Previsão de Vendas no Varejo Através de Rede Neural
|
|
- Otávio de Andrade
- 5 Há anos
- Visualizações:
Transcrição
1 Previsão de Vendas no Varejo Através de Rede Neural CARVALHO, Valter Pereira de [1], DA SILVA, Leandro Augusto [2] CARVALHO, Valter Pereira de. Previsão de Vendas no Varejo Através de Rede Neural. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 03, Ed. 05, Vol. 03, pp , Maio de ISSN: Contents RESUMO 1. INTRODUÇÃO 2. MINERAÇÃO DE DADOS (DATA MINING) 2.1 EXEMPLOS DE USOS DA MINERAÇÃO 3. O PROCESSO DE PREVISÃO DE VENDAS 3.1 TIPOS DE PREVISÃO DE VENDAS 3.2 VANTAGENS DA PREVISÃO DE VENDAS 4. ANÁLISE DOS DADOS HISTÓRICOS DE VENDAS 4.1 MIX DE MARKETING DE KOTLER 5. A REDE NEURAL 51. CONCEITO DE REDES NEURAIS ARTIFICIAIS (RNA) 5.2 ESTRUTURA DAS REDES NEURAIS ARTIFICIAIS 5.3 REDE NEURAL MLP 5.4 USO DA REDE NEURAL MODELO MATEMÁTICO 6. EXPERIMENTOS 6.1 CRITÉRIOS PARA SELEÇÃO E TRATAMENTO DOS DADOS DA AMOSTRA 6.2 PROCESSAMENTO DOS DADOS EM REDE NEURAL 7. RESULTADOS OBTIDOS 7.1 EXPERIMENTO 7.2 EXPERIMENTO 2 CONSIDERAÇÕES FINAIS REFERÊNCIAS BIBLIOGRÁFICAS RESUMO Esse artigo de caráter multidisciplinar, envolvendo as áreas de Marketing, Economia e Computação, tem por objetivo mostrar como as técnicas de Data Mining (mineração de dados) são importantes quando aplicadas nas atividades do varejo e no caso aqui analisado mostraremos como utilizar a rede neural artificial para prever as vendas futuras com base em um aprendizado fundado em dados históricos de vendas. O uso das redes neurais, diverso dos processos de regressão linear e regressão múltipla, oferece a condição de responder de forma bastante eficiente às séries temporais com pontos de grande alteração no comportamento dos dados (não linearidade). Esse processo é bastante útil tanto na implementação de processos de compras, como nas ações de marketing e gestão de caixa, pois os resultados são bem próximos do real e fornece uma informação muito útil para a empresa como um todo. Logicamente que se
2 trata de um artigo que não busca esgotar o assunto, mas sim fornecer um caminho alternativo para essa implementação e fornecendo fundamentos que serão uteis nas melhorias que se seguirem. Palavras-chave: Rede Neural, Previsão de Vendas, Marketing, Data Mining, Mineração de Dados. 1. INTRODUÇÃO A administração de empresas nas áreas de gestão de compras, gestão de custos, gestão de estoque, gestão de logística e gestão financeira, percebe-se que praticamente toda a organização, sempre foi preocupada com os resultados das áreas de marketing e vendas, buscando fórmulas que consigam lhes dar algum subsídio eficiente para suprir as demandas dessas áreas e manter as atividades de vendas sempre em condições de atendimento aos clientes. Buscar previsões de vendas em período futuro sempre figurou como o grande sonho de todas as organizações, pois não errando no abastecimento, seja para mais como para menos, é condição necessária para garantir uma boa operação da empresa. Para isso as empresas sempre se valeram de áreas de planejamentos onde equipes multidisciplinares formadas por matemáticos, estatísticos, contadores e gestores de lojas se debruçavam sobre anotações de vendas e metas a serem atingidas para minimizar os problemas de abastecimentos e distribuições. Com o desenvolvimento da tecnologia e o barateamento, até certo ponto, dos sistemas integrados de softwares conhecidos como ERP (Enterprise Resources Planning Sistema de Gestão Empresarial) que tem o propósito de gerenciar todas as operações da empresa e os CRM (Customer Relationship Management Gestão de Relacionamento com Clientes) com propósito de manter um histórico de todos os relacionamentos da organização com os seus clientes as empresas passaram a ter um conjunto enorme de dados sobre suas operações, elementos esses que se bem analisados podem fornecer inúmeros subsídios para melhoria de suas operações negociais. Com o grande avanço da capacidade de processamento dos computadores nos últimos anos e o seu fácil acesso, houve um grande impulso para os profissionais passarem a intensificar o uso de métodos quantitativos em Administração, fazendo crescer nas empresas o número de suas aplicações e a distribuição das tarefas em razão da capacidade de distribuição do processamento de dados (BERRY e LINOFF, 1997; GARGANO e RAGGAD, 1999). Dessa feita o momento é de especializar os processos de busca do conhecimento com base em dados e assim precisar ainda mais as operações. 2. MINERAÇÃO DE DADOS (DATA MINING) O advento da microeletrônica e a chegada da computação pessoal deu novo impulso ao conhecimento humano, tal qual ocorreu com a escrita, com o papel e com a imprensa em períodos remotos. A utilização da computação digital é hoje parte integrante e praticamente indissociável da vida do ser humano seja em qualquer em de suas áreas de atividades. A captura e o armazenamento de dados é hoje o grande mote de nossa civilização, os dados são capturados por sensores, digitados em computadores e smartphones, obtidos por áudio, vídeo e mesmo digitalização de documentos e livros. O poder computacional que um cidadão carrega hoje no bolso é algo inimaginável há cinquenta anos atrás e a sua capacidade de comunicação a mesma coisa. A todo momento milhões e milhões de bits de dados são gerados em algum lugar e armazenados em servidores espalhados ao longo do planeta o que vem a formar um grande universo de dados, conhecido
