Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais
|
|
- Mauro Coradelli Quintanilha
- 8 Há anos
- Visualizações:
Transcrição
1 . O Mapa Auto-Organizável (SOM) Redes Neurais Mapas Auto-Organizáveis Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos respondem a freqüências sonoras similares. Existe correlação entre a ordenação da freqüência de entrada e a posição do neurônio no mapa. A arquitetura do SOM corresponde a uma rede neural com uma camada competitiva bidimensional ou unidimensional, onde existe interação lateral entre os neurônios dentro de uma vizinhança. Os neurônios competem entre si, através de conexões especiais que implementam reforço central e inibição lateral. Através do ajuste de pesos considerando as vizinhanças, se preserva a distribuição de probabilidades (topologia) dos vetores de entrada. Com isso, unidades fisicamente próximas no mapa respondem a classes de vetores de entrada que são próximas entre si. Regiões no espaço de entrada com maior densidade de vetores de entrada produzem regiões no mapa envolvendo maior número de neurônios. 2 Formação auto-organizada de mapas sensoriais Estrutura básica de circuitos neurais usada em modelos cerebrais. Kernel de interações laterais: chapéu mexicano. Formação de bolhas de ativação Bolhas bidimensionais de atividades. Atividade de uma célula corresponde ao tamanho do ponto. Matriz de entrada M sinais de entrada X Matriz de realimentação N Respostas de saída Y (a) 7 unidades na parte positiva, 5 unidades na parte negativa (b) unidade na parte positiva, 5 unidades na parte negativa 3 4
2 Somatotopia: mapeamento das sensações da superfície do corpo na estrutura do cérebro Existem outros mapas sensoriais: retinotopia, tonotopia Córtex Somatossensorial primário Arquitetura da rede SOM Camada Competitiva Áreas Somatossensoriais Camada de Entrada 5 6 Processamento do SOM A rede SOM pode ser modelada de forma contínua, através de um sistema dinâmico, envolvendo conexões realimentadoras para produzir excitação central e inibição lateral, ou de forma discreta, envolvendo um juiz externo, para escolher um neurônio vencedor num processo de competição do tipo o vencedor leva tudo. O processamento da SOM pode ser resumido através do seguinte procedimento de aprendizado não-supervisionado: Apresentar um vetor na entrada da rede Calcular as ativações dos neurônios da camada competitiva Determinar o neurônio vencedor (neurônio mais próximo da entrada) Fase de treinamento: Modificar o vetor de pesos do vencedor e de todos os neurônios dentro de uma vizinhança do vencedor. Fase de recuperação (recordação) ou atuação: O neurônio vencedor indica o agrupamento ao qual o vetor de entrada pertence. Treinamento do SOM O treinamento do SOM se baseia no ajuste de uma vizinhança centrada no neurônio vencedor, de modo a orientar o vetor de pesos de todos os neurônios da vizinhança em direção ao vetor de entrada. O tamanho da vizinhança deve variar no tempo, iniciando com uma abrangência larga e finalizando com uma vizinhança muito estreita. A vizinhança pode ser implementada através de uma função contínua, como uma gaussiana, ou discreta, incluindo os vizinhos mais próximos dentro de um quadrado ou hexágono de largura variável. 7 8
3 Mapeamento do Espaço de Entrada num Espaço de Saída Mapeamento do Espaço de Entrada num Espaço de Saída Considere que H representa o espaço (contínuo) de entrada, cuja topologia é representada pela relação métrica dos vetores x H, e que A represente um espaço de saída discreto. Espaço de entrada contínuo w Espaço de saída discreto Então, Φ representa a transformação não-linear chamada de mapa de características, que mapeia o espaço de entrada H para o espaço de saída A: w 6 w Φ(x;w) i(x) Φ: H A w 2 5 A organização do mapa é visualizada pela imagem dos pesos no espaço de característica, assinalando os vizinhos mais próximos. 6 9 Ajuste dos pesos do SOM Na fase de treinamento, os pesos dos neurônios dentro de uma certa vizinhança centrada no neurônio vencedor são ajustados de modo a aproximá-los do vetor de entrada w : x: w6 w w 2 w w8 8 x x 2 w 2 w w 9 x w 7 w 6 n n + w 2 w x w 7 w 9 Atualização dos pesos Dentro da vizinhança os pesos são calculados por: w i (n + ) = w i (n) + η(n). (x w i (n)) A taxa de aprendizado, η (n), deve decrescer com o tempo discreto n: η (n) = η exp τ = 5 _ n ( τ ) τ = 2 (x - w i (n)) x w i (n+) w i (n) 2
