Introdução às Redes Neurais Artificiais
|
|
- Octavio Peralta
- 4 Há anos
- Visualizações:
Transcrição
1 Introdução às Redes Neurais Artificiais Clusterização: Conceitos Básicos Prof. João Marcos Meirelles da Silva Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade Federal Fluminense Prof. João Marcos Meirelles da Silva p. 1/56
2 Créditos autorais Este curso e estes slides são parcialmente adaptados da bibliografia citada e das aulas do professor Luiz Pereira Calôba - COPPE/UFRJ caloba Prof. João Marcos Meirelles da Silva p. 2/56
3 Sumário Introdução Aplicações Tipos de Atributos Definições de clusterização Definições Proximidade entre dois pontos Proximidade entre um ponto e um conjunto Proximidade entre dois conjuntos Prof. João Marcos Meirelles da Silva p. 3/56
4 Introdução Aprendizado Não-Supervisionado; Dados disponíveis não estão rotulados; Descobrir se existem padrões escondidos nos dados; Prof. João Marcos Meirelles da Silva p. 4/56
5 Introdução Os passos básicos necessários para uma clusterização são: Seleção de Atributos Medidas de proximidade Critério de clusterização Algoritmos de clusterização Validação dos resultados Interpretação dos resultados Prof. João Marcos Meirelles da Silva p. 5/56
6 Introdução Os passos básicos necessários para uma clusterização são: Seleção de Atributos Medidas de proximidade Aula de hoje! Critério de clusterização Algoritmos de clusterização Validação dos resultados Interpretação dos resultados Prof. João Marcos Meirelles da Silva p. 6/56
7 Introdução Aplicações de Análise de Cluster Redução de dados Geração de hipóteses Teste de hipóteses Predição baseada em grupos Prof. João Marcos Meirelles da Silva p. 7/56
8 Introdução Tipos de Atributos Quanto aos valores dos atributos: atributos Intervalo contínuo (sub-conjunto de R) Conjunto finito de valores discretos Se o conjunto finito de valores discretos tiver apenas dois elementos, então o atributo é chamado de binário ou dicotomia. Prof. João Marcos Meirelles da Silva p. 8/56
9 Introdução Tipos de Atributos nominal Ex: Masculino 0, Feminino 1 ordinal Ex: Notas de um aluno 4,3,2,1 Excelente, muito bom, bom, ruim. intervalo Ex: Paris (5 o C) e Londres (10 o C) Paris está 5 o C a mais que Londres Paris está o dobro de Londres. razão Ex: Pessoa A (100Kg), Pessoa B (50Kg) Pessoa A pesa duas vezes mais que Pessoa B. Prof. João Marcos Meirelles da Silva p. 9/56
10 Introdução Definições de Clusterização O que é um cluster? Diversas definições Muitas são baseadas em termos cuja definição não é clara: similar, parecido, etc... Algumas definições são específicas para alguns problemas Não há uma definição universalmente aceita [1]. Prof. João Marcos Meirelles da Silva p. 10/56
11 Introdução Figura 1: Exemplo de padrões para classificação. Prof. João Marcos Meirelles da Silva p. 11/56
12 Introdução Figura 2: Há diferentes critérios para agrupamento. Prof. João Marcos Meirelles da Silva p. 12/56
13 Introdução Definições de Clusterização Em [1], os vetores são vistos como pontos no espaço l-dimensional, e os clusters são descritos como regiões contínuas deste espaço contendo uma densidade relativamente alta de pontos, separados de outras regiões de alta densidade por regiões de densidade relativamente baixa de pontos. Esta visão é bem próxima de nossa percepção visual de clusters em espaço de duas e três dimensões. Prof. João Marcos Meirelles da Silva p. 13/56
14 Introdução Definições de Clusterização Figura 3: Definição de clusters. Prof. João Marcos Meirelles da Silva p. 14/56
