3 Algoritmos propostos
|
|
- Mario de Abreu Ramires
- 5 Há anos
- Visualizações:
Transcrição
1 Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos podem ser ntegrados em um ambente completo de mneração de textos composto dos seguntes passos: 1 O usuáro nforma um conunto de categoras de nteresse e um conunto de fontes de notícas na web Por exemplo: categoras como soa, uros e volênca das fontes de notíca Reuters, o Globo 2 O programa retorna um conunto de notícas das respectvas fontes especfcadas pelo usuáro 3 O usuáro classfca as notícas nas categoras anterormente especfcadas, tendo a possbldade de classfcar uma notíca em mas de uma categora 4 O programa retorna um novo conunto de notícas classfcadas nas categoras, podendo uma notíca estar classfcada em mas de uma categora 5 O usuáro avala a classfcação executada pelo programa e pode corrgr os falsos postvos e falsos negatvos 6 Volta para o passo 4 A fase de trenamento e a fase de classfcação ocorrem em conunto com a realmentação do usuáro, dferente do método clássco de trenamento em que prmeramente o algortmo é trenado com os documentos para posteror classfcação dos novos documentos nas categoras especfcadas Nesse trabalho, são propostos dos algortmos para resolver o problema da classfcação automátca de textos Os algortmos propostos são baseados no
2 Algortmos propostos 41 método de classfcação automátca de textos nave Bayes utlzando o modelo multnomal e amortzação de Laplace, descrtos na seção Classfcador pseudo-multrótulo O prmero algortmo, chamado de pseudo-multrótulo, transforma o problema multrótulo em um problema unrótulo Nesse algortmo, o conunto de categoras é estenddo para suportar as combnações de categoras Portanto, uma combnação de categoras também é consderada uma categora Consdere um conunto de categoras C = {c 1, c 2,, c C } e um conunto de documentos D = {d 1, d 2,, d D } Cada documento d está assocado a uma combnação das categoras em C, que pode ser representado por um vetor bnáro l {0,1} C, onde a posção está assocada à categora c, um valor 1 na posção representa que o documento está assocado à categora c e um valor 0 representa que o documento não está assocado à categora c O conunto de rótulos do algortmo é defndo como um conunto L {0,1} C de vetores bnáros l, onde cada rótulo defne um conunto de documentos { d D ( Φ ( d, c ) = l [ ])} Por exemplo, o rótulo (0, 1, 1) representa o conunto de documentos assocados exatamente às categoras c 2 e c 3 Uma representação mas ntutva do rótulo (0, 1, 1) sera ( c1, c2, c Na fase de trenamento, dado um documento d assocado ao rótulo l, verfca-se se á fo realzado algum trenamento com o rótulo l Caso não tenha ocorrdo, é crada uma nova categora representada pelo rótulo l As palavras do documento d e suas freqüêncas são ncluídas na categora Já na fase de classfcação, dado um documento d não conhecdo, deve-se calcular a probabldade P( l d ) do documento pertencer a cada uma das combnações de categoras representadas pelos vetores bnáros em l {0,1} C escolher a combnação com maor probabldade Adaptando-se a fórmula (22) para contemplar combnações de categoras, representadas por vetores, calcula-se: V * l d = l P l + wk P tk l k = 1 ( ) arg max log ( ) log ( ) (31) e
3 Algortmos propostos 42 Como exemplo da fase de trenamento, consdere o conunto de trenamento composto pelos documentos {d 1, d 2, d 3, d 4 } pelo conunto de categoras smples {c 1, c 2, c 3 } e pelas assocações (d 1, {c 1, c 2 }), (d 2, {c 2 }), (d 3, {c 2 }) e (d 4, {c 1, c 2, c 3 }) Para o documento d 1, é verfcado se á fo realzado algum trenamento com a categora representada pelo rótulo (1, 1, 0) ou ( c1, c2, c Como não fo realzado nenhum trenamento, é crada uma categora representada pelo rótulo ( c, c, c ) Essa categora é composta por todos os documentos que estão assocados à exatamente c 1 e à c 2 Após a cração da categora, são retradas as stopwords