do usuário? Considere que os parâmetros do algoritmo foram configurados para α = 1, β = 0.75 e γ = Considere os seguintes documentos: 1. Você diz tchau, eu digo olá 2. Você diz pare, eu digo vá 3. Olá, olá, você diz tchau 4. Eu falo alto, você fala baixo Considere as seguintes consultas: 1. diz olá 3
4 2. você tchau Calcule o ranking dos documentos para cada consulta usando o modelo probabilístico Okapi BM25 com k 1 = 1 e b = Para este exercício, considere os documentos e consultas do exercício anterior. Suponha que somente os documentos 3 e 4 são relevantes. Para cada termo t em uma consulta, estime c t na coleção completa. Use a seguinte tabela de contingência de contagem de documentos na coleção, onde df t é o número de documentos que contém o termo t: docs relevante não-relevante Total Termo presente x t = 1 s df t s df t Termo ausente x t = 0 S s (N df t ) (S s) N df t Total S N S N 0.15 c t = K(N, df t, S, s) = log p t = s/s (1) u t = (df t s)/(n S) (2) s/(s s) (df t s)/((n df t ) (S s)) Aplique o algoritmo K-médias, com K = 2, na coleção de documentos a seguir. docid termos no documento 1 nota prova avaliação sala data 2 aluno nota avaliação professor sala vista 3 aluno prova avaliação 4 aluno nota sala vista 5 sala vista data 6 avaliação professor sala vista data sala (3) usando modelo binário, preencha a tabela que associa termos, identificadores de termos termids e identificadores de documentos docids use como medida de similaridade entre um documento e um centroide o número de termos que os dois tem em comum; em caso de empate atribua o documento ao grupo 1 para calcular o novo centroide, atribua 1 para os termos do centroide que aparecem em metade ou mais documentos do grupo; dessa forma o centroide também será binário use como centroides iniciais c 1 e c 2 os documentos 3 e 6 respectivamente para descrever cada iteração do algoritmo, use as tabelas a seguir: 4
5 docid termo da coleção termid Iteração 1 Iteração 3 Iteração 5 Iteração 7 Iteração 2 Iteração 4 Iteração 6 Iteração 8 5
News Clipping. Como calcular ângulos entre notícias pode ajudar na prevenção à lavagem de dinheiro. Willian Gigliotti
News Clipping Como calcular ângulos entre notícias pode ajudar na prevenção à lavagem de dinheiro Willian Gigliotti wgigliotti@gmail.com Departamento de Ciências da Computação Instituto de Matemática e
Leia maisOutline. 2 Abordagem probabiĺıstica para ORI. 3 Teoria de probabilidades. 4 Princípio de ranking probabiĺıstico
Outline 1 Recapitulação 2 Abordagem probabiĺıstica para ORI 3 Teoria de probabilidades 4 Princípio de ranking probabiĺıstico 5 Apreciação&Extensões Modelo probabiĺıstico 1 / 47 Retorno de relevância: ideia
Leia maisModelo Espaço Vetorial. Mariella Berger
Modelo Espaço Vetorial Mariella Berger Agenda Introdução Atribuição de Pesos Frequência TF-IDF Similaridade Exemplo Vantagens e Desvantagens Modelo Espaço Vetorial Introdução Modelo Espaço Vetorial O modelo
Leia maisGSI024 - Organização e Recuperação da
GSI024 - Organização e Recuperação da Informação Ilmério Reis da Silva ilmerio@facom.ufu.br UFU/FACOM/BSI Arquivo 5 - Peso de termos GSI024-ORI Pg:5. 1 Busca paramétrica usando atributos Regiões em documentos
Leia maisProfª Ana Lúcia Lima Marreiros Maia Profª Fabiana Cristina Bertoni
Profª Ana Lúcia Lima Marreiros Maia Profª Fabiana Cristina Bertoni Motivação e Objetivos Etapas do Desenvolvimento de um Sistema de Recuperação de Informações (SRI): Pré-processamento; Representação; Extração