3 como Big Data. Explorar esses dados de forma inteligente, desvendando suas relações e transformando-os em informação é a grande tarefa dos profissionais denominados cientistas de dados (data scientists). Dentre as várias atividades do cientista de dados está a da mineração de dados, do inglês data mining, que consiste na descoberta do conhecimento nessas grandes bases de dados. O conhecimento pode ser extraído diretamente de um banco de dados ou a partir de um armazém de dados, denominado de Data Warehouse (Elmasri e Navathe, 2002). Para essa extração, são necessárias ferramentas de exploração que podem incorporar técnicas estatísticas e/ou de inteligência artificial, capazes de fornecer respostas as várias questões ou descobrir novos conhecimentos (Romão et al., 2005). O termo data mining é muito usado por estatísticos, pesquisadores de banco de dados e comunidades de negócio, constituindo uma das ferramentas mais utilizadas para extração de conhecimento ou informações relevantes, a partir de bancos de dados, nos meios comercial ou científico ( Data mining overview, 2005; Silberschatz, 1999; Elmasri e Navathe, 2002). Esse termo, a partir do tratamento de grandes quantidades de dados armazenados diretamente em repositórios e por meio da utilização de tecnologias baseadas em ferramentas quantitativas de reconhecimento de padrões, refere-se ao processo de descobrimento de correlações significativas, padrões, tendências, associações e anomalias. Portanto, busca-se, de maneira automática, descobrir regras e modelos estatísticos a partir dos dados ( Data mining overview, 2005; Silberschatz, 1999; Elmasri e Navathe, 2002; Grupo Gartner, citado por Larose, 2005). Alguns autores e vamos segui-los nesse trabalho, exploraram a previsão de venda de produtos de maneira individualizada, a partir de séries históricas das vendas de cada produto (BARASH e MITCHELL, 1998; GORDON, 1998; ALIBAIG e LILLY, 1999). Esses estudos utilizaram técnicas de modelagem de séries temporais, tomando como entrada dos modelos os valores históricos das vendas de cada produto no tempo, e construíram um modelo distinto para a previsão de vendas de cada produto. Esse processo será tomado por objetivo uma vez que o propósito desse trabalho é o de mostrar de forma simplificada a possibilidade de ser obter bons resultados de previsão considerando apenas o comportamento das vendas, todavia, caso haja o desejo de refinar o modelo outras variáveis que tem impacto direto sobre as vendas poderão serem consideradas, tais como: investimento em publicidade digital em sites de buscas como Google e redes sociais como o Facebook, logicamente que esses investimentos tem impacto relevante e o trabalho pode inclusive ser estendido para a determinação do melhor momento para o uso de tais verbas em campanhas de marketing. Portanto, esse trabalho apenas abre um horizonte e não tem o condão mínimo de buscar esgotar o assunto. 2.1 EXEMPLOS DE USOS DA MINERAÇÃO Já nos anos 80 a rede de supermercados americana Wal-Mart fazia uso de data mining em servidores de data warehouse para acompanhar os perfis de compras de seus clientes que tinham cadastro no plano de fidelidade da rede Sams Club. No cruzamento da compra atual do cliente com o seu padrão e das paridades de produtos adquiridos costumeiramente os operadores de caixas tinham meios de ofertar produtos que o cliente eventualmente estivesse esquecendo de comprar. Hoje a rede Wal-Mart é conhecida tanto por sua política de baixos níveis de estoque e ressuprimento constante de produtos (baixos lotes e alta freqüência), como por sua política agressiva com os concorrentes regionais. Utilizando ferramentas de data mining, que auxiliam na previsão de cada item transacionado nas lojas da empresa, essa empresa modificou seus sistemas de ressuprimento automático de produtos. Além disso, identificou padrões de consumo, em cada loja, para a escolha do mix de