de d 1, todas as palavras são transformadas em mnúsculas e são calculadas as freqüêncas de cada palavra no texto de d 1 Fnalmente, as palavras e suas respectvas freqüêncas são ncluídas na categora ( c1, c2, c No trenamento a partr do documento d 2, é crada uma categora representada pelo rótulo ( c1, c2, c Essa categora é composta por todos os documentos que estão assocados à exatamente c 2 Então, as palavras de d 2 e suas respectvas freqüêncas são ncluídas na categora ( c1, c2, c Já no trenamento a partr do documento d 3 não é crada nenhuma categora, pos a categora assocada ao documento d 3 á fo crada anterormente Na fase de classfcação, dado um documento d 5 não conhecdo pelo * sstema, o algortmo calcula l ( d ), onde l {( c1, c2, c,( c1, c2, c,( c1, c2, c} 5 O problema de tal técnca é que são necessáros exemplos de documentos para cada combnação de categoras, o que nem sempre é possível Além dsso, um documento exemplo de uma combnação de n categoras (por exemplo, um documento pertencente à combnação mlho, grão, agrcultura ) não sera também tratado como exemplo das 2 n -2 subcategoras (por exemplo, grão e agrcultura, mlho e agrcultura, mlho e grão, mlho, grão, agrcultura ) A complexdade teórca da fase de trenamento do algortmo é O( T r V ) Desconsderando a fase de contagem da freqüênca das palavras em cada documento, para cada documento do conunto T r, são ncluídas todas as suas palavras na combnação de categoras assocada, o que custa no por caso, O( V )
4 Algortmos propostos 43 Já a fase de classfcação tem a complexdade teórca de O ( T e V T r ) Para cada documento, é necessáro seleconar a combnação de categora com maor probabldade do conunto L de combnações de categoras cradas na fase de trenamento Para seleconar a combnação de categora com maor probabldade se gasta O( V T r ), uma vez que, no por caso, exstem T r combnações de categoras, ou sea, um documento de trenamento para cada combnação 32 Classfcador multrótulo Nesse algortmo, um rótulo é uma combnação de categoras em C e é representado por um vetor l, onde cada posção corresponde a uma categora e pode assumr os valores: 0, 1 e? Um valor 1 na posção do vetor l representa que o rótulo é composto de documentos assocados à categora c, um valor 0 representa a ausênca de assocações entre os documentos do rótulo e a categora c, e um valor? representa que o rótulo pode ser composto tanto por documentos assocados à c quanto a documentos não assocados à c Formalmente, o rótulo l defne um conunto de documentos { d D ( l [ ]?) l [ ] = Φ( d, c )} Como exemplo, consdere o rótulo (?, 1, 1) Tal rótulo defne o conunto de documentos que estão assocados pelo menos às categoras c 2 e c 3 Uma forma mas ntutva de representar o rótulo sera (c 2, c 3 ) Na fase de trenamento, dado um conunto D de documentos de treno, e um conunto de categoras C, o algortmo prmeramente cra dos conuntos de rótulos L {0,1} C e L {1,?} C Para sso, para cada documento, é verfcada a combnação de rótulos assocada Dado um documento d de treno e uma combnação de rótulos assocada representada pelo vetor l, é verfcado se á fo crada uma categora representada pelo vetor l Caso não tenha sdo crada, são cradas duas categoras l {0,1} C e l {1,?} C, onde l é a categora composta de documentos assocados exatamente à combnação de rótulos de d e l de documentos assocados pelo menos à combnação de rótulos de d é a categora composta