Leia maisAlgoritmos e Estruturas de Dados II. Trabalho Prático 4
Algoritmos e Estruturas de Dados II Trabalho Prático 4 Entrega: 23/11/09 Devolução: 10/12/09 (sem possibilidade de entrega com atraso) Trabalho em dupla Prof. Jussara Marques de Almeida Problema 1: Construção
Leia maisRealimentação de Relevância
Wendel Melo Faculdade de Computação Universidade Federal de Uberlândia Recuperação da Informação Ciclo de realimentação onde uma consulta q recebida do usuário é transformada em uma consulta modificada
Leia maisUniversidade do Sul de Santa Catarina Ciência da Computação Aula 09 Introdução a Análise de Textos Prof. Max Pereira
Universidade do Sul de Santa Catarina Ciência da Computação Técnicasde InteligênciaArtificial Aula 09 Introdução a Análise de Textos Prof. Max Pereira Processamento de Linguagem Natural Conjunto de técnicas
Leia maisMelhorando a Recuperação de Informação
Recuperação de Informação e Web Mining 1 Melhorando a Recuperação de Informação O modelo de espaço vetorial Utiliza pesos para termos Permite o ranqueamento dos resultados Pode reduzir a dimensão do espaço
Leia maisORI: Pontuação e o modelo de espaço vetorial
1/1 ORI: Pontuação e o modelo de espaço vetorial Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia Índice 2/1 3/1 Veremos hoje Ordenando resultados de busca: importância
Leia maisCapítulo 4. Comitê BAS 35
4 Comitê BAS Devido à flexibilidade do algoritmo BAS, que aceita qualquer distribuição inicial para os exemplos, diversas heurísticas podem ser implementadas com o objetivo de criar classificadores de
Leia maisArquivos invertidos 39
Arquivos invertidos 39 Arquivos invertidos É um mecanismo que utiliza palavras para indexar uma coleção de documentos a fim de facilitar a busca e a recuperação Estruturas de um arquivo invertido Vocabulário
Leia maisModelo Probabilístico
Wendel Melo Faculdade de Computação Universidade Federal de Uberlândia Recuperação da Informação Adaptado do Material da Profª Vanessa Braganholo - IC/UFF Proposto em 1976 por Roberstson e Sparck Jones;
Leia maisGSI024 - Organização e Recuperação da
GSI024 - Organização e Recuperação da Informação Ilmério Reis da Silva ilmerio@facom.ufu.br UFU/FACOM/BSI Arquivo 6 - Modelo Vetorial GSI024-ORI Pg:6. 1 Ranking baseado no modelo vetorial Considerações
Leia maisTerm weighting: outras ideias
Term weighting: outras ideias Term Weighting i Diversas são as abordagens. Vamos discutir algumas ideias mais simples, porém conhecidas. i Abordagens 4 Pesos binários (já vimos) 4 Frequência (já vimos)
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisMINERAÇÃO DE DADOS. Thiago Marzagão MINERAÇÃO DE TEXTOS. marzagao.1@osu.edu. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1/2016 1 / 25
MINERAÇÃO DE DADOS Thiago Marzagão marzagao.1@osu.edu MINERAÇÃO DE TEXTOS Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1/2016 1 / 25 transformando textos em dados Documento 1: "Não trabalho para ter clientes;
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Modelosde RI e o ModeloBooleano Organização e Recuperação de Informação(GSI521) Tópicos Modelagem em RI; Caracterização
Leia maisFUNDAMENTOS DE SISTEMAS LINEARES PARTE 1
FUNDAMENTOS DE SISTEMAS LINEARES PARTE 1 Prof. Iury V. de Bessa Departamento de Eletricidade Faculdade de Tecnologia Universidade Federal do Amazonas Revisão O que é um corpo (campo)? O que é um espaço
