Environment. Agent. Cap. 18, Russell: Aprendendo através de observações Performance standard. Critic. feedback. changes.
|
|
|
- Silvana de Caminha
- 5 Há anos
- Visualizações:
Transcrição
1 istemas de Api à Decisã Clínica, Cap. 18, Russell: Aprendend através de bservações Perfrmance standard Critic Sensrs feedback learning gals Learning element changes knwledge Perfrmance element Envirnment Prblem generatr Agent Effectrs
2 istemas de Api à Decisã Clínica, Aprendend através de bservações Prjet de um element de desempenh (perfrmance element) é influenciad pr 4 fatres: que cmpnentes devem ser melhrads. que representaçã é usada para s cmpnentes. que tip de retr-alimentaçã está dispnível. que infrmaçã anterir é cnhecida.
3 istemas de Api à Decisã Clínica, Aprendend através de bservações Cmpnentes de um element de desempenh: mapeament diret de cndições d estad crrente para as ações. meis de inferir prpriedades relevantes d ambiente através das percepções. inf sbre mdificações n ambiente inf sbre s resultads de pssíveis ações. inf de utilidade inf sbre valres de ações (priridades) que indiquem interesse naquela determinada açã em determinad estad. Objetivs que descrevem classes de estads que maximizem a utilidade.
4 istemas de Api à Decisã Clínica, Aprendend através de bservações Representaçã ds cmpnentes: pde ser feita utilizand qq esquema estudad. Retr-alimentaçã: aprendizagem supervisinada: entradas e saídas ds cmpnentes sã cnhecidas. Agente pde prever qual será a saída. reinfrcement: agente recebe algum avaliaçã de sua açã, mas nã cnhece a açã crreta. aprendizagem nã supervisinada: qd nã há nenhuma dica sbre as saídas. Cnheciment anterir (prëvi): necessári para melhrar aprendizagem.
5 istemas de Api à Decisã Clínica, Aprendizagem Indutiva (Inductive Learning) Em aprendizagem supervisinada element de aprendizagem tem valr crret u aprximad da funçã das entradas. Mdifica a representaçã da funçã para que esta se trne análga à inf frnecida pr retr-alimentaçã. Exempl: par (x, f(x)), nde x é entrada é f(x) é saída. Inferência puramente indutiva (u simplesmente induçã): dad um cnj de exempls de f, retrna uma funçã h (hipótese) que aprxima f. Bias: preferência pr uma u utra hipótese.
6 istemas de Api à Decisã Clínica, Aprendizagem Indutiva (Inductive Learning) (a) (b) (c) (d)
7 istemas de Api à Decisã Clínica, glbal examples fg functin REFLEX-PERFORMANCE-ELEMENT( percept) returns an actin if ( percept, a) in examples then return a else h INDUCE(examples) return h( percept) prcedure REFLEX-LEARNING-ELEMENT(percept, actin) inputs: percept, feedback percept actin, feedback actin examples examples [ f( percept,actin)g
8 istemas de Api à Decisã Clínica, Aprendizagem Indutiva (Inductive Learning) Algritm atualiza var glbal examples, lista de pares percepçã, açã. Percepçã pde ser uma situaçã n jg de xadrez. Açã: melhr jgada de acrd cm um grande mestre enxadrista. Se agente percebe uma situaçã q já tenha vist antes, executa a açã crrespndente. Cas cntrári, utiliza algritm de aprendizagem INDUCE sbre exempls que viu até entã. INDUCE retrna uma hipótese h q é usada para esclher uma açã.
9 istemas de Api à Decisã Clínica, Aprendizagem Indutiva (Inductive Learning) Alternativa: aprendizagem incremental. Agente tenta atualizar a hipótese anterir sempre q um nv exempl aparece, sem precisar induzir sbre *tds* s exempls a cada nva previsã. Pde tb receber retr-alimentaçã sbre a qualidade das ações esclhidas. Frma em que hipóteses sã representadas: livre. Algritms de aprendizagem: mais uma vez, baseads em lógica! Duas abrdagens para aprender sentenças lógicas: árvres de decisã e versin-space (mais geral, mens eficiente). Prblema: representaçã da funçã utilizada para a aprendizagem. É representável na linguagem? É eficiente?
10 istemas de Api à Decisã Clínica, Aprendizagem Indutiva (Inductive Learning) Lógica de primeira rdem: temp de cmputaçã e númer de exempls necessáris para aprender um bm cnjunt de sentenças. Bm cnj de sentenças: prevê crretamente experências futuras e reflete crretamente experiências passadas. Prblema filsófic: cm é que pdems saber se um algritm de aprendizagem está prduzind uma teria q prevê crretamente futur?
11 istemas de Api à Decisã Clínica, Árvres de Decisã Simples e fácil de implementar. Recebe cm entrada um bjet u situaçã descrita pr um cnj de prpriedades e prduz uma respsta sim u nã. Representam funções bleanas. Exempl: esperar pr uma mesa num restaurante. Objetiv: aprender a definiçã d predicad VuEsperar.
12 istemas de Api à Decisã Clínica, Árvres de Decisã Decidims (p eqt, pis ist pderia ser decidid pel algritm de aprendizagem) as prpriedades u atributs: Alternativ: algum restaurante alternativ pert? Bar: restaurante tem uma área de espera? Sex/Sab: V se fr sexta u sábad. CmFme: estams cm fme? Clientes: númer de pessas n restaurante (Nenhuma, Algumas, Chei). Preç: $, $$, $$$. Chvend: chvend? Reserva: tems reserva? Tip: Francês, Italian etc. EsperaEstimada: 0 10min, 10 30, 30 60, > 60.