4 produtos a ser ofertado (Rodrigues, 2005), Destaca-se inclusive contabilmente suas operações por operar com níveis mínimos mas suficientes de estoque. Um outro caso de sucesso é o do Banco Itaú que costumava enviar mais de um milhão de malas diretas aos correntistas, com uma taxa de resposta de apenas 2%. Com um banco de dados contendo as movimentações financeiras de seus milhões de clientes, durante 18 meses, e utilizando ferramentas de data mining, conseguiu reduzir em um quinto a conta com despesas postais e, ainda, aumentou sua taxa de resposta para 30% (Rodrigues, 2005); Importante considerar como exemplo de mineração de dados os trabalhos realizados nas empresas de comércio eletrônico, iniciados pela Amazon, que com base no histórico de compras de clientes utilizam a relação entre os produtos para no momento da compra de um deles por um novo cliente, possa sugerir os demais. Temos aqui uma sugestão de venda cruzada onde um produto tem sua venda associada a venda de outros para um mesmo cliente. Sem o cruzamento de dados e um processo específico de mineração essas alavancagens de vendas não seria possível. Com o advento das redes sociais as empresas estão criando áreas de inteligência de dados contratando cientistas de dados para atividades de busca de conhecimento e novas oportunidades de negócios juntos aos clientes antigos e prospecção de novos. Em tempo curto nenhuma ação de marketing será tomada sem que se receba resultados de estudos realizados com data mining. 3. O PROCESSO DE PREVISÃO DE VENDAS A previsão de vendas é uma estimativa de quanto será a receita da empresa em determinado período de tempo. Esta informação auxilia os gestores a fazer planejamentos e identificar onde é preciso melhorar e investir. A previsão de vendas é uma importante aliada para empresas que buscam consolidação no mercado. Uma projeção de vendas tem como intuito nortear a empresa para que a mesma tenha um crescimento escalável e sustentável em determinado período de tempo. De forma prática, imagine que você queira triplicar o faturamento da sua empresa no próximo ano. Para isso você vai precisar montar uma projeção de vendas que possibilite tal aumento, e mais importante, definir as ações que irão possibilitar que isso ocorra. É importante ressaltar que a projeção de vendas está completamente ligada com o setor comercial e a atual situação da empresa. Por isso é importante que tais projeções sejam realistas e que reflitam a capacidade de venda do seu produto/serviço. 3.1 TIPOS DE PREVISÃO DE VENDAS 1. ) Previsão baseada em margem de contribuição Este tipo de previsão de vendas deve ser feito em conjunto com outros métodos, por ser voltada para cenários gerais. Antes de fazer este tipo de previsão, calcule a margem de contribuição e o ponto de equilíbrio. 2. ) Previsão baseada em mercado
5 Se o seu volume de vendas é afetado pela sazonalidade, esta é a previsão mais indicada para o seu negócio. Para fazê-la, é preciso se basear em um negócio da mesma área de atuação, que seja localizado próximo ao seu e que seja semelhante ao seu. 3. ) Previsão baseada em experiências passadas Se para você o melhor é fazer projeções com base em suas próprias experiências, então esta é a previsão mais indicada para a sua empresa. Para cada mês, destaque uma ação realizada que influenciou no resultado. Analise se o resultado foi positivo ou negativo. Um lembrete: para fazer este tipo de previsão, sua empresa precisa ter, no mínimo, seis meses de vida. 3.2 VANTAGENS DA PREVISÃO DE VENDAS Empresas que fazem previsão de vendas conseguem ter uma visão real do próprio negócio, evitando otimismo excessivo e estagnação da organização. Além disso, a previsão de vendas dá um melhor direcionamento aos investimentos que devem ser feitos, já que o gestor sabe o que trouxe resultados positivos e o que precisa ser melhorado. Com as informações obtidas por meio dessa projeção, o gestor também se torna capaz de adaptar as estratégias e planejar campanhas específicas para determinados períodos, aumentando suas vendas com assertividade. 4. ANÁLISE DOS DADOS HISTÓRICOS DE VENDAS Os dados históricos das operações de vendas de uma empresa empiricamente permite que se conheça o comportamento dos seus clientes. A análise dos pedidos com mais de um item comprados permitem análises de referências cruzadas da demanda, quando é possível identificar o quanto os preços ofertados por um produto implicam na demanda de outros. Essa relação será utilizada nos experimentos para a determinação da previsão nesse trabalho. 4.1 MIX DE MARKETING DE KOTLER Um dos conceitos mais famosos quando estudamos Publicidade e Marketing é o Mix de Marketing, criado pelo professor Jerome McCarthy e difundido por Philip Kotler. Quem já estudou o assunto provavelmente dedicou uma parcela do seu tempo para ter na ponta da língua o significado dos 4 Ps do Marketing: Produto, Preço, Praça e Promoção em inglês: Product, Price, Placement, Promotion. Dos quatro elementos citados inúmeras variáveis podem interferir diretamente nas vendas de uma empresa, nesse trabalho considera-se que os quatro elementos serão mantidos constantes entre os períodos de treinamento e da previsão, desta forma esse estudo estará se baseando exclusivamente nas vendas históricas, não havendo nenhuma outra circunstância a ser considerada, ou como se diz na economia: Ceteris paribus que é usada para fazer uma análise de mercado da influência de um fator sobre outro, sem que as demais variáveis sofram alterações). 5. A REDE NEURAL 51. CONCEITO DE REDES NEURAIS ARTIFICIAIS (RNA) Em sua obra??, p.24) afirma que rede neural é um processador maciçamente paralelamente distribuído,