Leia maisPonderação de termos
Ponderação de termos Wendel Melo Faculdade de Computação Universidade Federal de Uberlândia Recuperação da Informação Adaptado do Material da Profª Vanessa Braganholo - IC/UFF Parte da ideia de que, dentro
Leia maisTabela Hash: Índice remissivo
Capítulo 3 Tabela Hash: Índice remissivo Um índice remissivo lista os termos e tópicos que são abordados em um documento juntamente com páginas em que aparecem. É bastante comum encontrar tais índices
Leia mais4 Recuperação de Informação
4 Recuperação de Informação No presente capítulo são apresentados os fundamentos da área de Recuperação de Informação utilizados em Mineração de Textos, como por exemplo, os modelos de representação de
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 13 04/2014 Sistemas de Equações Lineares Parte 3 MÉTODOS ITERATIVOS Cálculo Numérico 3/44 MOTIVAÇÃO Os métodos iterativos
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 maisMeu Google é melhor que o seu
Estrutura de Dados II Universidade Federal de Juiz de Fora 2013.3 Trabalho Prof. Jairo Francisco de Souza Meu Google é melhor que o seu 1. Problema 1: Construção do Índice Invertido para Máquinas de Busca
Leia maisRecuperação de Dado X Informação. Gerenciamento de Dados e Informação. Histórico. Recuperação de Informação. Histórico. Histórico
Recuperação de Dado X Informação Gerenciamento de Dados e Informação Recuperação de Informação Fernando Fonseca Ana Carolina Robson Fidalgo Comparação (matching) Recuperação de Dados Exata Recuperação
Leia maisCombinação de Classificadores (seleção)
Combinação de Classificadores (seleção) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Seleção de classificadores Estimativa independente de decisão Estimativa dependente de decisão
Leia maisRecuperação de Informação
Recuperação de Informação Avaliação de Desempenho de Sistemas de Recuperação de Informação Renato Fernandes Corrêa 1 Para que avaliar? Existem muitos modelos de RI, mas qual é o melhor? Qual a melhor escolha
Leia maisMatemática Computacional
folha de exercícios 5 :: página 1/5 exercício 5.1. Defina a função f : R R, f(x) = 4x 4 3x 3 + 2x 2 + x. Calcule f(0), f( 1), f(4/3) e f(2.88923). exercício 5.2. Defina a função g : R R R, g(x, y) = x
Leia maisIndexação e Modelos Clássicos
Wendel Melo Faculdade de Computação Universidade Federal de Uberlândia Recuperação da Informação Adaptado do Material da Profª Vanessa Braganholo - IC/UFF Construção de um Sistema de Busca 1ª Etapa: Definir
Leia maisLista 8 de Álgebra Linear /01 Produto Interno
Lista 8 de Álgebra Linear - / Produto Interno. Sejam u = (x x e v = (y y. Mostre que temos um produto interno em R nos seguintes casos: (a u v = x y + x y. (b u v = x y x y x y + x y.. Sejam u = (x y z
Leia maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Prova 1. Matemática Aplicada I
Universidade Federal do Paraná Matemática Aplicada I Setor de Tecnologia - TC Engenharia Ambiental 2018-2 Curitiba, 05.09.2018 Prova 1 Matemática Aplicada I Tobias Bleninger Departamento de Engenharia
Leia maisDATA MINING & MACHINE LEARNING (I) Thiago Marzagão
DATA MINING & MACHINE LEARNING (I) Thiago Marzagão transformando textos em dados Documento 1: Não trabalho para ter clientes; tenho clientes para poder trabalhar. Documento 2: Não se pode forçar a inteligência