13 istemas de Api à Decisã Clínica, Patrns? Nne Sme Full N Yes WaitEstimate? > N Alternate? Hungry? Yes N Yes N Yes Reservatin? Fri/Sat? Yes Alternate? N Yes N Yes N Yes Bar? Yes N Yes Yes Raining? N Yes N Yes N Yes N Yes
14 istemas de Api à Decisã Clínica, Árvres de Decisã Representaçã de uma árvre de decisã em lógica: s V uesperar(s) P 1 (s) P 2 (s)... P n (s) Em lógica pdems representar: r 2 Pert(r 2, r) Prec(r, p) Prec(r 2, p 2 ) menr(p 2, p) Árvres de decisã nã cnseguem representar testes sbre 2 u mais bjets diferentes. Limitações em representaçã. Qq funçã bleana pde ser representada cm uma árvre de decisã. N entant, representaçã em árvres de decisã deve ser + cmpacta, pq tabelas verdade têm cresciment expnencial.
15 istemas de Api à Decisã Clínica, Árvres de Decisã Exempls: valres ds atributs + valr d predicad desejad. Classificaçã d exempl: valr d predicad. qd valr é verdadeir, exempl psitiv. Cas cntrári, é um exempl negativ. cnj cmplet de exempls: cnjunt de treinament.
16 istemas de Api à Decisã Clínica, Example Attributes Gal Alt Bar Fri Hun Pat Price Rain Res Type Est WillWait X 1 Yes N N Yes Sme $$$ N Yes French 0 10 Yes X 2 Yes N N Yes Full $ N N Thai N X 3 N Yes N N Sme $ N N Burger 0 10 Yes X 4 Yes N Yes Yes Full $ N N Thai Yes X 5 Yes N Yes N Full $$$ N Yes French >60 N X 6 N Yes N Yes Sme $$ Yes Yes Italian 0 10 Yes X 7 N Yes N N Nne $ Yes N Burger 0 10 N X 8 N N N Yes Sme $$ Yes Yes Thai 0 10 Yes X 9 N Yes Yes N Full $ Yes N Burger >60 N X 10 Yes Yes Yes Yes Full $$$ N Yes Italian N X 11 N N N N Nne $ N N Thai 0 10 N X 12 Yes Yes Yes Yes Full $ N N Burger Yes
17 istemas de Api à Decisã Clínica, Árvres de Decisã Cm induzir uma árvre de decisã através de exempls? Cada exempl pde ser um caminh diferente na árvre. limitaçã de representaçã, nã deixa extrair nenhum utr padrã de infrmaçã além daquele descrit pels exempls já cnhecids. Extrair um padrã significa descrever um grande númer de cass de frma cncisa. Princípi geral de aprendizagem indutiva: Ockham s razr. A hipótese mais prvável é a mais simples e cnsistente cm tdas as bservações. encntrar a menr árvre de decisã é um prblema intratável. heurísticas pdem ajudar.
18 istemas de Api à Decisã Clínica, Árvres de Decisã idéia básica d algritm: testar s atributs mais imprtantes primeir. O que é um atribut mais imprtante? É aquele que influencia mais a classificaçã d exempl. Exempl: 12 cnjunts de treinament, separads em exempls psitivs e negativs. Clientes é um atribut imprtante: se valr igual a Nenhuma u Algumas, predicad sempre tem valr definid (Nã e Sim). Tip: atribut pbre. algritm esclhe atribut + frte e clca cm raiz da árvre.
19 istemas de Api à Decisã Clínica, Árvres de Decisã Restam subcnjunts de exempls, algritm é aplicad recursivamente. 4 cass pssíveis: Se há alguns exempls psitivs e negativs, esclher melhr atribut. Se tds s exempls restantes sã psitivs (u tds negativs), pdems respnder diretamente Sim u Nã. Se nã há mais exempls, significa que nenhum exempl fi bservad para aquele caminh. Retrna valr default Sim u Nã dependend da mairia das classificações d pai. Se nã há mais atributs, mas tems exempls psitivs e negativs, significa que estes exempls têm exatamente a mesma descriçã, mas diferentes classificações. Sluçã simples: vt majritári.
20 istemas de Api à Decisã Clínica,
21 istemas de Api à Decisã Clínica, (a) +: X1,X3,X4,X6,X8,X12 : X2,X5,X7,X9,X10,X11 Patrns? Nne Sme Full +: : X7,X11 +: X1,X3,X6,X8 : +: X4,X12 : X2,X5,X9,X10 (b) +: X1,X3,X4,X6,X8,X12 : X2,X5,X7,X9,X10,X11 Type? French Italian Thai Burger +: X1 : X5 +: X6 : X10 +: X4,X8 : X2,X11 +: X3,X12 : X7,X9 (c) +: X1,X3,X4,X6,X8,X12 : X2,X5,X7,X9,X10,X11 Patrns? Nne Sme Full +: : X7,X11 +: X1,X3,X6,X8 : +: X4,X12 : X2,X5,X9,X10 Yes N Hungry? Y N +: X4,X12 : X2,X10 +: : X5,X9
22 istemas de Api à Decisã Clínica,
23 istemas de Api à Decisã Clínica, Patrns? Nne Sme Full N Yes Hungry? N Yes Type? N French Italian Thai Burger Yes N Fri/Sat? Yes N Yes N Yes
24 istemas de Api à Decisã Clínica, Árvres de Decisã Observações: árvre induzida é diferente da árvre riginal, apesar d agente ter utilizad exempls gerads pr aquela árvre. algritm pde cncluir fats que nã estã muit evidentes ds exempls: sempre esperar pr um restaurante Tailandes, se fr um fim de semana. Pr causa destes fats: muit temp gast em depuraçã prcurand pr errs nã existentes! qt mais exempls, mas detalhada será a árvre de decisã. Figura 18.8 pde induzir errs já que nunca viu um cas nde temp de espera é 0-10mins, mas restaurante está chei. Questã: se algritm induz uma árvre cnsistente, mas incrreta, através ds exempls, quã incrreta é a árvre?