6 constituído de unidades de processamento simples, que têm a propensão natural para armazenar conhecimento experimental e torná-lo disponível para uso. Ela assemelha- se ao cérebro em dois aspectos: (1) o conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de aprendizagem; (2) forças de conexão entre neurônios (os pesos sinápticos) são utilizadas para armazenar o conhecimento adquirido. A base de uma rede neural são os neurônios artificiais que copiam ou simulam o funcionamento dos neurônios biológicos de um cérebro humano. Por analogia, as entradas (inputs) para os neurônios chegam através dos dendritos, esses por sua vez também podem agir como saídas (outputs) interconectando os outros neurônios. Matematicamente, por analogia os dendritos seriam o somatório. Os axônios, por outro lado, são encontrados somente nas células de saída, cuja função sináptica e quando ativos transmitem um sinal elétrico. São responsáveis também por conectar os demais neurônios através de seus dendritos. A característica mais relevante do uso das Redes Neurais é a capacidade de aprendizado por meio de exemplos, no qual a rede consiste de um processo iterativo de ajuste de parâmetros e está relacionado com a melhoria do desempenho da rede, sendo que o erro deve diminuir na medida em que o aprendizado prossiga. A Rede Neural possui duas fases de processamento, a de aprendizado e a de utilização ou aplicação e ambas as fases são distintas e ocorrem em momentos diferentes. 5.2 ESTRUTURA DAS REDES NEURAIS ARTIFICIAIS As redes neurais artificiais são criadas a partir de algoritmos projetados para uma deter- minada finalidade. É impossível criar um algoritmo que aprende com base em exemplos sem ter conhecimentos de modelos matemáticos que simulem o processo de aprendizado do cérebro humano. Basicamente, uma rede neural se assemelha ao cérebro em dois pontos: o conhecimento é obtido através de etapas de aprendizagem e pesos sinápticos são usados para armazenar o conhecimento. Uma sinapse é o nome dado à conexão existente entre neurônios. Nas conexões são atribuídos valores, que são chamados de pesos sinápticos. Isso deixa claro que as redes neurais artificiais têm em sua constituição uma série de neurônios artificiais (ou virtuais) que serão conectados entre si, formando uma rede de elementos de processamento. A figura abaixo ilustra um neurônio artificial com os seguintes elementos: Entradas, Pesos (pesos sinápticos), Função Soma, Função de Ativação e Saída.
7 Figura 1 Neurônio Artificial Fonte: HAYKIN, 2001 Na figura em sua operação as entradas 1,2 e n são multiplicadas pelos respectivos pesos sinápticos e então são somadas e processadas por uma função de ativação. A função de ativação avalia o resultado obtido de acordo com os limites definidos para depois calcular e gerar as saídas desejadas. As funções de ativação cuja função é executar o processamento nos neurônios são: Função Ativação Linear, Função de Ativação com Limite (Threshold), Função de Ativação Sigmoid e Função de Ativação Tangente Hiperbólica dentre outras mas aqui estão as mais utilizadas, devendo ser escolhida de acordo com a funcionalidade desejada. 5.3 REDE NEURAL MLP A rede MLP (Multilayer Perceptrons) é estruturada em três tipos de camadas neurais: entrada, intermediária e saída. A camada de entrada é responsável por receber os estímulos do ambiente a ser classificado e conectá-los à camada intermediária, que têm a função de extrair a maioria das informações comportamentais da aplicação, essa por sua vez é conectada a saída que informa a que classe pertence à amostra recebida na entrada. No caso de redes com múltiplas camadas não é possível obter o erro diretamente através da diferença entre a saída desejada e a saída recorrente da rede, pois não existem saídas desejadas definidas para camadas intermediárias. O problema é calcular ou estimar o erro das camadas intermediárias. Qualquer Perceptron com pelo menos uma camada escondida é um Perceptron Multicamada. Cada neurônio recebe várias entradas da camada anterior e calcula uma combinação linear dessas variáveis. O algoritmo capaz de treinar as redes perceptron de multicamadas é o algoritmo de retropropagação ou Backpropagation, onde o princípio do seu cálculo é utilizar o gradiente descendente e estimar o erro das camadas intermediárias pela estimativa do resultado encontrado no erro da camada de saída. O Backpropagation é um tipo de algoritmo supervisionado que utiliza pares de entrada e saída da rede para, por meio de um mecanismo de correção de erros, ajustarem os pesos da rede. O erro da saída da rede é calculado, sendo retroalimentado para as camadas intermediárias, possibilitando o ajuste desses