Leia maisExercícios Lista 7 Revisão
1. Foi solicitado ao engenheiro compreender a influência dos processos de transferência de calor em um determinado alimento em contato com o ar externo. Uma das 3 formas de transferência de calor é a convecção,
Leia mais3 Recuperação de Informações Textuais
3 Recuperação de Informações Textuais Tudo deveria se tornar o mais simples possível, mas não simplificado. Albert Einstein Sistemas tradicionais de indexação costumam utilizar-se de termos-índice, que
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisSegundo trabalho de Organização e Recuperação da Informação
FACOM- UFU Professor: Wendel Melo Segundo trabalho de Organização e Recuperação da Informação 2018-02 Descrição Este trabalho consiste em duas etapas: 1. Implementação de cálculo da ponderação TF-IDF,
Leia maisNOTAS DE AULAS DE FÍSICA MODERNA
NOTAS DE AULAS DE FÍSICA MODERNA Prof. Carlos R. A. Lima CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER Edição de janeiro de 2010 CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER ÍNDICE 6.1- Introdução 6.2- Equação
Leia maisNOTAS DE AULAS DE FÍSICA MODERNA
NOTAS DE AULAS DE FÍSICA MODERNA Prof. Carlos R. A. Lima CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER Edição de agosto de 2011 CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER ÍNDICE 6.1- Introdução 6.2- Equação
Leia maisAlgoritmos e Lógica de Programação. 6ª Lista de Exercícios Comandos de Repetição
Algoritmos e Lógica de Programação 6ª Lista de Exercícios Comandos de Repetição 1. Qual a saída do programa abaixo? int i; for (i = 0; i < 10; i += 2) printf("%d\n", i / 2); 2. Qual a saída do programa
Leia maisAprendizado de Supervisionado
Aprendizado de Supervisionado Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Padronizando e Normalizando os Atributos 2. Tipos de Atributos 3. Representação Textual 1 Padronizando e
Leia maisResolução da Questão 1 Item I (Texto Definitivo)
Questão Considerando que, por meio do cálculo integral, é possível calcular áreas delimitadas por gráficos de curvas, atenda, necessariamente, o que se pede nos itens de I a IV a seguir. I Calcule os pontos
Leia mais, cosh (x) = ex + e x. , tanh (x) = ex e x 2
Exercícios Adicionais 1. Podemos definir as funções seno, cosseno e tangente hiperbólicos como: sinh (x) = ex e x, cosh (x) = ex + e x, tanh (x) = ex e x e x + e x Escreva três funções no Scilab que implementem
Leia maisLista de exercícios 1 (Cast)
Lista de exercícios 1 (Cast) 1)Faça um programa que receba um caractere e retorna o valor decimal equivalente da tabela ascii, usando cast. 2)Faça um programa que receba dois caracteres, some os caracteres
Leia maisSegundo trabalho de Organização e Recuperação da Informação FACOM- UFU Professor: Wendel Melo
Segundo trabalho de Organização e Recuperação da Informação 2017-02 FACOM- UFU Professor: Wendel Melo Descrição O trabalho consiste na implementação de um programa que, a partir da construção do índice
Leia mais1ª Prova de Geometria Analítica 1 Data: 06/09/2016
1ª Prova de Geometria Analítica 1 Data: 06/09/2016 Nome: GRR: Curso: Nota Esta prova contém 10 questões. Confira! Valor desta avaliação: 10,0. Leia com atenção as seguintes instruções: 1. O tempo de duração
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
Leia maisAula 09 - Momento (formulação vetorial) 2011 Pearson Prentice Hall. Todos os direitos reservados.