4 Atualização dos pesos para vizinhança contínua Simulação da rede SOM Todos neurônios da rede têm seus pesos atualizados por: Sendo π ic a função de vizinhança gaussiana, centrada no neurônio vencedor de índice c : A largura da vizinhança deve também decrescer com o tempo: π ic σ = σ = 5 w i (n+) = w i (n)+ η(n).π ic (n).(x(n) w i (n)) π ic (n) = exp σ (n) = σ exp d 2 ic ( ) 2σ 2 (n) _ n ( ) τ 2 Tipicamente, escolhe-se σ de modo que toda a rede sofra ajustes significativos na fase inicial do aprendizado. Inicialização aleatória dos pesos normalizados A auto-organização da rede pode ser a qualquer tempo visualizada traçando-se linhas no espaço dos pesos entre os vetores de peso que são os vizinhos mais próximos. Para melhor visualização, apenas as linhas ortogonais entre vizinhos são traçadas. Com a inicialização aleatória normalizada, a rede não está auto-organizada e a figura correspondente é de uma malha de conexões aleatórias de pontos numa circunferência. Conforme o treinamento avança, a rede vai se tornando auto-organizada com as conexões entre pesos de neurônios vizinhos correspondendo à distribuição dos vetores de entrada. 3 4 As fases do processo adaptativo: ordenação e convergência O treinamento do SOM usualmente ocorre em duas fases: uma fase de ordenação, ou auto-organização, e uma fase de convergência. Fase de ordenação: Nesta fase ocorre a ordenação topológica dos vetores de peso, podendo se estender por épocas ou mais. A taxa de aprendizagem deve iniciar com um valor próximo a,, decrescendo gradualmente, mas permanecendo acima de,. Sugestão de parâmetros para épocas: η =,; τ = (com isso, η f =,37). A função de vizinhança deve inicialmente incluir quase todos os neurônios da grade e então diminuir lentamente com o tempo. Assumindo uma grade bidimensional quadrada, σ seria igual ao raio da grade. A redução da vizinhança seria controlada pela constante de tempo (σ f = ): As fases do processo adaptativo: ordenação e convergência Fase de convergência: Esta fase é necessária para realizar um ajuste fino do mapa e produzir uma quantização estatística mais precisa do espaço de entrada. Como regra geral, o número de iterações nesta fase deve ser no mínimo 5 vezes o número de neurônios da grade. A taxa de aprendizagem deve permanecer durante esta fase em um valor pequeno, da ordem de,. Não se deve deixar η chegar a zero para que a grade não fique presa num estado metaestável (defeito topológico). A função de vizinhança deve conter apenas os vizinhos mais próximos do neurônio vencedor. τ 2 = lnσ 5 6
5 Rede SOM treinada Entradas: os quatro vetores de um espaço de Hamming bidimensional Fase de reconhecimento Vetores de entrada de funções Booleanas (espaço de Hamming bidimensional) vencedor vencedor t = t = 5 t = 3 Distribuição triangular na entrada: Distribuição circular na entrada: x x vencedor 7 vencedor 8 SOM no MATLAB Funções: newsom, plotsom SOM unidimensional n = n = 2 n = 5 n = n = 2 n = 5 n = n = n = n = 5 n = 9 2
6 Simulação do SOM A simulação discreta do SOM é composta das seguintes etapas:. Inicializar os pesos da rede aleatoriamente e os parâmetros η, σ e n max. Inicializar a variável de tempo discreto n =. 2. Apresentar, aleatoriamente, um vetor de entrada do arquivo de treinamento e calcular a ativação de todos os neurônios da rede. 3. Determinar o neurônio vencedor, de índice c. 4. Calcular o fator de vizinhança (π ic ) para cada neurônio i da rede, em função da sua distância em relação ao neurônio c, d ic. 5. Atualizar os pesos de todos os neurônios da rede, levando em conta o seu fator de vizinhança. 6. Incrementar n e atualizar os parâmetros η e σ. 7. Voltar para 2 enquanto n n max. Determinação do vencedor Como na rede SOM desejamos preservar a topologia do espaço de entrada, os vetores de treinamento não devem ser normalizados antes de serem apresentados à rede. Com isso, o processo de escolha do vencedor deve ser baseado na distância euclidiana entre os vetores de entrada (x) e de peso de cada neurônio i (w i ). Para cada neurônio i da rede, a rotina de competição deve calcular a magnitude do vetor diferença, x w i e determinar o índice c do neurônio com menor magnitude Determinação do fator de vizinhança Para uma rede bidimensional com L linhas e C colunas, a determinação da distância entre um neurônio i e o vencedor c, d ic, pode ser calculada diretamente pelas suas posições na rede, (L i, C i ) e (L c, C c ), respectivamente. Dependência temporal dos parâmetros Lin = 3 Lin = 2 Lin = quociente L c = floor(c /C) C c = mod(c, C) resto Lin = Col = (d ic ) 2 = (L i L c ) 2 + (C i C c ) 2 σ (n) = σ exp _ n ( ) τ 2 π ic (n) = exp d 2 ic ( ) 2σ 2 (n) 23 24