25 istemas de Api à Decisã Clínica, Desempenh de um Algritm de Aprendizagem Um algritm de aprendizagem é bm se prduzir hipóteses que classificam bem exempls ainda nã vists. duas frmas de avaliar desempenh: após s fats, em avanç. Métd após s fats: verificaçã das previsões de acrd cm as classificações crretas num cnjunt de teste. 1. Esclher um cnjunt grande de exempls. 2. Dividir este cnj em cnj de treinament e cnj de teste. 3. Usar algritm cm cnj de treinament cm exempl para gerar a hipótese H. 4. Calcular a percentagem de exempls n cnj de teste que estejam crretamente classificads pr H. 5. Repetir passs 1 a 4 para tamanhs diferentes de cnjs de treinament e cnjs de treinament selecinads aleatriamente para cada tamanh.
26 istemas de Api à Decisã Clínica, Resultad d métd: cnj de dads q pdem ser prcessads para prduzir a curva de aprendizagem.
27 istemas de Api à Decisã Clínica, Desempenh de um Algritm de Aprendizagem % crrect n test set Training set size
28 istemas de Api à Decisã Clínica, Utilizaçã Prática de Aprendizagem em Árvres de Decisã GASOIL, BP, sistema escrit a mã levaria 10 ans para ser cmpletad. Usand algritm basead de induçã de árvres de decisã, fi desenvlvid em 100 dias! Cnsiderad melhr d que um expert. Aprendend a var: C4.5 utilizad para extrair a árvre de decisã através de exempls btids pr pilts experientes num simuladr. Árvre resultante cnvertida em C aprende e va melhr d que s instrutres.
29 istemas de Api à Decisã Clínica, Teria da Infrmaçã Encntrar medidas frmais para classificar atributs cm bm u razável u pbre etc. Infrmaçã representada em númer de bits. Se I(p) = 1, precisams de 1 bit de inf. Se I(p) = 0, nã precisams de inf adicinal. Assuma q atribut tenha cm respstas pssíveis v i cm prbabilidade P(v i ). Infrmaçã ttal: I(P(v 1 ),...,P(v n )) = n i=1 P(v i)lg 2 P(v i ) Cdificaçã da inf cm tamanh ótim vai ter lg 2 p bits para atribut que tenha prb p. Cnsiderand exempls psitivs e negativs: I( p p+n, n p+n ) = p p+n lg 2 p p+n cntida em uma respsta crreta. p lg p+n 2 n, estimativa da inf p+n
30 istemas de Api à Decisã Clínica, Ganh de infrmaçã: diferença entre a inf riginal e nv requisit. Ganh(A) = I( p p+n, n p+n ) Restante(A) Heurística usada pr CHOOSE-ATTRIBUTE esclhe atribut cm mair ganh. Ex: Ganh(Clientes) = 1 [ 2 12 I(0, 1) I(1, 0) I(2 6, 4 6 )] bits.
Environment. Agent. Cap. 18: Aprendendo através de observações Performance standard. Critic. feedback. changes. Learning element. Performance element
istemas Inteligentes, 10-11 1 Cap. 18: Aprendendo através de observações Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem
Aprendizagem de Máquina. May 29, 2014
Aprendizagem de Máquina May 29, 2014 Componentes de um Agente Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem generator
Aprendizagem de Máquina. April 28, 2016
Aprendizagem de Máquina April 28, 2016 Componentes de um Agente Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem generator
Indução de Regras. Indução de Regras. Regra. Regra de Classificação. Complexo. Uma regra de classificação assume a forma restrita de uma regra
Jsé August Baranauskas Departament de Física e Matemática FFCLRP-USP Induçã de Regras A induçã de árvres de decisã recursivamente divide s exempls em subcnjunts menres, tentand separar cada classe das
Aprendizagem 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
Aprendizado Simbólico: Regras
Aprendizad Simbólic: Regras SCC-230 Inteligência Artificial Thiag A. S. Pard 1 Regras Regras de classificaçã (atributs implicam uma classe) VS. Regras de assciaçã (atributs pdem implicar uns as utrs) 2
Cálculo do Valor Acrescentado (VA) no Aves
Cálcul d Valr Acrescentad (VA) n Aves Cnceiçã Silva Prtela Faculdade de Ecnmia e Gestã Universidade Católica Prtuguesa csilva@prt.ucp.pt pt Prgrama AVES Avaliaçã de Externa Esclas de Esclas cm Ensin Secundári
decisão em comparação com a curva para árvores de decisão.