15 Introdução E o que é Clusterização? Seja X nosso conjunto de dados (experimentais ou não): X = {x 1, x 2,...,x N } (1) Consideramos como uma clusterização m a partição do conjunto X em m sub-conjuntos (clusters), C 1,...,C m, de forma que as 3 condições seguintes sejam satisfeitas: 1. C i, i = 1, 2,...,m 2. m i=1 C i = X 3. C i Cj =, i j, i, j = 1, 2,...,m Prof. João Marcos Meirelles da Silva p. 15/56
16 Introdução Os vetores contidos no cluster C i são mais similares uns aos outros e menos similares aos vetores de atributos dos outros clusters. Quantificar os termos similar e dissimilar depende muito dos tipos de clusters envolvidos. Um vetor pertence a um único cluster hard clustering ou crisp clustering fuzzy clustering. Prof. João Marcos Meirelles da Silva p. 16/56
17 Introdução Figura 4: (a) compacto (b) alongado (c) elipsoidal Prof. João Marcos Meirelles da Silva p. 17/56
18 Entre 2 pontos (reais) Medidas de dissimilaridade Medidas de similaridade L p ponderada L p sem pesos Manhattan Produto interno Pearson Tanimoto Hamming Medidas de dissimilaridade L 1 Entre 2 pontos (discreto) Medidas de similaridade L 2 Tanimoto Edit Distance Prof. João Marcos Meirelles da Silva p. 18/56
19 Todos os pontos do conjunto função proximidade mínima função proximidade máxima função proximidade média ponto médio Entre um 1 ponto e 1 conjunto Pontos representantes centro médio centro mediano Plano representativo Hiperesfera representativa Prof. João Marcos Meirelles da Silva p. 19/56
20 Entre 2 conjuntos Função proximidade máxima Função proximidade mínima Função proximidade média Função proximidade mediana Função M Di Prof. João Marcos Meirelles da Silva p. 20/56
21 Definições O que é uma métrica? Uma métrica é um conceito matemático que generaliza a idéia geométrica de distância. Uma métrica deve satisfazer a 4 condições: 1. Ser positivamente definida: d(x, y) 0, (x, y) R; 2. Ser simétrica: d(x, y) = d(y, x), (x, y) R; 3. Obedecer à seguinte desigualdade triangular: d(x, z) d(x, y) + d(y, z); 4. Ser nula apenas nos pontos coincidentes: d(x, y) = 0 x = y. Prof. João Marcos Meirelles da Silva p. 21/56
22 Definições Uma medida de dissimilaridade (DM) d em X é uma função: onde R é o conjunto dos números reais, tal que: d : X X R (2) d 0 R : < d 0 d(x, y) < +, x, y X (3) Prof. João Marcos Meirelles da Silva p. 22/56
23 e d(x, x) = d 0, x X (4) d(x, y) = d(y, x), x, y X (5) d 0 é o valor mínimo possível no conjunto X. Em (5) temos a chamada propriedade comutativa. Prof. João Marcos Meirelles da Silva p. 23/56
24 Se, ainda: e d(x, y) = d 0, sse x = y (6) d(x, z) d(x, y) + d(y, z), x, y, z X (7) então d é chamado uma métrica DM. Prof. João Marcos Meirelles da Silva p. 24/56
25 A equação (6) indica que o valor da dissimilaridade mínima possível d 0 entre dois vetores quaisquer em X é alcançada quando eles são idênticos; A inequação (7) também é conhecida como desigualdade triangular; Algumas vezes, iremos nos referir à dissimilaridade como distância. Prof. João Marcos Meirelles da Silva p. 25/56
26 Uma medida de similaridade (SM) s em X é definida como: tal que: s : X X R (8) s 0 R : < s(x, y) s 0 < +, x, y X (9) Prof. João Marcos Meirelles da Silva p. 26/56
27 e s(x, x) = s 0, x X (10) s(x, y) = s(y, x), x, y X (11) d 0 é o valor máximo possível no conjunto X. Em (5) temos a chamada propriedade comutativa. Prof. João Marcos Meirelles da Silva p. 27/56
28 Se ainda: e s(x, y) = s 0,, sse x = y (12) s(x, y)s(y, z) [ s(x, y) + s(y, z) ] s(x, z), x, y, z X (13) então, s é chamado métrica SM. Prof. João Marcos Meirelles da Silva p. 28/56
29 Exemplo: Considere a distância Euclidiana, d 2 d 2 (x, y) = l (x i y i ) 2 i=1 onde x, y R, e x i, y i são as i-ésimas coordenadas de x e y, respectivamente. Prof. João Marcos Meirelles da Silva p. 29/56