7 Propriedades do Mapa de Características Aproximação do espaço de entrada: o algoritmo SOM é um algoritmo de quantização vetorial que fornece uma boa aproximação para o espaço de entrada H. Ordenação topológica: o mapa de características Φ calculado pelo algoritmo SOM é ordenado de modo topológico: a localização espacial de um neurônio na grade corresponde a uma característica particular dos padrões de entrada. Casamento de densidade: o mapa de características Φ reflete variações nas estatísticas da distribuição de entrada: regiões de H onde amostras x ocorrem com alta probabilidade são mapeadas para domínios maiores no espaço de saída A (maior resolução). Com isso, o mapa treinado apresenta um fator de magnificação m(x) correspondente à fdp f(x) do vetor aleatório de entrada X. Na forma padrão do algoritmo SOM, a codificação produz m(x) f 2/3 (x). Seleção de características: a partir dos dados do espaço de entrada o mapa seleciona um conjunto das melhores características para aproximar a distribuição subjacente. O mapa de características fornece uma aproximação discreta das chamadas curvas (superfícies) principais, representando uma generalização não-linear da análise de componentes principais. Mapas Semânticos (Contextuais) Pode-se formar mapas topográficos para dados abstratos, como palavras, nos quais as relações semânticas são refletidas por suas distâncias relativas no mapa. Para tanto, é necessária a inclusão dos contextos nos quais cada símbolo aparece. Com isso, a rede é capaz de detectar a similaridade lógica entre palavras, a partir das estatísticas de seus contextos. O problema dos mapas semânticos está relacionado com a formação auto-organizada de uma organização de categorias (representação interna) por meio de dados que contêm informação implícita relacionada com estas categorias. O problema de aplicar a lei de adaptação competitiva (baseada em distância) a símbolos é que o significado de um símbolo é desassociado da sua codificação, não havendo assim uma noção de similaridade lógica entre as representações simbólicas. Entretanto, a similaridade lógica entre os símbolos pode ser detectada indiretamente se eles forem apresentados juntamente com um conjunto de atributos do item que eles codificam, ou seja, o seu contexto. O vetor de entrada para o mapa x seria a concatenação do código simbólico x s com o conjunto de atributos x a : x = [x s x a ] T Mapas Semânticos (Contextuais) Nomes de animais e seus atributos A entrada do mapeamento semântico é um vetor de duas componentes ortogonais, x s e x a, onde a norma da componente dos atributos predomina sobre a norma da parte simbólica durante o processo de auto-organização. Assim, o mapeamento topográfico reflete principalmente as relações métricas do conjunto de atributos. Entretanto, como as entradas dos sinais simbólicos estão concomitantemente ativas com a componente simbólica durante o treinamento, são formados traços de memória entre estas entradas e as células do mapa que foram selecionadas pela componente de atributos. Por outro lado, durante a fase de reconhecimento de informações de entrada, os sinais de atributo são mais fracos, ou ausentes, mas, mesmo assim, a componente simbólica é capaz de ativar as mesmas unidades do mapa. Normalmente, os atributos são variáveis discretas (ausência:, ou presença: ), cuja identidade é claramente dada pela sua posição no campo de atributos (x a ). Exemplo: geração de um mapa semântico cujas entradas representam a codificação do nome de um (entre 6) animal (x s ) e um conjunto de 3 atributos discretos (x a ), representando características como tamanho, número de patas, cobertura e hábitos. x s é um vetor 6-D com apenas um bit igual a a (=,2) e os demais são zero. 27 é pequeno é médio é grande tem 2 patas tem 4 patas tem pelos tem cascos tem crina tem penas caça corre voa nada couja fal cavalo 28
8 Treinamento Os 6 vetores de treinamento (29 elementos) foram normalizados e submetidos a uma rede, por 2 épocas. Após o treinamento, cada célula se tornou mais responsiva a um vetor de entrada. Na fase de teste, foi apresentada como entrada x = [x s, ] T, e a unidade vencedora foi anotada: pacíficos Visualização por rotulação Podemos visualizar um mapa de características rotulando cada neurônio pelo padrão de teste que excita este neurônio de maneira máxima (melhor estímulo). A rotulação produz uma partição da grade de neurônios evidenciando uma hierarquia de domínios aninhados. cavalo cavalo cavalo fal fal fal fal fal fal fal fal aves caçadores Quantização Vetorial por Aprendizagem (LVQ) Um procedimento de quantização vetorial divide o espaço de entrada em um certo número de regiões distintas e, para cada região, define um vetor de reconstrução. Cada vetor de entrada x é representado pelo rótulo do subespaço ao qual ele pertence, o índice k, ou código, do neurônio vencedor. O conjunto dos vetores de reconstrução forma o livro de códigos do quantizador. Assim, no lugar do vetor original, pode-se usar o seu código para armazenamento ou transmissão, obtendo-se uma considerável economia em armazenagem ou largura de banda de transmissão, às custas de alguma distorção. A quantização realizada segue a função densidade de probabilidade da entrada: a densidade de neurônios e portanto de subespaços é máxima nas áreas em que entradas aparecem com maior probabilidade. Uma quantização mais esparsa (grossa) é obtida nas regiões onde as entradas são escassas. A mínima distorção de codificação é obtida com um quantizador de Voronoi, que realiza a partição do espaço (em células de Voronoi) pela regra do vizinho mais próximo. Cada célula é associada a um vetor (de reconstrução) de Voronoi. 