5 Algortmos propostos 44 Uma vez cradas todas as categoras, para cada documento d são calculadas as freqüêncas de cada palavra no texto de d Verfca-se, então, a combnação l assocada ao documento d e são ncluídas as palavras do documento e suas freqüêncas na combnação de categoras representada pelo rótulo l e em todas as subcombnações l k L onde ( l k[ ] = 1) ( l [ ] = 1), ou sea, a combnação de categoras l k está contda na combnação l Por exemplo, se o documento d está assocado ao rótulo ( c1, c2, c3, c, ele será ncluído nos rótulos ( c1, c2, c3, c, ( c1, c2, c, ( c1, c 2), ( c1, c, ( c2, c, ( c 1), ( c 2), ( c Na fase de classfcação, consdere os conuntos de rótulos crados pelo trenamento L = { l, l,, l } {0,1} C L, L = { l, l,, l } {1,?} C L e um documento d não conhecdo pelo classfcador Prmeramente, deve-se calcular a probabldade P( l d ) do documento pertencer a cada uma das combnações l L compostas apenas de uma categora e escolher a combnação com maor probabldade, representada por l Porém, não é necessáro calcular exatamente P( l d ), uma vez que P(d ) é constante Assm, através da equação (31), é escolhda a combnação l, que possu a maor probabldade Posterormente, escolhe-se a combnação com maor probabldade l (2), do conunto de combnações l L compostas por duas categoras, onde uma das categoras da combnação pertence à combnação l, escolhda anterormente (2) Então, se compara a probabldade P( l d ) com a probabldade P( l d ), onde l L é a combnação tal que k( l [ k] = 1) ( l [ k] = 1) e k( l [ k] =?) ( l [ k] = 0) Por exemplo, se C = {c 1, c 2, c 3 } e l = ( c1 ), então l = ( c, c, c ) Para ser realzada a comparação das probabldades, calcula-se (2) (2) arg max P( r d ), r { l, l } Se P( l d ) < P( l d ), então o documento r { } d é classfcado em l Caso contráro, o algortmo contnua aumentando a quantdade de categoras em cada combnação, até que a condção de parada
6 Algortmos propostos 45 P l d < P l d ( k ) ( k 1) ( ) ( ) sea satsfeta, ou a quantdade de categoras em cada combnação sea C Caso a quantdade de categoras em cada combnação sea C e a condção de parada não sea satsfeta o documento d é classfcado na combnação de categoras as categoras em C ( k ) l, que representa a combnação composta por todas Como exemplo, consdere um documento d 1, um conunto C de categoras {c 1, c 2, c 3 } e um conunto de rótulos L = {(c 1 ), (c 2 ), (c 1, c 2 ), (c 1, c 3 )} Incalmente, o algortmo nduz uma assocação entre o documento d 1 e uma das categoras em C, calculando a probabldade do documento d 1 pertencer a cada uma das categoras em C Caso a categora nduzda tenha sdo c 1, são analsadas todas as combnações de categoras presentes no conunto de rótulos L, onde uma das categoras é c 1, ou sea, (c 1, c 2 ) e (c 1, c 3 ) Então, é escolhdo o rótulo com maor probabldade Caso o rótulo com maor probabldade sea (c 1, c 2 ), a regra de decsão deverá nduzr se o documento pertence exatamente a c 1 ou se pertence pelo menos a c 1 e c 2 A regra de decsão pode ser vsualzada pela fgura 2 O algortmo nduz se o documento pertence à regão marcada na fgura com lnhas dagonas, da regão marcada com lnhas horzontas P( c, c d ) > P( c, c, c d )? c 3 c 1 c 2 Fgura 2 - Exemplo da regra de decsão do algortmo multlrótulo proposto A complexdade teórca da fase de trenamento do algortmo é O( T r V T e ) Para cada documento pertencente ao conunto de trenamento T r, no por caso, exstem T r combnações de categoras pertencentes ao conunto de combnações de categoras
7 Algortmos propostos 46 A complexdade teórca da fase de classfcação do algortmo é O( T r V T e ) No prmero passo, é seleconada a combnação de categoras composta de apenas 1 categora Uma vez escolhda a combnação de categoras composta de apenas 1 categora, selecona-se a combnação de categoras compostas de 2 categoras, onde uma das categoras pertence à combnação de categoras escolhda no prmero passo Assm, no por caso, compara-se todas as combnações de categoras exstentes na base de trenamento Como exemplo da fase de trenamento, consdere o conunto de trenamento composto pelo conunto de documentos D = {d 1, d 2, d 3, d 4, d 5 }, pelo conunto de categoras C = {c 1, c 2, c 3, c 4 } e pelas assocações (d 1, {c 1, c 2 }), (d 2, {c 2 }), (d 3, {c 1, c 2, c 3 }), (d 4, {c 1, c 3 }) e (d 5, {c 1 }) Prmeramente, são crados os conuntos de rótulos L e L Para sso, são verfcados para cada documento as respectvas