30 Esta é uma medida de dissimilaridade em X, com d 0 = 0; A distância mínima possível entre dois vetores em X é zero; A distância de um vetor a eles mesmo é zero; É possível observar que d(x, y) = d(y, x). A distância Euclidiana é uma medida de dissimilaridade. Prof. João Marcos Meirelles da Silva p. 30/56
31 É possível estender as definições anteriores de modo a medirmos proximidade entre subconjuntos de X. Seja U um conjunto contendo subconjuntos de X. Isto é, D i X, i = 1,...,k, e U = D 1,...,D k. Prof. João Marcos Meirelles da Silva p. 31/56
32 Uma Medida de Proximidade P em U é uma função P : U U R As equações (3)-(7) para medidas de dissimilaridade, e as equações (9)-(13) para medidas de similaridade podem ser utilizadas com D i, D j em vez de x, y, e U no lugar de X. Normalmente, medidas de proximidade entre dois conjuntos D i e D j são definidos em termos de medidas de proximidade entre elementos de D i e D j. Prof. João Marcos Meirelles da Silva p. 32/56
33 Exemplo: Seja X = {x 1, x 2, x 3, x 4, x 5, x 6 } e U = {{x 1, x 2 }, {x 1, x 4 }, {x 3, x 4, x 5 }, {x 1, x 2, x 3, x 4, x 5 }}. Vamos definir a seguinte função dissimilaridade: d ss min(d i, D j ) = min d 2 (x, y) x D i,y D j onde d 2 é a distância Euclidiana entre dois vetores e D i, D j U. Prof. João Marcos Meirelles da Silva p. 33/56
34 O valor mínimo possível de d ss min é dss min,0 = 0. Também, d ss min (D i, D i ) = 0, pois a distância Euclidiana entre um vetor de D i e ele mesmo é 0. É possível notar ainda que a propriedade comutativa é satisfeita. Logo, esta função dissimilaridade é uma medida. Não é difícil verificar que d ss min não é uma métrica. Prof. João Marcos Meirelles da Silva p. 34/56
35 Conclusões DMs e SMs são opostos. Se d é uma (métrica) DM, com d(x, y) > 0, x, y X, então d = a/d, com a > 0 é uma (métrica) SM. Se d max d é uma (métrica) SM, onde d max é o valor máximo de d entre todos os pares de elementos de X, tal que d(x, y) > 0, x, y X, então também serão ln(d max + k d) e kd/(1 + d), k > 0. Prof. João Marcos Meirelles da Silva p. 35/56
36 Conclusões Por outro lado, se s é uma (métrica) SM, com s 0 = 1 ε, onde ε é uma constante pequena e positiva, então 1/(1 s) também é uma (métrica) SM. Comentários similares podem ser feitos para medidas de similaridade e dissimilaridade entre conjuntos D i, D j U. Prof. João Marcos Meirelles da Silva p. 36/56
37 Entre Dois Pontos A seguir, veremos as medidas de proximidade (similaridade e dissimilaridade) entre dois pontos comumente utilizadas em clusterização. Vamos utilizar a notação b min e b max para os valores mínimos e máximos, respectivamente, que podem ser assumidos em um conjunto finito de vetores X. Prof. João Marcos Meirelles da Silva p. 37/56
38 Entre Dois Pontos Norma L p ponderada (DM): d p (x, y) = ( l ) 1/p ω i x i y i p i=1 (14) Norma Euclidiana ou Norma L 2 (DM): Em (14), quando os pesos ω i = 1, i = 1,...,l e p = 2, temos: ( l d 2 (x, y) = x i y i 2 ) 1/2 (15) i=1 Utilizada principalmente com vetores de valores reais. Prof. João Marcos Meirelles da Silva p. 38/56
39 Entre Dois Pontos Norma L 2 ponderada generalizada (DM): A norma L 2 ponderada pode ser generalizada como: d 2 (x, y) = (x y) T B(x y) (16) onde B é uma matriz simétrica, positiva definida [2]. Isto inclui a distância de Mahalanobis como caso especial. Prof. João Marcos Meirelles da Silva p. 39/56
40 Entre Dois Pontos Norma L 1 (ponderada) ou norma Manhattan (DM): d 1 (x, y) = l ω i x i y i (17) i=1 Norma L (ponderada) (DM): d (x, y) = max 1 i l ω i x i y i (18) Prof. João Marcos Meirelles da Silva p. 40/56