3 Quantização Vetorial por Aprendizagem (LVQ) O algoritmo SOM fornece um método aproximativo para calcular os vetores de Voronoi, especificados aqui pelos vetores de pesos dos neurônios do mapa. Num segundo estágio, realizado por LVQ, é realizado o ajuste fino do mapa a fim de melhorar a qualidade das regiões de decisão do classificador de padrões. Para isso, é usado um conjunto de padrões previamente classificados: se a classe do vetor de entrada x e do vetor de Voronoi w correspondente concordarem, w é movido em direção a x; caso contrário w é afastado de x. vetor de Voronoi célula de Voronoi 32
9 Procedimento para Quantização Vetorial Treinar (de modo não-supervisionado) um SOM com vetores de treinamento de entrada. Propagar todos os vetores de treinamento (supervisionado) e distribuir rótulos para os neurônios da rede correspondendo à classe mais freqüente dos vencedores e, para os neurônios restantes da rede, por vizinhança dos vencedores. Assim, dispomos de uma rede treinada, correspondente a um livro de códigos inicial. A seguir, procede-se com um algoritmo de treinamento para minimizar os erros de classificação na região mais próxima do vencedor. No final, temos uma rede treinada de modo supervisionado, correspondendo a um livro de códigos que minimiza o erro de classificação para o arquivo de treinamento. Entrada Mapa de características auto-organizável Quantizador vetorial por aprendizagem Rótulos de classe Algoritmo LVQ Assuma que um certo número de vetores de código w i esteja colocado no espaço de entrada para aproximar vários domínios do vetor de entrada x por seus vetores quantizados. Usualmente vários vetores de código são atribuídos a cada classe dos valores de x e decide-se então que x pertence à mesma classe do vetor de código mais próximo, w c. A seguir, procede-se com um algoritmo de treinamento para minimizar os erros de classificação na região mais próxima do vencedor. w 6? x(n) w 2 w Professor Algoritmo LVQ Seja x(n) um vetor de entrada, w i (n) uma seqüência de vetores de código w i no tempo e w c (n) o vetor de código mais próximo a x(n). Partindo de valores iniciais apropriados, as seguintes expressões definem o processo básico LVQ: w c (n + ) = w c (n) + α(n) [ x(n) w c (n) ] se x e w c pertencerem a mesma classe Exemplo de aplicação do algoritmo LVQ x, de rótulo azul, é apresentado à rede no tempo n. Num tempo k futuro, ele é reapresentado à rede. w (n+) w c (n + ) = w c (n) α(n) [ x(n) w c (n) ] se x e w c pertencerem a classes diferentes w i (n + ) = w i (n) para i c onde α(n) é o parâmetro taxa de aprendizado com valores no intervalo < α(n) < α(n) deve decrescer monotonamente com o tempo: α(n) = α ( n τ ) w 6 w (n) x(n) x(k) w 2 (k+) w 2 (n) (k) 35 36
Redes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Mapas Auto-Organizáveis 1. O Mapa Auto-Organizável (SOM) Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos
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 maisProjeto 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 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 maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
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 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 mais3. REDES DE CAMADA ÚNICA
3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções
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 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 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 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 maisUniversidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2014 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação
Leia mais6. Geometria, Primitivas e Transformações 3D
6. Geometria, Primitivas e Transformações 3D Até agora estudamos e implementamos um conjunto de ferramentas básicas que nos permitem modelar, ou representar objetos bi-dimensionais em um sistema também
Leia maisEXERCÍCIOS EXERCÍCIOS. Definições Básicas. Definições Básicas. Definições Básicas. Introdução à Estatística. Dados: valores de variáveis observadas.