function Decision-Learning(examplos) returns a decision list or failure if examples is empty then return the trivial decision list t a test that matches a nonempty subset examples t of examples such that
Bias de AM. Bias e Variância Estatísticos
Bias, Variância & Ensembles Em aulas anterires vims cnceit de bias de AM, qual se cnstitui em certas supsições e esclhas efetuadas pels indutres na busca de uma hipótese Nesta aula verems que bias e a
Organização de Computadores Digitais. Cap.10: Conjunto de Instruções: Modos de Endereçamento e Formatos
Organizaçã de Cmputadres Digitais Cap.10: Cnjunt de Instruções: Mds de Endereçament e Frmats Mds de endereçament Os mds de endereçament sã um aspect da Arquitetura d cnjunt de instruções ns prjets das
MATEMÁTICA APLICADA RESOLUÇÃO
GRADUAÇÃO EM ADMINISTRAÇÃO, CIÊNCIAS ECONÔMICAS E 3/0/06 As grandezas P, T e V sã tais que P é diretamente prprcinal a T e inversamente prprcinal a V Se T aumentar 0% e V diminuir 0%, determine a variaçã
COMPARAÇÃO DE CURVAS DE SOBREVIVÊNCIA
COMPARAÇÃO DE CURVAS DE SOBREVIVÊNCIA O prblema de cmparaçã de distribuições de sbrevivências surge cm freqüência em estuds de sbrevivência. Pr exempl, pde ser de interesse cmparar dis trataments para
Métodos de reamostragem
Universidade Federal d Paraná Labratóri de Estatística e Geinfrmaçã - LEG Métds de reamstragem Prfs.: Eduard Vargas Ferreira Walmes Marques Zeviani Validaçã cruzada e btstrap Nesta seçã vams discutir dis
Indução de Árvores de Decisão
Induçã de Árvres de Decisã Várias aplicações em Inteligência Artificial em tarefas de imprtância prática sã baseadas na cnstruçã de um mdel de cnheciment que é utilizad pr um especialista human O bjetiv
Aprendizagem a partir de observações. Inteligência Artificial. Aprendizagem Indutiva Clássica. Aprendizagem Indutiva. Aprendizagem indutiva
Inteligência Artificial Aula 19 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Aprendizagem a partir de observações Capítulo 18 Russell & Norvig Seções 18.1 a 18.3 Aprendizagem Indutiva Clássica
LÓGICA FORMAL parte 2 QUANTIFICADORES, PREDICADOS E VALIDADE
LÓGICA FORMAL parte 2 QUANTIFICADORES, PREDICADOS E VALIDADE Algumas sentenças nã pdem ser expressas apenas cm us de símbls prpsicinais, parênteses e cnectivs lógics exempl: a sentenç a Para td x, x >0
TÉCNICAS NÃO-PARAMÉTRICAS
TÉCNICAS NÃO-PARAMÉTRICAS O pass inicial de qualquer análise estatística cnsiste em uma descriçã ds dads através de análise descritiva (tabelas, medidas e gráfics). Cm a presença de censura invalida esse
Aprendizagem a partir de observações. Capítulo 18 (Secções 1-3)
Aprendizagem a partir de observações Capítulo 18 (Secções 1-3) Sumário Agentes aprendizes Aprendizagem indutiva Aprendizagem com árvores de decisão Aprendizagem Aprendizagem é essencial em ambientes desconhecidos
Os critérios de correcção são os seguintes:
Os critéris de crrecçã sã s seguintes: Grup I Errs (7 errs): O tip de retrn da funçã é int e nã flat N primeir cndicinal, peradr de igualdade == (crret) fi trcad pel da atribuiçã = (incrret) N primeir
2 Modelagem da previsão de atenuação por chuvas em enlaces GEO
2 Mdelagem da previsã de atenuaçã pr chuvas em enlaces GEO A caracterizaçã adequada da influência da chuva em enlaces de cmunicaçã via satélite que peram na faixa de freqüência de micrndas é fundamental
Sugestões para Escrita de Artigos Científicos
Sugestões para Escrita de Artigs Científics Organizaçã Geral Um text científic é dividid em secções. A rganizaçã d cnteúd das secções varia de artig para artig. Uma ba sugestã de rganizaçã é a seguinte.
Alinhamento de Seqüências Biológicas
O que se cmpara? Alinhament de Seqüências Bilógicas A cmparaçã de seqüências de DNA, RNA e prteínas é uma das bases da biinfrmática. Citsina Uracila Timina Prfª Drª Silvana Giuliatti Departament de Genética
Auditoria às Reclamações e Pedidos de Informação dos CTT Correios de Portugal, S.A. 2017
Auditria às Reclamações e Pedids de Infrmaçã ds CTT Crreis de Prtugal, S.A. 2017 Síntese d Relatóri Versã pública 11 de setembr de 2018 Este dcument fi preparad pela Grant Thrntn & Assciads, SROC, Lda.
Árvore de Decisão. Capítulo 18 Russell & Norvig Seções 18.1 a 18.3
Árvore de Decisão Capítulo 18 Russell & Norvig Seções 18.1 a 18.3 Aprendizagem Indutiva Clássica Recebe como entrada o valor correto de uma função desconhecida para entradas específicas e tenta recuperar
Sistemas de Tempo Real
Sistemas de Temp Real Temp Várias definições Temp em sistemas (Interpretações) Temp Lógic: definid a partir de relações de precedência entre events. Estabelece rdens causais entre cnjunt de events. Temp
Exame: Matemática Nº Questões: 58 Duração: 120 minutos Alternativas por questão: 4 Ano: 2009
Eame: Matemática Nº Questões: 8 Duraçã: 0 minuts Alternativas pr questã: An: 009 INSTRUÇÕES. Preencha as suas respstas na FOLHA DE RESPOSTAS que lhe fi frnecida n iníci desta prva. Nã será aceite qualquer
Factsheet GS Momentum Builder Multi-Asset 5S ER Index
Factsheet GS Mmentum Builder MultiAsset 5S ER Index INFORMAÇÃO DO ÍNDICE¹ RESUMO ESTRATÉGICO² GSMBMA5S GS Mmentum Builder MultiAsset (Multi Ativ) 5S ER Index: Prprcina expsiçã a ETFs cujs índices subjacentes