Aula 09 - Momento (formulação vetorial) slide 1 Lembrete: 29/08 Revisão e esclarecimento de dúvidas. 31/08/17 - Prova 01 slide 2 Momento de uma força sobre um eixo especificado slide 3 Momento de uma força
Leia maisProgramação de Computadores I Dados, Operadores e Expressões PROFESSORA CINTIA CAETANO
Programação de Computadores I Dados, Operadores e Expressões PROFESSORA CINTIA CAETANO Dados em Algoritmos Quando escrevemos nossos programas, trabalhamos com: Dados que nós fornecemos ao programa Dados
Leia maisRecuperação de Informações
Recuperação de Informações Ana Carolina Salgado & Fernando Fonseca Comparação (matching) Dados Inferência Modelo Ling Consulta Esp da Consulta Recuperação de Dado X Informação Recuperação de Recuperação
Leia maisResolução da Questão 1 Item I Texto definitivo
Questão As trajetórias dos aviões A e B são representadas em um sistema de coordenadas cartesianas ortogonais xoy. A trajetória do avião A, que voa à velocidade de km/h, está sobre o eixo
Leia mais03/07/2017. Modelo de Recuperação de Informação
Modelo de Recuperação de Informação Modelo de Recuperação de Informação Um modelo de recuperação de informação é a especificação formal de três elementos: a representação dos documentos; a representação
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Índice invertido Organização e Recuperação de Informação(GSI521) Laboratório 1- Pergunta Como os termos foram associados
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Modelo Vetorial Organização e Recuperação de Informação(GSI521) Motivação Discutido nos seguintes trabalhos: K. Spark
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisAnálise de Agrupamento (Cluster analysis)
Análise de Agrupamento (Cluster analysis) Anderson Rodrigo da Silva 1 Exemplos de aplicações de análise de agrupamento Pesquisas de mercado Agrupamento de cidades-teste Bancos de germoplasma Caracterização
Leia mais1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d) 0.11 (e) (f)
1 a Lista de Exercícios de Cálculo Numérico Prof a. Vanessa Rolnik 1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d).11 (e).8125 (f) 4.69375 2. Converta os seguintes
Leia maisINSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO MARANHÃO - CAMPUS CAXIAS. Aluno (s): 01 ATIVIDADE. Revisão de Conteúdo
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO MARANHÃO - CAMPUS CAXIAS DISCIPLINA: Lab. de Programação PROF: MSc. Flávio Barros PERÍODO: 2 DATA: Aluno (s): 01 ATIVIDADE / / Revisão de Conteúdo
Leia maisO modelo espaço de vetores. vetorial. Marcelo Keese Albertini. Faculdade de Computação - UFU 12/03/2013. O modelo de espaço vetorial 1 / 27
Recuperação de Informação: O modelo de espaço vetorial Marcelo Keese Albertini Faculdade de Computação - UFU 12/03/2013 O modelo de espaço vetorial 1 / 27 Veremos hoje Modelo de espaço de vetores: representação
Leia maisParte 1 Questões Teóricas
Universidade de Brasília (UnB) Faculdade de Tecnologia (FT) Departamento de Engenharia Elétrica (ENE) Disciplina: Processamento de Imagens Profa.: Mylène C.Q. de Farias Semestre: 2014.2 LISTA 04 Entrega:
Leia maisO modelo espaço de vetores. vetorial. Marcelo Keese Albertini. Faculdade de Computação - UFU. O modelo de espaço vetorial 1 / 25
Recuperação de Informação: O modelo de espaço vetorial Marcelo Keese Albertini Faculdade de Computação - UFU O modelo de espaço vetorial 1 / 25 Veremos hoje Modelo de espaço de vetores: representação vetorial
Leia maisINE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/20 4 - INTROD. À ANÁLISE COMBINATÓRIA 4.1) Arranjos
Leia maisLista de exercícios de Análise Numérica
Lista de exercícios de Análise Numérica 1. Calcule 10 log x dx : 6 a) Usando a formula dos trapézios; b) Usando a fórmula do trapézio repetida 8 vezes c) Delimite o erro nos dois casos e compare-os. 2.