8 pesos. As redes multi-camadas têm um potencial computacional muito maior que os perceptrons de uma camada, justamente por conseguirem tratar dados não linearmente separáveis. É o número de camadas da rede que define a potencialidade de processamento da rede. A figura abaixo ilustra uma rede Perceptron Multicamadas. Figura 2 Rede MLP Fonte: IFSP 5.4 USO DA REDE NEURAL Os dados das janelas de análise serão divididos em 80% para treinamento e 20% para previsão, todavia, é importante ressaltar que os intervalos acima são inicialmente estimados, devendo ser depurado ao longo dos testes operacionais da rede neural para se obter o intervalo ótimo ou que melhor se aproxime dos resultados reais MODELO MATEMÁTICO Para os experimentos desse trabalho foi escolhido um modelo autorregressivo de ordem 5, onde cada saída é determinada em função das quantidades vendidas nos cinco dias anteriores, conforme abaixo:
9 A função para os pesos é dado por: W (k + 1) = W (k) + µ(??ke) Equação I E foi utilizado o Gradiente do Erro Quadrado Instantâneo para estimativa obtido através da função abaixo: Se a função de Erro é e(k) = d(k)?y(k) e a função de saída da rede é dada por y(k) = W (k)t x(k) temos que:?ke =? E(k)?W (k) que aplicando a regra da cadeia obtemos:?ke =? E(k)? e(k)? y(k)? e(k)? y(k)?w (k) Desenvolvendo cada um dos fatores temos:? E(k) =? e2(k) = 2e(k)? e(k)? e(k)? e(k) =? (d(k)?y(k)) =?1? y(k)? y(k)
10 Assim temos o resultado da derivada completa agora com:?ke =?2e(k)x(k) Equação II Aplicando II em I vem a equação do peso: W (k + 1) = W (k) + 2µe(k)x(k) onde: µ é o grau de aprendizagem, e(k) é o erro na posição de execução k do vetor, x(k) é a entrada 6. EXPERIMENTOS Para esse trabalho foi utilizada uma base de dados de uma empresa varejista que atua tanto com lojas físicas como a loja virtual no comércio eletrônico digital comercializando utensílios domésticos. Por questões jurídicas o nome da empresa não será declinado, uma vez que não há permissão expressa, todavia, as informações são reais de suas operações. Os dados referem-se as vendas apenas no comércio eletrônico no período compreendido de 2014 a 2017, num total de registros de vendas, que compreende todo o mix de produtos disponibilizados no site de compras. Esses dados passaram por um processo de consistência e redução, obtidos de um banco de dados relacional, o MS-SQLServer, dessa forma foram ajustados de forma a minimizar as ações de processamento da rede neural. Para os dados tem-se as seguintes tabelas relacionais: Produtos, Marcas, Departamentos e Vendas diárias por pedido dos produtos. Figura 3 Modelo de Dados Fonte: Autor 6.1 CRITÉRIOS PARA SELEÇÃO E TRATAMENTO DOS DADOS DA AMOSTRA
11 Os dados utilizados estão organizados em 5 (cinco) departamentos principais e seus sub-departamentos. Como a departamentalização aplicada implica em agrupar produtos correlacionados ou similares as amostras foram tomadas em nível de departamento para o treinamento da rede e em seguida selecionado um produto para o devido teste de previsão. Da análise dos valores das quantidades vendidas verificou-se que são números inteiros e maior que a unidade, assim, para um melhor resultado na operação da rede neural todos os valores foram normalizados, aplicando-se a função log. Ainda sobre os dados selecionados foram aplicadas análises estatísticas no sentido de verificar a posição e dispersão dos dados. A figura seguinte mostra a Estatística Descritiva da amostra de dados obtidas para o treinamento e previsão. Da análise dos resultados tem-se que a amostra não apresenta dispersão, logo os dados são viáveis para o processamento em questão. Figura 4 Estatística Descritiva Fonte: Autor Para o treinamento da rede local foram selecionados 1034 registros de vendas no período de 01/01/2014 a 30/12/2016 e 295 registros de vendas para a previsão, classificados cronologica- mente, conforme as figuras seguintes. É importante ressaltar que a quantidade de registros para treinamento da rede neural é uma quantidade pequena, dessa forma o número de interação da rede (épocas) deverá ser razoavelmente grande para que haja convergência, bem como uma alta taxa de aprendizagem conforme veremos adiante.