41 Entre Dois Pontos Produto interno (SM): s inner (x, y) = x T y = l x i y i (19) i=1 Normalmente usada quando os vetores são normalizados. Prof. João Marcos Meirelles da Silva p. 41/56
42 Entre Dois Pontos Similaridade cossenoidal (SM): s cos (x, y) = xt y x. y (20) l onde x = i=1 x2 i e y = l i=1 y2 i dos vetores x e y, respectivamente. Esta medida é invariante à rotação, mas não à transformações lineares. são o tamanho Prof. João Marcos Meirelles da Silva p. 42/56
43 Entre um Ponto e um Conjunto Em muitos problemas de clusterização, um vetor x é associado a uma classe C levando-se em consideração a proximidade entre x e C, p(x, C). Há duas direções para a definição de p(x, C): 1. Todos os pontos de C contribuem para p(x, C); 2. A classe C possui um representante e a proximidade entre x e C é medida através da distância entre x e o representante da classe C; Prof. João Marcos Meirelles da Silva p. 43/56
44 Entre um Ponto e um Conjunto No primeiro caso, medidas típicas empregadas são: i Função proximidade máxima: p max (x, C) = max y C p(x, y) ii Função proximidade mínima: p min (x, C) = min y C p(x, y) iii Função proximidade média: p avg (x, C) = 1 n C y C p(x, y) n C é a cardinalidade do conjunto C, e p(x, y) pode ser qualquer métrica de proximidade entre dois pontos. Prof. João Marcos Meirelles da Silva p. 44/56
45 Exemplo: Seja o vetor x = [6.0, 4.0] T e conjunto de vetores C: x a b x 1 1,5 1,5 x 2 2,0 1,0 x 3 2,5 1,75 x 4 1,5 2,0 x 5 3,0 2,0 x 6 1,0 3,5 x 7 2,0 3,0 x 8 3,5 3,0 Figura 5: Vetores do Exemplo. Prof. João Marcos Meirelles da Silva p. 45/56
46 Calcule d ps max(x, C), d ps min (x, C) e dps avg(x, C). Assuma que a norma Euclidiana é utilizada como medida de dissimilaridade entre dois pontos: x x i 2 x 1 5,14 x 2 5,00 x 3 3,71 x 4 4,92 x 5 3,60 x 6 5,02 x 7 4,12 x 8 2,69 Σ 34,2 d ps max(x, C) = d(x, x 1 ) = 5, 14 d ps min (x, C) = d(x, x 8 ) = 2, 69 d ps avg(x, C) = 4, 33 Prof. João Marcos Meirelles da Silva p. 46/56
47 Entre um Ponto e um Conjunto No segundo caso, muitos representantes tem sido utilizados, dentre eles: o ponto, o hiperplano e a hiperesfera. Figura 6: Representações por hiperplano (a) e hiperesfera (b). Prof. João Marcos Meirelles da Silva p. 47/56
48 Entre um Ponto e um Conjunto i Ponto médio: ii Centro médio: m p = 1 n C y C y y C d(m c, y) y C d(z, y), z C Prof. João Marcos Meirelles da Silva p. 48/56
49 Entre um Ponto e um Conjunto iii Centro mediano: med(d(m med, y) y C) = med(d(z, y) y C), z C onde med(t), T é um conjunto de q escalares, é definido como o menor número inteiro pertencente ao conjunto que satisfaz a relação: med(t) q (21) Prof. João Marcos Meirelles da Silva p. 49/56
50 Entre um Ponto e um Conjunto Em algumas aplicações, com visão computacional, é comum termos classes com um formato Planar (ou hiperplanar). Nestes casos, a representação da classe por um ponto não é muito adequada, sendo melhor o hiperplano representativo. H : l a j x j + a 0 = a T x + a 0 = 0 (22) j=1 Prof. João Marcos Meirelles da Silva p. 50/56
51 Entre Dois Conjuntos A maioria das funções de proximidade p ss utilizadas para comparações entre conjuntos são baseadas em medidas de proximidade. Se D i, D j são dois conjuntos de vetores, as funções de proximidade mais comuns são: i função de proximidade máxima ii função de proximidade mínima iii função de proximidade média iv função de proximidade mediana Prof. João Marcos Meirelles da Silva p. 51/56
52 i função de proximidade máxima p ss max(d i, D j ) = ii função de proximidade mínima max p(x, y) x D i,y D j p ss min(d i, D j ) = min x Di,y D j p(x, y) Prof. João Marcos Meirelles da Silva p. 52/56