Definições Básicas Introdução à Estatística ESTATÍSTICA: estudo dos métodos para coletar, organizar, apresentar e analisar dados. População: conjunto constituído por todos os indivíduos que apresentem
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
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 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 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 maisUniversidade Paulista
Universidade Paulista Ciência da Computação Sistemas de Informação Gestão da Qualidade Principais pontos da NBR ISO/IEC 12207 - Tecnologia da Informação Processos de ciclo de vida de software Sergio Petersen
Leia maisNathalie Portugal Vargas
Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield
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 maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisAprendizagem de Máquina. Ivan Medeiros Monteiro
Aprendizagem de Máquina Ivan Medeiros Monteiro Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado
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 maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
Leia maisFiltragem Espacial. (Processamento Digital de Imagens) 1 / 41
Filtragem Espacial (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial Filtragem espacial é uma das principais ferramentas usadas em uma grande variedade de aplicações; A palavra filtro foi emprestada
Leia maisComo consolidar dados nas planilhas utilizando o comando CONSOLIDAR do Excel
Como consolidar dados nas planilhas utilizando o comando CONSOLIDAR do Excel! Como utilizar o comando Consolidar do Excel?! Quais são os diferenciais em relação ao cálculo aritmético normal?! Quais são
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 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 maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
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 maisClassificação de Imagens
Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,
Leia maisUniversidade Federal Rural de Pernambuco Departamento de Estatística e Informática
Universidade Federal Rural de Pernambuco Departamento de Estatística e Informática Redes Complexas e Aplicações na Informática Prof. Dr. Catão Temístocles de Freitas Barbosa Redes Complexas Rede = conjunto
Leia maisRoteamento em Redes de Computadores
Roteamento em Redes de Computadores José Marcos Câmara Brito INATEL - Instituto Nacional de Telecomunicações INATEL - Instituto Nacional de Telecomunicações 01/08/00 1 Introdução Objetivo Tipos de rede
Leia maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
Leia mais16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros
16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros Eytan Modiano Códigos Cíclicos Um código cíclico é um código de bloco linear onde c é uma palavra-chave, e também
Leia maisDiretrizes para determinação de intervalos de comprovação para equipamentos de medição.