12 Figura 5 Dados de Treinamento da Rede Neural Fonte: Autor Percebe-se da análise das figuras que os dados estão deslocados de um dia, onde na diagonal verifica-se o mesmo valor. Figura 6 Dados de Previsão da Rede Neural Fonte: Autor 6.2 PROCESSAMENTO DOS DADOS EM REDE NEURAL Para os experimentos foram utilizados várias ferramentas de softwares escritas nas linguagens de programação Python, C# e R, os melhores resultados foram obtidos com o uso do software R associado aos pacotes NEURALNET, FORECAST e TSERIES. Para uma melhor performance na carga dos dados e minimização do tempo de processamento a carga dos dados foi feita com os dados em planilhas MSExcel, uma vez que a execução de Stored Procedure diretamente no banco de dados com a carga para o
13 ambiente se mostrou muito lento. Com a finalidade de adequar o software às necessidades do algoritmo de minização do erro, Gradiente do Erro Quadrado Instantâneo, o pacote NEURALNET foi customizado para ser utilizado nesses experimentos. Os testes de rede neural foram feitos por várias rodadas de execuções, com várias configurações, todavia, serão apresentadas as duas rodadas de execuções que tiveram os melhores resultados para o tema aqui abordado e que serão explanados e explicados a seguir. 7. RESULTADOS OBTIDOS Para os testes foram executadas simulações no software R com o pacote NeuralNet customizado e fazendo uso dos algoritmos: BackPropagation e Random Walk. Os resultados serão apresentados e avaliados com base nesses dois algoritmos. Em todos os testes foram utilizados 1034 registros para treinamento e 295 registros para a previsão. As mudanças entre os experimentos podem ocorrer nos seguintes parâmetros: número de neurônios, número de épocas, número de camadas intermediárias, taxa de aprendizagem e função de ativação. Logicamente que executar todos os testes possíveis com essas variáveis não é escopo desse trabalho, mas as mudanças feitas já permitirá perceber as alterações nos resultados obtidos. 7.1 EXPERIMENTO O experimento 1 consistiu em tomar os dados de previsão e aplica-los na rede com os parâmetros constantes da figura 8. Vale considerar o número de épocas aplicado para o processamento, qual seja (um milhão) de interações, pois para o número de neurônios e camadas aplicadas com valores inferiores a esse a rede não convergia e portanto nenhum resultado era gerado. Também foi percebido que o número de épocas também é função da taxa de aprendizado da rede, uma vez que para valores muito pequenos o número de interações precisa ser aumentado para que haja a convergência da rede. Figura 7 Parâmetros da rede Fonte: Autor Do resultado apresentado, conforme o gráfico da figura 9, ve-se que o algoritmo BackPropagation
14 mantém valores mais próximos dos valores informados, diverso do algoritmo Random Walk que nesse caso apresenta sempre resultados superiores ao informado. A análise da acurácia das redes conforme mostrado na figura 10, ve-se que o algoritmo Backpropagation é o que apresenta os melhores resultados na configuração de rede apresentada. Os dados aqui apresentados são obtidos baseados em cada linha da previsão previsão. Da análise do R-Quadrado (Coeficiente de Determinação), figura 11, ve-se que apenas os valores obtidos para o algoritmo BackPropagation é explicado em 31% pelas variáveis de entrada, diverso do algoritmo Random Walk onde a resposta tem explicação em 17%. Assim verifica-se que o algoritmo Backpropagation nessas circunstâncias da rede é o melhor algoritmo a ser aplicado na previsão. Figura 8 Gráfico do resultado- Fonte: Autor Figura 9 Acurácia da rede Fonte: Autor
15 Figura 10 R-Quadrado Fonte: Autor 7.2 EXPERIMENTO 2 No experimento 2 foi feita alteração apenas no número de neurônios conforme a figura 12, dessa alteração conclui-se que apenas aumentar o número de neurônios não é suficiente para mudar de forma satisfatórias os resultados obtidos por uma rede neural, seja no algoritmo Backpropagation como no Random Walk, todavia, olhando para as figuras que se seguem, análogas às exibidas no experimento anterior, é possível identificar que o algoritmo que melhor se comportou nessa configuração foi o Backpropagation. Em estudos seguintes é possível obter um maior refinamento dos resultados das redes neurais executando simulações outras alterando os demais parâmetros como por exemplo a taxa de aprendizado e o número de camadas intermediárias, como dito anteriormente esse trabalho não tem a pretensão de esgotar o assunto mas de encaminhar para outras pesquisas e melhorias. Figura 11 Parâmetros da rede. Fonte: Autor Do resultado apresentado conforme o gráfico mostra ve-se que o algoritmo BackPropagation mantém valores mais próximos dos valores informados, diverso do algoritmo Random Walk que nesse caso apresenta sempre resultados superiores ao informado.