Caixas Ativas e Passivas. SKY 3000, SKY 2200, SKY 700, SKY 600 e NASH Áreas de Cobertura e Quantidade de Público
Caixas Ativas e Passivas SKY 3000, SKY 00, SKY 700, SKY 600 e NASH 144 Áreas de Cbertura e Quantidade de Públic www.studir.cm.br Hmer Sette 18-07 - 01 A área cberta pelas caixas acima, em funçã d psicinament
Pesquisa de Satisfação de Clientes HB SAÚDE Relatório de Auditoria e Parecer Técnico
Pesquisa de Satisfaçã de Clientes HB SAÚDE 2018 Relatóri de Auditria e Parecer Técnic Jã August Simões Abril/2018 AVALIAÇÃO DE CENÁRIO A HB SAÚDE (HB SAÚDE S/A) adta as nrmas gerais recmendadas pela ANS
Classificações ECTS. - Resultados da aplicação experimental às disciplinas do IST - Carla Patrocínio
Classificações ECTS - Resultads da aplicaçã experimental às disciplinas d IST - Carla Patrcíni Crd.: Drª Marta Pile Gabinete de estuds e planeament Institut Superir Técnic Janeir, 2003 1. Enquadrament
5 Flutuação intrínseca chuveiro a chuveiro
5 Flutuaçã intrínseca chuveir a chuveir Adetecçãhíbridapararaiscósmicsdeultra-altaenergiaacimada regiã d trnzel 1 feita pel Observatóri Auger, mstru um aument n valr médi e uma diminuiçã nas flutuações
CLASSIFICAÇÃO DE IMAGENS
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE GEOCIÊNCIAS DEPARTAMENTO DE GEOLOGIA SEDIMENTAR E AMBIENTAL GSA0401 SENSORIAMENTO REMOTO CLASSIFICAÇÃO DE IMAGENS extraçã de padrões pela rem Prf.: André Pires Negrã
AVALIAR O IMPACTO Transformar Promessas em Evidências Bénédicte de la Brière, Banco mundial
AVALIAR O IMPACTO Transfrmar Prmessas em Evidências Bénédicte de la Brière, Banc mundial Presentaçã baseada n material desnvlvid n Impact Evaluatin in Practice tlkit www.wrldbank.rg/ieinpractice Entã vcê
AL 1.1 Movimento num plano inclinado: variação da energia cinética e distância percorrida. Nome dos membros do grupo: Data de realização do trabalho:
Escla Secundária de Laga Física e Química A 10º An Paula Mel Silva Relatóri Simplificad AL 1.1 Mviment num plan inclinad: variaçã da energia cinética e distância percrrida Identificaçã d trabalh (Capa)
A) O volume de cada bloco é igual à área da base multiplicada pela altura, isto é, 4 1
OBMEP Nível 3 ª Fase Sluções QUESTÃO. Quincas Brba uniu quatr blcs retangulares de madeira, cada um cm 4 cm de cmpriment, cm de largura e cm de altura, frmand bjet mstrad na figura. A) Qual é vlume deste
SIC Gerenciando Através s da Confiabilidade. Fabiana Pereira da Silva Vale
SIC 2013 Gerenciand Através s da Cnfiabilidade Fabiana Pereira da Silva Vale Intrduçã Atualmente as empresas de mineraçã vivem num cenári parecid cm s estudads e bservads pr Adam Smith e Frederick Taylr
Como Z constitui-se claramente a hipotenusa de um triângulo retângulo, tem-se
UNIVERSIDADE FEDERAL DA PARAIBA CENTRO DE TENOLOGIA DEPARTAMENTO DE TECNLOGIA MECÂNICA PROF. ANTONIO SERGIO NUMEROS COMPLEXOS Os númers cmplexs representam uma imprtante ferramenta em matemática. Um númer
Granalha De Aço Sablacier
INFORMES TECNICOS Granalha De Aç Sablacier IKK d Brasil, a mair fabricante de Granalha de aç da América Latina, realizu extensivs testes, para avaliar a perfrmance de diferentes abrasivs (metálics e nã
Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
Universidade Federal d Paraná Labratóri de Estatística e Geinfrmaçã - LEG Classificaçã Prfs.: Eduard Vargas Ferreira Walmes Marques Zeviani Intrduçã Em muits prblemas, a variável Y assume valres em um
TESTES DE SOFTWARE.
TESTES DE SOFTWARE Definições... Cntext de desenvlviment... Quem participa? Imprtância: www.treinaweb.cm.br/curss-nline/testes-e-prjets http://www.tiexames.cm.br/nvsite2015/curs_teste_sftware_ctfl.php
Aprendizado de Máquina Conceitos e Definições
Aprendizad de Máquina Cnceits e Definições Os diverss sistemas de AM pssuem características particulares e cmuns que pssibilitam sua classificaçã quant à linguagem de descriçã, md, paradigma e frma de
a) No total são 10 meninas e cada uma delas tem 10 opções de garotos para formar um par. Logo, o número total de casais possíveis é = 100.
Questã 1: Em uma festa de aniversári, deseja-se frmar 10 casais para a valsa. A aniversariante cnvidu 10 garts e 9 gartas. a) Quants casais diferentes pderã ser frmads? b) Sabend-se que 4 das meninas sã
Relembrando: Simpsons
Intrduçã Thiag A. S. Pard Daniel Hnrat Slange O. Rezende Rnald. Prati Relembrand: Simpsns Pessa mpriment d abel Pes Idade lasse: Sex Hmer 0 50 36 arge 0 50 34 F Bart 90 0 Lisa 6 78 8 F aggie 4 0 F Abe
Eduardo Vargas Ferreira
Universidade Federal d Paraná Labratóri de Estatística e Geinfrmaçã - LEG Classificaçã Eduard Vargas Ferreira Tips de aprendizad Y frnecid Matriz de dads Y nã frnecid Aprendizad supervisinad Aprendizad
Tópicos sobre JavaCC. Compiladores Cristina C. Vieira. Compiladores 2012/2013
Tópics sbre JavaCC Cmpiladres Cristina C. Vieira 1 JavaCC Cmpiladr de cmpiladres escrit em Java Gera scanners (analisadres léxics) e parsers (analisadres Sintátics) tp-dwn Os analisadres léxics sã DFAs
Matemática E Extensivo V. 2
Matemática E Etensiv V. Eercícis 0) a) d) n 8!! 8...!! 8.. (n )!! n n b) 0 0) A 0! 9! 0. 9! 9! 0 c) 00! 00 d) 9! 9. 8...! 9 8... 9..!!...!.. 0) a) ( + )! ( + )( )! +!! b) n 0 nn ( )( n )! ( n )! ( n )!