Diretrizes para determinação de intervalos de comprovação para equipamentos de medição. De acordo com a Norma NBR 1001, um grande número de fatores influência a freqüência de calibração. Os mais importantes,
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 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 maisReconhecimento de Padrões
Engenharia Informática (ramos de Gestão e Industrial) Departamento de Sistemas e Informação Reconhecimento de Padrões Projecto Final 2004/2005 Realizado por: Prof. João Ascenso. Departamento de Sistemas
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
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 maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisRede de Elementos Caóticos Acoplados Globalmente
Rede de Elementos Caóticos Acoplados Globalmente Rosagela Follmann 1, Elbert E. N. Macau 2 1 Programa de Pós-graduação em Computação Aplicada - CAP Instituto Nacional de Pesquisas Espaciais - INPE 2 Laboratório
Leia maisModelos. Comunicação com clientes
Material baseado nas notas de aula: Maria Luiza M. Campos IME/2005 Carlos Heuser - livro Projeto de Banco de Dados CasaNova / PUC/RJ Prof. MSc. Edilberto Silva edilms@yahoo.com Sistemas de Informação Brasília/DF
Leia maisArcGIS 1: Introdução ao GIS (10.2)
ArcGIS 1: Introdução ao GIS (10.2) Duração: 02 dias (16 horas) Versão do ArcGIS: 10.2 Material didático: Português Descrição Este treinamento ensina o que é o GIS e o que você pode realizar com ele. Trabalhando
Leia maisCONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO
CONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO Editar dados em vários formatos e armazenar estas informações em diferentes sistemas é provavelmente uma das atividades mais comuns para os profissionais
Leia maisMetodologia e Gerenciamento do Projeto na Fábrica de Software v.2
.:: Universidade Estadual de Maringá Bacharelado em Informática Eng. de Software III :. Sistema de Gerenciamento de Eventos - Equipe 09 EPSI Event Programming System Interface Metodologia e Gerenciamento
Leia maisOBS.: Qualquer variável utilizada num subprograma que não for parâmetro deve ser considerada como variável local.
1 LINGUAGEM ALGORITMICA Instituto Luterano de Ensino Superior de Ji-Paraná Curso Bacharelado em Informática Prof.: José Luiz A. Duizith Variáveis : Toda em maiúscula : CONSTANTE Iniciando em Maiúscula
Leia maisPré processamento de dados II. Mineração de Dados 2012
Pré processamento de dados II Mineração de Dados 2012 Luís Rato Universidade de Évora, 2012 Mineração de dados / Data Mining 1 Redução de dimensionalidade Objetivo: Evitar excesso de dimensionalidade Reduzir
Leia maisDIAGNÓSTICO DA DISTRIBUIÇÃO ESPACIAL DO TERCEIRO SETOR EM BELO HORIZONTE 2006
DIAGNÓSTICO DA DISTRIBUIÇÃO ESPACIAL DO TERCEIRO SETOR EM BELO HORIZONTE 2006 José Irineu Rangel Rigotti João Francisco de Abreu Rafael Liberal Ferreira Luciene Marques da Conceição Alisson Eustáquio Gonçalves
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
Leia maisAnálise e Projeto Orientados por Objetos
Análise e Projeto Orientados por Objetos Aula 02 Análise e Projeto OO Edirlei Soares de Lima Análise A análise modela o problema e consiste das atividades necessárias para entender
Leia maisConcepção e Elaboração
UNIVERSIDADE ESTADUAL PAULISTA INSTITUTO DE BIOCIÊNCIAS, LETRAS E CIÊNCIAS EXATAS DEPARTAMENTO DE CIÊNCIAS DE COMPUTAÇÃO E ESTATÍSTICA Análise e Projeto Orientado a Objetos Concepção e Elaboração Estudo
Leia maisSetores Trilhas. Espaço entre setores Espaço entre trilhas
Memória Externa Disco Magnético O disco magnético é constituído de um prato circular de metal ou plástico, coberto com um material que poder magnetizado. Os dados são gravados e posteriormente lidos do
Leia maisARCO - Associação Recreativa dos Correios. Sistema para Gerenciamento de Associações Recreativas Plano de Desenvolvimento de Software Versão <1.
ARCO - Associação Recreativa dos Correios Sistema para Gerenciamento de Associações Recreativas Versão Histórico da Revisão Data Versão Descrição Autor Página
Leia maisWEBGIS Sistema Informativo Territorial
PREFEITURA MUNICIPAL DE PONTA GROSSA WEBGIS Sistema Informativo Territorial MANUAL DE UTILIZAÇÃO Autor: Rony Camargo de Brito Primeira edição: 20-06-2008 Atualizado: 08-10-2008 Todos os Direitos Reservados
Leia maisRevisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011
Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,
Leia maisIntrodução Visão Geral Processos de gerenciamento de qualidade. Entradas Ferramentas e Técnicas Saídas
Introdução Visão Geral Processos de gerenciamento de qualidade Entradas Ferramentas e Técnicas Saídas O que é qualidade? Qualidade é a adequação ao uso. É a conformidade às exigências. (ISO International
Leia maisAula 4 Pseudocódigo Tipos de Dados, Expressões e Variáveis
1. TIPOS DE DADOS Todo o trabalho realizado por um computador é baseado na manipulação das informações contidas em sua memória. Estas informações podem ser classificadas em dois tipos: As instruções, que
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 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 maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros
Leia maisALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA
ALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA INTRODUÇÃO O projeto de um banco de dados é realizado sob um processo sistemático denominado metodologia de projeto. O processo do
Leia maisAgrupamento de dados
Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisTécnicas de Cartografia Digital
Técnicas de Cartografia Digital Maria Cecília Bonato Brandalize 2011 Aula 8 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens 1. Vetoriais 2. Matriciais 3. Vantagens e Desvantagens Como são representados
Leia maisSisDEA Home Windows Versão 1
ROTEIRO PARA CRIAÇÃO E ANÁLISE MODELO REGRESSÃO 1. COMO CRIAR UM MODELO NO SISDEA Ao iniciar o SisDEA Home, será apresentada a tela inicial de Bem Vindo ao SisDEA Windows. Selecione a opção Criar Novo
Leia maisEE210 Sistemas de Comunicação II 2ª Avaliação (PV2) 22/04/2015 15h30min Profs. Dayan A. Guimarães e Rausley A. A. de Souza. Aluno(a): Matrícula.