categoras assocadas Assm, para o documento d 1, são crados os rótulos (c 1, c 2 ) e ( c1, c2, c3, c, para d 2, (c 2 ) e ( c1, c2, c3, c, para d 3, ( c1, c2, c e ( c1, c2, c3, c, para d 4, (c 1, c 3 ) e ( c1, c2, c3, c d 5, (c 1 ) e ( c1, c2, c3, c Desta forma os conuntos de rótulos são L = {(c 1 ), (c 2 ), (c 1, c 2 ), (c 1, c 3 ), (c 1, c 2, c 3 )} e L = {( c1, c2, c3, c,( c1, c2, c3, c,( c1, c2, c3, c,( c1, c2, c3, c,( c1, c2, c3, c} Depos de crados os conuntos de rótulos, para cada documento são analsadas suas palavras, são retradas as stopwords, calculadas suas freqüêncas no texto e nserdas nos rótulos ao qual o documento pertence Para o documento d 1, suas palavras e freqüêncas são ncluídas nos rótulos ( c1, c2, c3, c, (c 1, c 2 ), (c 1 ) e (c 2 ) Para o documento d 2, suas palavras e freqüêncas são ncluídas nos rótulos ( c1, c2, c3, c e (c 2 ) Para o documento d 3, suas palavras e freqüêncas são ncluídas nos rótulos ( c1, c2, c3, c, (c 1, c 2, c 3 ), (c 1, c 2 ), (c 1, c 3 ) e (c 2 ) Já no caso do documento d 4, suas palavras e freqüêncas são ncluídas nos rótulos ( c1, c2, c3, c, (c 1, c 3 ) e (c 1 ) Fnalmente para o documento d 5, suas palavras são ncluídas nos rótulos ( c1, c2, c3, c e (c 1 ) e
8 Algortmos propostos 47 Como exemplo de classfcação, consdere o documento d 6 não conhecdo pelo classfcador Prmeramente, o classfcador escolhe o rótulo com uma categora com maor probabldade Assm, o classfcador deve calcular arg max P( r d ), r {( c ),( c )} r { } 1 2 Supondo que o rótulo escolhdo tenha sdo (c 1 ), então o classfcador analsa todos os rótulos com duas categoras, onde uma das categoras é c 1, ou sea, os rótulos (c 1, c 2 ) e (c 1, c 3 ) Caso o rótulo com maor probabldade sea (c 1, c 3 ), então o classfcador compara P(c 1, c 3 d 6 ) com P( c1, c2, c3, c4 d 6) Se P(c 1, c 3 d 6 ) < P( c1, c2, c3, c4 d 6), o documento d 6 é classfcado no rótulo ( c1, c2, c3, c
Aprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisCaderno de Fórmulas em Implementação. SWAP Alterações na curva Libor
Caderno de Fórmulas em Implementação SWAP Alterações na curva Lbor Atualzado em: 15/12/217 Comuncado: 12/217 DN Homologação: - Versão: Mar/218 Índce 1 Atualzações... 2 2 Caderno de Fórmulas - SWAP... 3
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais2 Fundamentos Teóricos
Fundamentos Teórcos 2 Fundamentos Teórcos 2. Aprendzado de Máquna Aprendzado de Máquna é uma área de Intelgênca Artfcal cuo obetvo é o desenvolvmento de técncas computaconas sobre o aprendzado bem como
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisRedes de Petri. Definições:
Redes de Petr Defnções: Uma Rede de Petr (PN) é m grafo dreto bpartdo o qal tem dos tpos de nós denomnados lgares (qe representam estados) e transções (qe representam eventos). O estado é alterado pelo
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 Introdução à Cênca da Computação II Prof. Dego Raphael Amanco Baseado no materal dos Profs. Rudne Goularte e Thago A. S. Pardo O Problema da Ordenação Ordenação (ou classfcação)
Leia maisCAPÍTULO IV PROPRIEDADES GEOMÉTRICAS DA SEÇÃO TRANSVERSAL
CPÍTULO IV PROPRIEDDES GEOMÉTRICS D SEÇÃO TRNSVERSL Propredades Geométrcas da Seção Transversal 4. Propredades Geométrcas da Seção Transversal 4.. Introdução O presente trabalho é desenvolvdo paralelamente
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisMétodo do limite superior
Introdução O método do lmte superor é uma alternata analítca apromada aos métodos completos (e: método das lnhas de escorregamento) que possu um domíno de aplcabldade muto asto e que permte obter alores
Leia maisAnálise de faltas balanceadas e não-balanceadas utilizando Z bar. 1. Análise de falta balanceada usando a matriz de impedância de barra (Z bar )
Análse de altas balanceadas e não-balanceadas utlzando. Análse de alta balanceada usando a matrz de mpedânca de ra ( ) Aqu será eta uma análse de cálculo de curto-crcuto trásco (alta balanceada), utlzando