Leia mais1 a Lista Professor: Claudio Fabiano Motta Toledo Estagiário PAE: Jesimar da Silva Arantes
SSC0503 - Introdução à Ciência de Computação II 1 a Lista Professor: Claudio Fabiano Motta Toledo (claudio@icmc.usp.br) Estagiário PAE: Jesimar da Silva Arantes (jesimar.arantes@usp.br) 1. O que significa
Leia maisResolução de sistemas de equações lineares: Método dos Gradientes Conjugados
Resolução de sistemas de equações lineares: Método dos Gradientes Conjugados Marina Andretta/Franklina Toledo ICMC-USP 24 de março de 2015 Baseado no livro Cálculo Numérico, de Neide B. Franco Marina Andretta/Franklina
Leia mais4ª Lista de Exercícios de Programação I
4ª Lista de Exercícios de Programação I Instrução As questões devem ser implementadas em C. 1. Faça um algoritmo que leia 10 valores inteiros armazenando-os em um vetor e depois calcule a soma dos valores
Leia maisPROJETO E ANÁLISE DE ALGORITMOS (INF 2926)
PUC-Rio Departamento de Informática Prof. Marcus Vinicius S. Poggi de Aragão Horário: 4as-feiras de 13 às 16 horas - Sala 511 RDC 29 de abril de 2015 Data da Entrega: 10 de junho de 2015 Período: 2015.1
Leia maisPrimeiro trabalho de Organização e Recuperação da Informação
FACOM- UFU Professor: Wendel Melo Primeiro trabalho de Organização e Recuperação da Informação 2018-01 Descrição Este trabalho é subdivido em duas etapas: 1. Implementação de uma rotina para a geração
Leia maisMineração de Textos. Mineração de Textos
Mineração de Textos Os estudos em Aprendizado de Máquina normalmente trabalham com dados estruturados Entretanto, uma grande quantidade de informação é armazenada em textos, que são dados semi-estruturados
Leia maisExercícios: Vetores e Matrizes
Universidade Federal de Uberlândia - UFU Faculdade de Computação - FACOM Lista de exercícios de programação em linguagem C Exercícios: Vetores e Matrizes 1 Vetores 1. Faça um programa que possua um vetor
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisNOTAS DE AULAS DE FÍSICA MODERNA
NOTAS DE AULAS DE FÍSICA MODERNA Prof. Carlos R. A. Lima CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER Edição de janeiro de 2009 CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER ÍNDICE 6.1- Introdução 6.2- Equação
Leia maisProjeções Multi-dimensionais
Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 23 de setembro de 2010 Introdução
Leia maisMétodos de Ordenação Parte I
Estrutura de Dados II Métodos de Ordenação Parte I Prof a Márcio Bueno ed2tarde@marciobueno.com / ed2noite@marciobueno.com Material baseado nos materiais da Prof a Ana Eliza e Prof. Robson Lins Rearranjar
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Leia maisAnálise de Componentes Principais Simbólicas
Análise de Componentes Principais Simbólicas Universidade Federal de Pernambuco CIn.ufpe.br Análise de Componentes Principais O objetivo da análise de componentes principais é explicar a estrutura de variânciacovariância
Leia maisNOTAS DE AULAS DE FÍSICA MODERNA
NOTAS DE AULAS DE FÍSICA MODERNA Prof. Carlos R. A. Lima CAPÍTULO 6 MECÂNICA QUÂNTICA DE DE SCHRÖDINGER Primeira Edição junho de 2005 CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER ÍNDICE 6.1- Introdução
Leia maisNOTAS DE AULAS DE FÍSICA MODERNA
NOTAS DE AULAS DE FÍSICA MODERNA Prof. Carlos R. A. Lima CAPÍTULO 5 MECÂNICA QUÂNTICA DE SCHRÖDINGER Edição de junho de 2014 CAPÍTULO 5 MECÂNICA QUÂNTICA DE SCHRÖDINGER ÍNDICE 5.1- Introdução 5.2- Equação
Leia mais374_ABIN_DISC_011_01 CESPE CEBRASPE ABIN Aplicação: 2018 PROVA DISCURSIVA
PROVA DISCURSIVA Nesta prova, faça o que se pede, usando, caso deseje, os espaços para rascunho indicados no presente caderno. Em seguida, transcreva os textos para o CADERNO DE TEXTOS DEFINITIVOS DA PROVA