Nome dos membros do grupo: Data de realização do trabalho:
Escla Secundária de Laga Física e Química A 10º An Paula Mel Silva Identificaçã d trabalh (Capa) Relatóri Simplificad AL 1.2 Mviment vertical de queda e de ressalt de uma bla: transfrmações e transferências
Novo processo de devolução de peças para garantia Mudanças na aplicação web ewarranty e no processo de devolução de peças
Nv prcess de devluçã de peças para garantia Mudanças na aplicaçã web ewarranty e n prcess de devluçã de peças Públic-alv e bjetiv Esse curs destina-se a cncessináris e ficinas envlvids n prcess de gerenciament
Variáveis e Tipo de Dados
Variáveis e Tip de Dads Alessandr J. de Suza DIATINF - IFRN alessandr.suza@ifrn.edu.br twi;er.cm/ajdsuza Aula 2 Segunda Aula Teórica ² Tips de dads ² Variáveis Armazenament de dads na memória Cnceit e
Programa de Serviços Polycom Premier
DESCRIÇÃO DE SERVIÇOS POLYCOM Prgrama de Serviçs Plycm Premier O Prgrama de Serviçs Premier da Plycm prvê as Clientes suprte técnic pr telefne, repsiçã antecipada de peças, upgrades e updates de sftware
Observadores de Estado
Observadres de Estad 1 I N R O D U Ç Ã O O B S E R V D O R E S DE L U E N B E R G E R rdem cmpleta D E D U Ç Ã O : G N H O DO O B S E R V D O R S I N O N I DO O B S E R V D O R lcaçã D U L I D D E O N
ALGORITMOS. Expressões e Instruções PrimiKvas. Alessandro J. de Souza DIATINF - IFRN. twi;er.
ALGORITMOS Alessandr J. de Suza DIATINF - IFRN alessandr.suza@ifrn.edu.br twi;er.cm/ajdsuza Expressões e Instruções PrimiKvas Agenda ² Expressões Cnceits Operadres Tips de Expressões Avaliaçã de Expressões
ANÁLISE SWOT PESSOAL Aproveitar ao Máximo os Seus Talentos e Oportunidades
ANÁLISE SWOT PESSOAL Aprveitar a Máxim s Seus Talents e Oprtunidades É mais prvável que tenha sucess na sua vida prfissinal se usar s seus talents em tda a sua extensã. Da mesma frma, irá sfrer mens prblemas
DISSERTAÇÃO ou PROJECTO FINAL NORMAS PARA O SEU FUNCIONAMENTO
DISSERTAÇÃO u PROJECTO FINAL NORMAS PARA O SEU FUNCIONAMENTO 1. PREÂMBULO Cnfrme previst n artig 20º d Decret-Lei nº 74/2006 de 24 de Març, cicl de estuds cnducente a grau de mestre integra brigatriamente
CIRCUITO SÉRIE/PARALELO Prof. Antonio Sergio-D.E.E-CEAR-UFPB.
CIRCUITO SÉRIE/PARALELO Prf. Antni Sergi-D.E.E-CEAR-UFPB. Os circuit reativs sã classificads, assim cm s resistivs, em a) Circuits série. b) Circuits paralel c) Circuit série-paralel. Em qualquer cas acima,
Resultados 4º Trimestre de de Fevereiro de 2017
Resultads 4º Trimestre de 2016 24 de Fevereir de 2017 Resultads 4º Trimestre de 2016 24 de Fevereir de 2017 Faturament d segment Alimentar atinge R$ 45 bilhões em 2016, cresciment de 11,7%, acelerand para
Processamento de imagem a cores
Prcessament de imagem a cres A cr é um pders descritr que frequentemente simplifica a identificaçã e extracçã de bjects de uma cena Os humans pde discernir milhares de cres, mas apenas duas dezenas de
Conheça o Programa de Afiliados Ganhos Automáticos passo a passo.
Cnheça Prgrama de Afiliads Ganhs Autmátics pass a pass. O Ganhs Autmátics é um negóci que qualquer pessa pde desenvlver, pis vams dispnibilizar um Kit de Prduts e Serviçs cm fc em Ajudar e Dispnibilizar
III Olimpíada de Matemática do Grande ABC Primeira Fase Nível 3 (1ª ou 2ª Séries EM)
. Cnsidere a PG:, 9, 7, 8, 4,... A partir dela vams cnstruir a seqüência:, 6, 8, 4, 6,..., nde primeir term cincide cm primeir term da PG, e a partir d segund, n-ésim é a diferença entre n-ésim e (n-)-ésim
Estilos de Interação
Universidade Federal Fluminense Marianna Mendes Prtela Estils de Interaçã A evluçã ds cmputadres fez cm que seu us atingisse diverss públics cm finalidades diferentes. Cm iss, fi necessári evluir também
A Arte de Escrever Artigos Científicos
A Arte de Escrever Artigs Científics Seguind essa linha de pensament, "A Arte de Escrever Artigs Científics" tem cm bjetiv apresentar dicas para escrever artigs e frnecer uma metdlgia básica para planejament,
MODELAGEM RELACIONAL
Adail Tiag Faleir MODELAGEM RELACIONAL O cnceit principal vem da teria de cnjunts (álgebra relacinal) atrelad a ideia de que nã é relevante a usuári saber nde s dads estã u cm eles se encntram, representad
Redes Neurais (Conceitos Fundamentais)
Redes Neurais (Cnceits Fundamentais) German C. Vascncels Centr de Infrmática - UFPE 2006 German C. Vascncels 1 Interdisciplinaridade Redes Neurais é uma área interdisciplinar: Neurfisilgia Psiclgia Cgnitiva
XXXIII OLIMPÍADA BRASILEIRA DE MATEMÁTICA PRIMEIRA FASE NÍVEL 3 (Ensino Médio) GABARITO
XXXIII OLIMPÍD RSILEIR DE MTEMÁTI PRIMEIR FSE NÍVEL (Ensin Médi) GRITO GRITO NÍVEL ) 6) ) D 6) D ) ) 7) D ) 7) D ) D ) 8) ) 8) D ) ) 9) ) 9) ) D ) E 0) D ) D 0) E ) E ada questã da Primeira Fase vale pnt.