EE1 Sistemas de Comunicação II ª Avaliação (PV) /4/15 15h3min Profs. Dayan A. Guimarães e Rausley A. A. de Souza Nota : Nota P: Aluno(a): Matrícula. Prova sem consulta, com duração de 1h5min. A interpretação
Leia maisSIG - Sistemas de Informação Geográfica
SIG - Sistemas de Informação Geográfica Gestão da Informação Para gestão das informações relativas ao desenvolvimento e implantação dos Planos Municipais de Conservação e Recuperação da Mata Atlântica
Leia maisUniversidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens
Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisTIC Unidade 2 Base de Dados. Informação é todo o conjunto de dados devidamente ordenados e organizados de forma a terem significado.
Conceitos relativos à Informação 1. Informação O que á a informação? Informação é todo o conjunto de dados devidamente ordenados e organizados de forma a terem significado. 2. Dados Em informática designa-se
Leia maisAlgoritmos Construtivos. Prof. Júlio Cesar Nievola PPGIA PUCPR Especialização em Inteligência Computacional
Algoritmos Construtivos PPGIA PUCPR Introdução Motivação: transformar o treinamento em um problema simples de aprendizagem de uma célula: Algoritmo da torre Algoritmo da pirâmide Algoritmo de correlação
Leia maisCentro Tecnológico de Eletroeletrônica César Rodrigues. Atividade Avaliativa
1ª Exercícios - REDES LAN/WAN INSTRUTOR: MODALIDADE: TÉCNICO APRENDIZAGEM DATA: Turma: VALOR (em pontos): NOTA: ALUNO (A): 1. Utilize 1 para assinalar os protocolos que são da CAMADA DE REDE e 2 para os
Leia maisSumário. Computação Gráfica Illustrator
1 Sumário Área de trabalho... 2 Barra de tarefas... 5 Menu ajuda... 6 Menu janela... 7 Menu exibir... 8 Menu efeito... 9 Menu selecionar... 10 Menu tipo... 10 Menu objeto... 12 Menu editar... 13 Menu arquivo...
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia mais1. Introdução. 1.1 Introdução
1. Introdução 1.1 Introdução O interesse crescente dos físicos na análise do comportamento do mercado financeiro, e em particular na análise das séries temporais econômicas deu origem a uma nova área de
Leia maisSistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara. Carga Horária: 60h
Sistema de Numeração e Conversão entre Sistemas. Prof. Rômulo Calado Pantaleão Camara Carga Horária: 60h Representação de grandeza com sinal O bit mais significativo representa o sinal: 0 (indica um número
Leia maisSistemas Distribuídos
Sistemas Distribuídos Modelo Cliente-Servidor: Introdução aos tipos de servidores e clientes Prof. MSc. Hugo Souza Iniciando o módulo 03 da primeira unidade, iremos abordar sobre o Modelo Cliente-Servidor
Leia maisEngenharia de Software II
Engenharia de Software II Aula 28 Revisão para a Prova 2 http://www.ic.uff.br/~bianca/engsoft2/ Aula 28-28/07/2006 1 Matéria para a Prova 2 Gestão de projetos de software Conceitos (Cap. 21) Métricas (Cap.