Leia maisLista de exercícios Matrizes
Lista de exercícios Matrizes 1) Crie uma matriz de 3 linha e 5 colunas, preencha essa matriz com a primeira linha com número um, a segunda linha com o número 2, e a terceira com o número 3. Imprima na
Leia maisProgramação Linear - Parte 3
Matemática Industrial - RC/UFG Programação Linear - Parte 3 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 3 1/2016 1 / 26 O Método Simplex Encontre o vértice ótimo pesquisando um subconjunto
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisBusca em Memória Primária Estrutura de Dados II
Centro de Ciências Exatas, Naturais e de Saúde Departamento de Computação Busca em Memória Primária Estrutura de Dados II Estrutura de Dados II COM10078 2017-I Prof. Marcelo Otone Aguiar marcelo.aguiar@ufes.br
Leia maisBusca em Memória Primária Estrutura de Dados II
Centro de Ciências Exatas, Naturais e de Saúde Departamento de Computação Busca em Memória Primária Estrutura de Dados II COM10078 Estrutura de Dados II Prof. Marcelo Otone Aguiar marcelo.aguiar@ufes.br
Leia maisLista 4 com respostas
Lista 4 com respostas Professora Nataliia Goloshchapova MAT0105-1 semestre de 2018 Exercício 1. Estude a posição relativa das retas r e s. (a) r : X = (1, 1, 1) + λ( 2, 1, 1), s : (b) r : { { x y z = 2
Leia maisESTRUTURAS DISCRETAS (INF 1631) GRAFOS. 1. O que é um grafo? Defina um grafo orientado. Defina um grafo não-orientado.
PUC-Rio Departamento de Informática Profs. Marcus Vinicius S. Poggi de Aragão Período: 0. Horário: as-feiras e as-feiras de - horas de maio de 0 ESTRUTURAS DISCRETAS (INF 6) a Lista de Exercícios Procure
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisRedução de Dimensionalidade, DCDistance, e CARFRE
Redução de Dimensionalidade, DCDistance, e CARFRE Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redução de Dimensionalidade 2. Análise de Componentes Principais 3. DCDistance - Document-Class
Leia mais4ª Lista de Exercícios de Programação I
4ª Lista de Exercícios de Programação I Instrução As questões devem ser implementadas em C. 1. Faça um algoritmo que leia 10 valores inteiros armazenando-os em um vetor e depois calcule a soma dos valores
Leia maisSumário. 2 Índice Remissivo 9
i Sumário 1 Teoria dos Conjuntos e Contagem 1 1.1 Teoria dos Conjuntos.................................. 1 1.1.1 Comparação entre conjuntos.......................... 2 1.1.2 União de conjuntos...............................
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisData: 8 de outubro de Questão Valor Nota Revis a 1.0 2b 1.0 2c 1.0 3a 1.0 3b 0.5 3c 0.5 4a 1.0 4b 0.5 5a 1.0 5b 0.5 Total 10.
Prova tipo A Duração: 1 hora 45 minutos P2 de Álgebra Linear I 2004.2 Data: 8 de outubro de 2004. Nome: Assinatura: Matrícula: Turma: Questão Valor Nota Revis. 1 2.0 2a 1.0 2b 1.0 2c 1.0 3a 1.0 3b 0.5
Leia maisMétodo de restrições ativas para minimização em caixas
Método de restrições ativas para minimização em caixas Marina Andretta ICMC-USP 20 de outubro de 2014 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 20 de outubro de 2014 1 / 25 Problema com
Leia maisBAC004 Informática Teórica T2 Professora: Fabiana Costa Guedes Lista 05 Vetores e Matrizes Vetores
BAC004 Informática Teórica T2 Professora: Fabiana Costa Guedes Lista 05 Vetores e Matrizes Vetores 1- Faça um programa que preencha um vetor com seis elementos numéricos inteiros, calcule e mostre: a.
Leia maisAprendizagem de Dados Simbólicos e/ou Numéricos
Aprendizagem de Dados Simbólicos e/ou Numéricos Francisco de A.T. de Carvalo Francisco de A.T. de Carvalo, Agrupamento (Clustering Métodos usados para a construção de grupos de objetos com base nas semelanças
Leia mais