APRENDER, GANHAR PONTOS E MEDALHAS
APRENDER, GANHAR PONTOS E MEDALHAS Na Khan Academy pdes esclher que queres aprender e/u receber indicações d teu prfessr/tutr sbre s exercícis a praticar. À medida que vais reslvend exercícis e visualizand
Cursinho Triu. Aula 2 - Cinemática. 1 o semestre de Pedro Simoni Pasquini
Cursinh Triu 1 semestre de 014 Aula - Cinemática Pedr Simni Pasquini pasquini@i.unicamp.br 1 Aceleraçã Será que a psiçã d bjet temp e a velcidade sã sucientes para descrever um prblema? A verdade é que
Descrição do serviço. Visão geral do serviço. Escopo dos serviços Copilot Optimize. Copilot Optimize CAA-1000. Escopo
Descriçã d serviç Cpilt Optimize CAA-1000 Visã geral d serviç Esta Descriçã d serviç ( Descriçã d serviç ) é firmada pr vcê, cliente, ( vcê u Cliente ) e a entidade da Dell identificada na fatura de cmpra
Serviço Social
Serviç Scial 2012-13 Tmada de Decisã UCP-CRB Pól de Viseu *- 1 A elevada velcidade da mudança intrduz um nv element na gestã, frçand s executivs, já nervss cm um ambiente nã familiar, a tmar mais e mais
4 MÉTODO DE CONTROLE DE CUSTOS
4 MÉTODO DE CONTROLE DE CUSTOS 4.1 Métds de cntrle de custs O sistema de custs para atendiment das necessidades infrmativas scietárias e fiscais deve utilizar a mensuraçã ds recurss cm base em valres histórics
CATÁLOGO DE APLICAÇÕES PEFIN SERASA
CATÁLOGO DE APLICAÇÕES PEFIN SERASA Objetiv Dispnibilizar a pçã de negativaçã ds clientes pessas físicas e/u jurídicas sbre dívidas nã pagas. Flux Prcess Página 2 de 14 Prcess 1. PEFIN 1.1 Menus Específics
Execução detalhada de instruções
MCC Arquitectura de Cmputadres 2004/2005 Execuçã detalhada de instruções Guiã-3 Albert Jsé Prença ------------------------------------------------------------------------------------------------------------------------------------------------
FACULDADE AGES CURSO DE ENFERMAGEM REGULAMENTAÇÃO DAS PRÁTICAS EDUCATIVAS ADMINISTRAÇÃO APLICADA A ENFERMAGEM
FACULDADE AGES CURSO DE ENFERMAGEM REGULAMENTAÇÃO DAS PRÁTICAS EDUCATIVAS ADMINISTRAÇÃO APLICADA A ENFERMAGEM As Práticas Educativas serã realizadas em hráris pré-determinads n períd diurn para aluns regularmente
Conteúdo A parte principal de um relatório de auditoria, mas não a única, é a parte dos desvios encontrados. O que é que constitui um desvio?
AUDITORIAS INTERNAS, RELATÓRIO DE AUDITORIA INTERNAL AUDITS, AUDIT REPORT Intrduçã O relatóri de auditria é dcument que resulta da atividade de auditria. Qualquer labratóri que cumpra cm s requisits da
ENFERMAGEM SAÚDE DA MULHER. Planejamento Familiar Parte 1. Profª. Lívia Bahia
ENFERMAGEM SAÚDE DA MULHER Planejament Familiar Parte 1 Prfª. Lívia Bahia A atuaçã ds prfissinais de saúde, n que se refere a Planejament Familiar, deve estar pautada n Artig 226, Parágraf 7, da Cnstituiçã
Descoberta de Conhecimento em Bases de Dados e Mineração de Dados
Descberta de Cnheciment em Bases de Dads e Mineraçã de Dads Rdrig Leite Durães (rdrig_l_d@yah.cm.br) Rteir Mtivaçã Exempl preliminar Cnceits básics Prcess de kdd Métds de mineraçã de dads Técnicas Exempls
Estudo do efeito de sistemas de forças concorrentes.
Universidade Federal de Alagas Faculdade de Arquitetura e Urbanism Curs de Arquitetura e Urbanism Disciplina: Fundaments para a Análise Estrutural Códig: AURB006 Turma: A Períd Letiv: 2007 2007-2 Prfessr:
CÁLCULO I. Aula n o 02: Funções. Denir função e conhecer os seus elementos; Listar as principais funções e seus grácos.
CÁLCULO I Prf. Marcs Diniz Prf. André Almeida Prf. Edilsn Neri Júnir Prf. Emersn Veiga Prf. Tiag Celh Aula n 02: Funções. Objetivs da Aula Denir funçã e cnhecer s seus elements; Recnhecer grác de uma funçã;
Diagramas líquido-vapor
Diagramas líquid-vapr ara uma sluçã líquida cntend 2 cmpnentes vláteis que bedecem (pel mens em primeira aprximaçã) a lei de Rault, e prtant cnsiderada cm uma sluçã ideal, a pressã de vapr () em equilíbri
UML. Diagrama de Classes de Projeto e Diagrama de Objetos Análise e Projeto de Software. Profª. Cibele da Rosa Christ
UML Diagrama de Classes de Prjet e Diagrama de Objets Análise e Prjet de Sftware Prfª. Cibele da Rsa Christ cibele@senacrs.cm.br SERVIÇO NACIONAL DE APRENDIZAGEM COMERCIAL FACULDADE DE TECNOLOGIA SENAC
Aprendizagem. Profa. Josiane M. Pinheiro Ferreira. Nov/2005
Aprendizagem Profa. Josiane M. Pinheiro Ferreira Nov/2005 1 A idéia por trás da aprendizagem Percepções Para agir Para melhorar a habilidade do agente para agir no futuro Aprendizagem ocorre Quando o agente
Inteligência Artificial
https://www.pinterest.com/carlymundo/decision-tree-infographics/ Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial