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisPágina 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não
Preparar o Exame 0 0 Matemátca A Págna 9. Se 5 5 é o argumento de z, é argumento de z e 5 5. Este ângulo é gual ao ângulo de ampltude 5 é argumento de z.. Resposta: D w w a b b a b b. a b a a b b b bem
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisN 70 = 40 25N+1500 = N = 1300 N = 52 LETRA D
QUESTÃO 01 QUESTÃO 0 Seja x a méda dos saláros do departamento comercal. A méda procurada é tal que 00 = x + 30 + 4 4 + + 4 x = 000 0 3300 x = R$ 400,00. QUESTÃO 03 4 0+ 3 Tem-se xp I = = 1,8 e 4+ Logo,
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisMatemática A. Previsão 1. Duração do teste: 180 minutos º Ano de Escolaridade. Previsão Exame Nacional de Matemática A 2013
Prevsão Exame Naconal de Matemátca A 01 Prevsão 1 1ª fase Matemátca A Prevsão 1 Duração do teste: 180 mnutos 7.06.01 1.º Ano de Escolardade Resoluções em vídeo em www.explcamat.pt Prevsão de Exame págna1/8
Leia maisPlano de amostragem do ISA-Capital 2008 Maria Cecília Goi Porto Alves Maria Mercedes L. Escuder 24 de junho de 2009
Plano de amostragem do ISA-Captal 2008 ara Cecíla Go Porto Alves ara ercedes L. Escuder 24 de junho de 2009 Tamanho da amostra A população de estudo refere-se àquela resdente em área urbana do uncípo de
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisCAPÍTULO 4 PROBABILIDADE DE BAYES
CAPÍTULO 4 PROBABILIDADE DE BAYES 1. Partção de um espaço amostral Os eventos B1, B2, B3,..., B, formam uma partção do espaço amostral S, se: p( B ) 0,para 1,2,3,..., a) b) B B, para c) 1 Exemplo 1: B
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisXIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisClassificação de Objetos Astronômicos em Estrelas e Galáxias Usando o Algoritmo J4.8
Classfcação de Objetos Astronômcos em Estrelas e Galáxas Usando o Algortmo J4.8 Renata S. Rocha 1, Haroldo F. Campos Velho 1, Rafael D. C. dos Santos 1, Marna Trevsan 2 1 Laboratóro Assocado de Computação
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia mais3 Desenvolvimento do Modelo
3 Desenvolvmento do Modelo Neste capítulo apresentaremos como está estruturado o modelo desenvolvdo nesta dssertação para otmzar o despacho de geradores dstrbuídos com o obetvo de reduzr os custos da rede
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisCurvas Horizontais e Verticais
Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisO íon lantanídeo no acoplamento Russell-Saunders e a classificação de seus estados segundo os subgrupos do grupo GL(4
O íon lantanídeo no acoplamento Russell-aunders e a classfcação de seus estados segundo os subgrupos do grupo G(4 ) O hamltonano, H, dos íons lantanídeos contém uma parte que corresponde ao campo central,
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisCapítulo 16: Equilíbrio Geral e Eficiência Econômica
Capítulo 6: Equlíbro Geral e Efcênca Econômca Pndck & Rubnfeld, Capítulo 6, Equlíbro Geral::EXERCÍCIOS. Em uma análse de trocas entre duas pessoas, suponha que ambas possuam dêntcas preferêncas. A curva
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que
Leia maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.4
Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.4 Provsão de Bens Públcos de forma descentralzada: a solução de Lndahl Isabel Mendes 2007-2008 13-05-2008 Isabel Mendes/MICRO
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisLivros Grátis. Milhares de livros grátis para download.
AVALIAÇÃO DE COMBINAÇÕES DE CLASSIFICADORES FUZZY Elísa dos Santos Prucole DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS PRORAMAS DE PÓS-RADUAÇÃO DE ENENHARIA DA UNIVERSIDADE FEDERAL DO RIO
Leia maisSÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.
I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder
Leia mais