16 Figura 12 Gráfico do resultado. Fonte: Autor Figura 13 Acurácia da rede. Fonte: Autor Figura 14 R-Quadrado. Fonte: Autor CONSIDERAÇÕES FINAIS De posse dos resultados dos experimentos e da facilidade em se trabalhar com as redes neurais em comparação com outros processos, a exemplo da Regressão Múltipla, conclui-se que as Redes Neurais Artificiais são uma boa proposta para a previsão de vendas no varejo e podem ser consideradas pelas áreas de planejamentos como mais uma ferramenta a ajudar no processo. Há atualmente vários estudos que envolvem o uso de redes neurais em processos ligados ao varejo, seja
17 nas vendas como no marketing de vendas, todavia, coube a esse trabalho apenas a tarefa de conceituar os mecanismos e estimular o seu uso. Da bibliografia anexa que instrumen- talizou esse trabalho há inúmeras obras de grande valor acadêmico e prático que em muito pode ajudar os interessados em evoluir com a ideia proposta nesse trabalho. REFERÊNCIAS BIBLIOGRÁFICAS A., J. R. e R. Approximate option valuation for arbitrary stochastic processes. v.10, p USA: Journal of Finance, AL, B. G. et. Modelo de avaliação de opções para processos de difusão e salto. v. 39, p Foz do Iguaçu: XXIII ENANPAD, AMIM K. E JARROW, E. Pricing options on risky assets in a stochastic interest rate economy. v.2, p USA: Mathematical Finance, BONOMO, M. Finanças aplicadas ao Brasil. 1. ed. Rio de Janeiro: FGV, CAMPBELL, J. Y. e. a. The Econometrics of Financial Markets. 1. ed. Princeton, N.J.: Princeton University Press, CHANG, E. MADAN D. e. The VG option pricing model, Working paper. 1. ed. USA: University of Maryland and Georgia Institute of Technology, CHRYSSOLOURIS, G. M. L. e. A. R. Confidence interval prediction for neural network models. Vol. 7, no. 1, pg EUA: IEEE Transactions on Neural Networks, COX J. E ROSS, S. The valuation of options for alternative stochastic processes. v.3, p USA: Journal of Financial Economics, DUPIRE, B. Pricing with a smile. v.7, n.1,p USA: Risk, GEMAN, S. E. B. e. R. D. Neural networks and the bias/variance dilemma. Vol. 4, pg EUA: Neural Computation, GESKE, R. The valuation of compound options. n. 7, p USA: Journal of Financial Economics., HAYKIN, S. Neural networks and learning machines. 2. ed. London: Pearson Education, HESTON, S. A closed-form solution for options with stochastic volatility with applications to bond and currency options. v.6, p USA: Review of Financial Studies, HULL, J. Introdução aos mercados futuros e de opções. 1. ed. São Paulo: BM&F, HULL, J. Opções, futuros e outros derivativos. n. 7, p São Paulo: BM&F, KON, S. J. Models of stock returns a comparison. v. 39, p USA: Journal of Finance, 1984.
18 LANARI, C. S. O efeito sorriso da volatilidade implícita do modelo de Black e Scholes: estudo empírico sobre as opções Telebrás PN no ano de ed. Belo Horizonte: Dissertação de Mestrado. CEPEAD/UFMG., LO, A. AIT-SHALAIA e Y. Nonparametric estimation of state-price densities implicit in financial asset prices. 1. ed. USA: University of Chicago and MIT, MENDES, L. S. Avaliação de opções: uma comparação do desempenho de métodos distintos de se estimar a volatilidade. 1. ed. Belo Horizonte: Dissertação de Mestrado. CEPEAD/UFMG., MERTON, R. C. Theory of rational option pricing. n. 4, p USA: Bell Journal of Economics and Management Science., MERTON, R. C. Option pricing when underlying stock returns are discontinuous. n. 3, p USA: Journal of Financial Economics., NETO, L. A. S. Opções: do tradicional ao exótico. 1. ed. São Paulo: Atlas, R., B. W. S. The pricing of stock index options in a general equilibrium model. v.24, p USA: Journal of Financial and Quantitative Analysis, RUBINSTEIN, M. Implied binomial trees. v. 49, n. 3, p USA: Journal of Finance., S., M. A. e T. Misspecification and the pricing and hedging of long-term foreign currency options. v.14, p USA: Journal of International Money and Finance, S., M. A. T. Pricing foreign currency options with stochastic volatility. v.45, p USA: Journal of Econometrics, SAMUELSON, P. Proof that Properly Anticipated Prices Fluctuate Randomly. 1. ed. Chicago-USA: Industrial Management Review, SCOTT, L. O. Option pricing when the variance changes randomly: theory, estimation, and an application. vol. 22, p USA: Journal of Financial and Quantitative Analysis, SCOTT, L. O. Option pricing when the variance changes randomly: theory, estimation, and an application. vol. 22, p USA: Journal of Financial and Quantitative Analysis, STEIN E. E STEIN, J. Stock price distribuitions with stochastic volatility. v.4, p USA: Review of Financial Studies, V., A. K. N. Option valuation with systematic stochastic volatility. v. 48, p USA: Journal of Finance, WIGGINS, J. B. Option values under stochastic volatility: theory and empirical estimates. Vol. 19, 1987, p USA: Journal of Financial and Quantitative Analysis, 1987.