CÓDIGO DE CONDUTA E DE ÉTICA POLÍTICA SOBRE PRESENTES E ENTRETENIMENTO
CÓDIGO DE CONDUTA E DE ÉTICA POLÍTICA SOBRE PRESENTES E ENTRETENIMENTO POLÍTICA SOBRE PRESENTESE ENTRETENIMENTO Oferecer u receber presentes cmerciais e entreteniment é frequentemente uma frma aprpriada
SISTEMA GALGO FATURAMENTO CONSULTA AO DEMONSTRATIVO DE TRANSAÇÕES TARIFADAS PRODUTO PROCESSO GUIA DO USUÁRIO
PRODUTO SISTEMA GALGO PROCESSO FATURAMENTO GUIA DO USUÁRIO CONSULTA AO DEMONSTRATIVO DE TRANSAÇÕES TARIFADAS INTRODUÇÃO Este guia tem bjetiv de apresentar as Usuáris Masters e Usuáris Finais das Entidades
Blackjack. Projeto de Programaça o Entrega Interme dia
Prgramaçã 2015/2016 Mestrad em Engenharia Electrtécnica e de Cmputadres (MEEC) Blackjack Prjet de Prgramaça Entrega Interme dia 1 Intrduçã Cm este prjet pretende-se que s aluns desenvlvam um jg de cartas
CATÁLOGO DE APLICAÇÕES Geração de Guias para ST, DIFAL e FCP
CATÁLOGO DE APLICAÇÕES Geraçã de Guias para ST, DIFAL e FCP 1. Objetivs Gerar títuls n cntas a pagar cm ttal de ICMS-ST, DIFAL e/u FCP das ntas fiscais de saída. Página 2 de 6 2. Requisits 2.1. RF01 Geraçã
Comunicado Cetip n 091/ de setembro de 2013
Cmunicad Cetip n 091/2013 26 de setembr de 2013 Assunt: Aprimrament da Metdlgia da Taxa DI. O diretr-presidente da CETIP S.A. MERCADOS ORGANIZADOS infrma que, em cntinuidade às alterações infrmadas n Cmunicad
Rescisão Complementar
Rescisã Cmplementar Cm gerar rescisã cmplementar n sistema? N menu Móduls\ Rescisã\ Rescisã Cmplementar estã dispníveis as rtinas que permitem cálcul da rescisã cmplementar. É pssível calcular cmplementar
Inovações em Gestão de Dados de Imunização, Uso e Melhoria da Eficiência de Processo
Invações em Gestã de Dads de Imunizaçã, Us e Melhria da Eficiência de Prcess XXI Rdada d Grand Challenges Explratins Març de 2018 A OPORTUNIDADE A imunizaçã é uma das intervenções de saúde pública mais
CAPÍTULO - 6 CICLOCONVERSORES
CAPÍTULO 6 CICLOCONERSORES 6.1 INTRODUÇÃO O ciclcnversr é destinad a cnverter uma determinada freqüência numa freqüência inferir, sem passagem pr estági intermediári de crrente cntínua. A cnversã de uma
ESPECIFICAÇÃO DO TEMPO DE SOBREVIVÊNCIA
ESPECIFICAÇÃO DO TEMPO DE SOBREVIVÊNCIA O temp de sbrevivência é uma variável aleatória T, cntínua e psitiva. Os valres que T pde assumir têm alguma distribuiçã de prbabilidade que pde ser especificada
CONTRATO PARTICULAR DE PRESTAÇÃO DE SERVIÇOS.
CONTRATO PARTICULAR DE PRESTAÇÃO DE SERVIÇOS. CONTRATANTE : Persnificad juridicamente através d aceite d Term de prestaçã de serviç - Análise Diagnóstica Online. O aceite caracteriza tacitamente a cntrataçã
1 - Introdução. 2 - Desenvolvimento
Desenvlviment e Otimizaçã de Hidrciclnes Frente a Mdificações de Variáveis Gemétricas e de Prcess Hérmane Mntini da Silva 1 Gilssaha Franklin Maciel 2 Orientadra: Ph.D. Andréia Bicalh Henriques RESUMO
SISTEMAS DIGITAIS LETI, LEE Ano lectivo de 20615/201 Trabalho 5 Circuitos Sequenciais Síncronos
SISTEMAS DIGITAIS LETI, LEE An lectiv de 20615/201 Trabalh 5 Circuits Sequenciais Síncrns 1. Intrduçã Este trabalh fi cncebid para que s aluns familiarizem cm a utilizaçã e prjet de Circuits Sequenciais
Redes Neurais Artificiais ( Neural(
Redes Neurais Artificiais ( Neural( Netwrks ) Definiçã (Segund Haykin em [HAYKIN 200] ) Uma rede neural é um prcessadr maciçamente paralelamente distribuíd cnstituíd de unidades de prcessament simples,
Gerenciamento de Valor Agregado
Gerenciament de Valr Agregad Gerenciamient de Valr Agregad Gerenciament de Valr Agregad(Earned Value Management) é uma técnica que ns permite medir rendiment e avanç d Prjet. Tem a capacidade de cmbinar
O Percurso de 5 anos do Subsistema para a Garantia da Qualidade das Unidades Curriculares (SubGQ_UC)
O Percurs de 5 ans d Subsistema para a Garantia da Qualidade das Unidades Curriculares (SubGQ_UC) Eduard Ferreira da Silva, Gillian Mreira, Jsé Albert Rafael, Daniela Csta WORKSHOP 5 ANOS DE SubGQ_UC 12
Aula 3 Expressões. 1. Introdução. 2. Operadores. Operador Tipo Operação Prioridade
Aula 3 Expressões 1. Intrduçã Expressões em cmputaçã sã cm expressões matemáticas: existem variáveis, peradres e resultads. Cm exempl, [Saliba, 1992, p. 28] 1 traz cálcul da área de um triângul: ÁREA =
PPGEP Comentários Iniciais CAPÍTULO 7 TESTE DE HIPÓTESE UFRGS. Testes de Hipótese
CAPÍTULO 7 7.. Cmentáris Iniciais Uma hipótese estatística é uma afirmativa a respeit de um parâmetr de uma distribuiçã de prbabilidade. Pr exempl, pdems frmular a hipótese que a prdutividade,5 peças/hra.