Leia maisTreinamento em BrOffice.org Calc
Treinamento em BrOffice.org Calc 1 Índice I. INTRODUÇÃO...3 II. NÚMEROS, TEXTOS, FÓRMULAS E DATAS...4 III. MENUS BÁSICOS...5 1. Arquivo...5 2. Editar...5 3. Formatar...5 IV. FÓRMULAS...8 V. REFERÊNCIAS
Leia maisMODELAGEM DIGITAL DE SUPERFÍCIES
MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisAVALIAÇÃO DO MODELO DE ONDAS
AVALIAÇÃO DO MODELO DE ONDAS O modelo de onda WAVEWATCH implementado operacionalmente no CP- TEC/INPE global é validado diariamente com os dados do satélite JASON-2. Este novo produto tem como finalidade
Leia maisFigura 1: Bosque de Casal do Rei, alguns meses após o incêndio que ocorreu no Verão de 2005.
Estudo da vegetação 1. Introdução A intensa actividade humana desenvolvida na região Centro ao longo dos últimos milénios conduziu ao desaparecimento gradual de extensas áreas de floresta autóctone, que
Leia maisStatus. Barra de Título. Barra de Menu. Barra de. Ferramentas Padrão. Caixa de nomes. Barra de. Ferramentas de Formatação. Indicadores de Coluna
O que é uma planilha eletrônica? É um aplicativo que oferece recursos para manipular dados organizados em tabelas. A partir deles pode-se gerar gráficos facilitando a análise e interpretação dos dados
Leia maisAprendizagem automática Mapas auto-organizativos (SOMs)
Aprendizagem automática Mapas auto-organizativos (SOMs) 1 Redes neuronais de Kohonen self-organizing maps (SOMS) Visão algébrica dum conjunto de informação (valores, sinais, magnitudes,...) vs. Visão topológica
Leia mais2 Atualidade de uma base de dados
2 Atualidade de uma base de dados Manter a atualidade de uma base de dados é um problema que pode ser abordado de diferentes maneiras. Cho e Garcia-Molina [CHO] definem esse problema da seguinte forma:
Leia maisPRINCÍPIOS DE INFORMÁTICA PRÁTICA 08 1. OBJETIVO 2. BASE TEÓRICA. 2.1 Criando Mapas no Excel. 2.2 Utilizando o Mapa
PRINCÍPIOS DE INFORMÁTICA PRÁTICA 08 1. OBJETIVO Aprender a utilizar mapas, colocar filtros em tabelas e a criar tabelas e gráficos dinâmicos no MS-Excel. Esse roteiro foi escrito inicialmente para o Excel
Leia maisFILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço
FILTRAGEM ESPACIAL Filtros Digitais no domínio do espaço Definição Também conhecidos como operadores locais ou filtros locais Combinam a intensidade de um certo número de piels, para gerar a intensidade
Leia maisProf. Júlio Cesar Nievola Data Mining PPGIa PUCPR
Uma exploração preliminar dos dados para compreender melhor suas características. Motivações-chave da exploração de dados incluem Ajudar na seleção da técnica correta para pré-processamento ou análise
Leia maisUNIVERSIDADE FEDERAL DA BAHIA - UFBA
UNIVERSIDADE FEDERAL DA BAHIA - UFBA Instituto de Ciências Ambientais e Desenvolvimento Sustentável Prof. Pablo Santos 4 a Aula SISTEMA DE INFORMAÇÃO GEOGRÁFICA - SIG Introdução Definições Necessárias
Leia maisGuia de preparação para o exame da Axis
Diretrizes Guia de preparação para o exame da Axis Axis Certification Program Índice 1. Introdução 3 2. O que é o Axis Certification Program? 3 3. Detalhes do exame 4 4. Preparação recomendada para o exame
Leia mais1 Tipos de dados em Análise de Clusters
Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um
Leia maisPROVA MODELO 2015. Duração da prova: 120 minutos
Página 1 de 8 Provas especialmente adequadas destinadas a avaliar a capacidade para a frequência do ensino superior dos maiores de 3 anos, Decreto-Lei n.º 64/006, de 1 de março AVALIAÇÃO DA CAPACIDADE
Leia maisBanco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados
Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses
Leia maisHardware (Nível 0) Organização. Interface de Máquina (IM) Interface Interna de Microprogramação (IIMP)
Hardware (Nível 0) Organização O AS/400 isola os usuários das características do hardware através de uma arquitetura de camadas. Vários modelos da família AS/400 de computadores de médio porte estão disponíveis,
Leia mais