19 Z., B. G. e CAO C. e C. Empirical performance of alternative option pricing models. v.52, n.5, p USA: Journal of Finance, [1] Mestrando em Engenharia Elétrica e Computação na Universidade Presbiteriana Mackenzie [2] Engenheiro Elétrico e da Computação, M.Sc., Ph.D pela Universidade de São Paulo (USP) Coordenador do Mestrado de Engenharia Elétrica e Computação da Universidade Presbiteriana Mackenzie Powered by TCPDF (
Redes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia mais6 Referências Bibliográficas
6 Referências Bibliográficas ADAMS, P. D.; WYATT, S. B. 1987. On the pricing of European and American foreign currency call options. Journal of International Money and Finance, v. 6, n. 3, p. 315-338.
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia mais10 FORMAS ESTATÍSTICA MODELAGEM PARA USAR
10 FORMAS PARA USAR MODELAGEM ESTATÍSTICA Introdução Conheça um pouco mais sobre algumas modelagens estatísticas e como você pode implantar dentro da sua organização A análise preditiva é capaz de descobrir
Leia maisPRINCÍPIOS DE NEUROCOMPUTAÇÃO
PRINCÍPIOS DE NEUROCOMPUTAÇÃO Neurocomputação Funcionamento do cérebro humano e os neurônios Formação das conexões e como se concebe teoricamente a aquisição do conhecimento, formalizando-os em procedimentos
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
Leia maisRedes Neurais. Prof. Aurora Pozo. Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco
Redes Neurais Prof. Aurora Pozo Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos
Leia maisAplicações de redes neurais artificiais em simulações
Aplicações de redes neurais artificiais em simulações Resumo Marcelo Bilobrovec (UEPG - CEFET - PR) mbilo@uepg.br Rui Francisco Martins Marçal (CEFET - PR) marcal@pg.cefetpr.br Luiz Alberto Pilatti (CEFET
Leia maisRedes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
Leia maisBruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Leia maisBanco de Dados Data Mining Data Warehouse Big Data
Universidade Estadual de Mato Grosso do Sul Curso de Computação, Licenciatura Banco de Dados Data Mining Data Warehouse Big Data Prof. José Gonçalves Dias Neto profneto_ti@hotmail.com Data Mining: Introdução
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 8 Redes Neurais Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia mais6 Referências bibliográficas
6 Referências bibliográficas AMARAL, M.B. (2011). Modelos VARX para Geração de Cenários de Ventos e Vazão aplicados a Comercialização de Energia. Dissertação de Mestrado. PUC-Rio. Departamento de Engenharia
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisPORTFÓLIO TEROS : PRICING AGILIDADE, CONSISTÊNCIA E ASSERTIVIDADE NA DEFINIÇÃO DE PREÇOS
PORTFÓLIO TEROS : PRICING AGILIDADE, CONSISTÊNCIA E ASSERTIVIDADE NA DEFINIÇÃO DE PREÇOS PRINCING TEROS Avaliamos qual o melhor modelo de precificação para sua empresa unindo nossa expertise do mercado
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisRedes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação Estar imune aos riscos que existem no mercado financeiro, reduzindo ou mesmo eliminando as possíveis perdas, é o desejo de qualquer investidor. Desta forma, todo investidor
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisInteligência do Negócio
Inteligência do Negócio DENISE NEVES 2017 PROFA.DENISE@HOTMAIL.COM Inteligência do Negócio Objetivo Primeiro Bimestre Apresentar ao aluno as etapas de projeto de Business Intelligence. Introdução a Inteligência
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados. Cenário
Roteiro PCC142 / BCC444 - Mineração de Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz Introdução Tarefas
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia mais3 REDES NEURAIS ARTIFICIAIS
47 3 REDES NEURAIS ARTIFICIAIS Neste capítulo será apresentado um breve histórico das redes neurais artificiais de modo a situar o leitor, descrevendo-se suas aplicações, teorias e finalmente detalhando-se
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia mais2 Mineração de Dados Processo de Busca de Conhecimento (KDD) 2 Mineração de Dados
2 Mineração de Dados 2 Mineração de Dados A mineração de dados, ou data mining, é uma das principais etapas do processo de busca de conhecimento. Este conceito é utilizado para identificar técnicas avançadas
Leia mais3 Técnicas de Previsão de Séries Temporais 3.1. Introdução
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução A previsão de séries temporais é um problema prático de extrema importância, presente em diversas áreas: economia, indústria, serviços, previsão
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisTópicos Especiais em Informática Fatec Indaiatuba 13/07/2017
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos da Mineração de Dados (MD) Entender o processo KDD (Knowledge Discovery Data) e MD Descrever as etapas
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia mais