53 iii função de proximidade média p ss avg(d i, D j ) = 1 n Di n Dj x D i y D j iv função de proximidade mediana p ss mean = p(m Di, m Dj ) onde m Di, onde m Di é o ponto representante do conjunto D i, i = 1, 2. O ponto m Di pode ser o ponto médio ou mediano de D i. Prof. João Marcos Meirelles da Silva p. 53/56
54 O neurônio como SM Podemos utilizar um modelo de neurônio que atue como um medidor de similaridade. O neurônio deverá implementar a seguinte função: u i = x w 2 0 (23) onde u i é a medida de similaridade entre o vetor x e o vetor w. u i = 0 é a máxima similaridade. Prof. João Marcos Meirelles da Silva p. 54/56
55 Referências 1. Everitt, B., Landau, S. Leese, M., Cluster Analysis, Arnold, Strang, G., Linear Algebra 3. Theodoris, S., Koutroumbas, K, Pattern Recognition, 4 th edition, Academic Press. Prof. João Marcos Meirelles da Silva p. 55/56
56 FIM Prof. João Marcos Meirelles da Silva p. 56/56
Introdução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Não Supervisionada Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
Leia maisAula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Preparação de Dados: Parte B Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões: dos originais gentilmente
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisAprendizado de Supervisionado
Aprendizado de Supervisionado Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendendo com Exemplos 2. Classificação 3. Conceitos Gerais 4. Vizinho Mais Próximo 1 Aprendendo com Exemplos
Leia maisUma Extensão Intervalar do Algoritmo Fuzzy C-Means
Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Rogério R. de Vargas e Benjamín R. C. Bedregal CNMAC 2009 Cuiabá-MT, Setembro de 2009 Vargas e Bedregal PPgSC/ Universidade Federal do Rio Grande do Norte
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Introdução Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisTrilha Learning Machine Cluster Analysis em 4 passos Marco Siqueira Campos
Trilha Learning Machine Cluster Analysis em 4 passos Marco Siqueira Campos Marco Siqueira Campos Sócio fundador Siqueira Campos Associados e sos-stat Estatístico UFRGS Certificado Data Science Specialization
Leia maisÁLGEBRA LINEAR AULA 9 ESPAÇOS VETORIAIS EUCLIDIANOS
ÁLGEBRA LINEAR AULA 9 ESPAÇOS VETORIAIS EUCLIDIANOS Luís Felipe Kiesow de Macedo Universidade Federal de Pelotas - UFPel 1 / 11 1 Produto Interno 2 Módulo de um Vetor 3 Ângulo Entre Dois Vetores - Vetores
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisInteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013
Inteligência Artificial de prof. Dr. Rogério R. de Vargas Universidade Estadual de Santa Cruz - UESC Ilhéus-Ba, Outubro de 2013 http://rogerio.in slide 1 Introdução http://rogerio.in slide 2 Como agrupar?
Leia maisApontamentos III. Espaços euclidianos. Álgebra Linear aulas teóricas. Lina Oliveira Departamento de Matemática, Instituto Superior Técnico
Apontamentos III Espaços euclidianos Álgebra Linear aulas teóricas 1 o semestre 2017/18 Lina Oliveira Departamento de Matemática, Instituto Superior Técnico Índice Índice i 1 Espaços euclidianos 1 1.1
Leia maisProjeções Multi-dimensionais
Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 23 de setembro de 2010 Introdução
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Principais tópicos André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Métodos baseados em distância Aprendizado baseado em instâncias Conceitos básicos KNN
Leia maisAprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
Leia maisQuarta aula: espaços normados e espaços métricos. Abertos em R n, equivalência das normas em R n
Quarta aula: espaços normados e espaços métricos. Abertos em R n, equivalência das normas em R n Nas aula passada vimos como, num espaço normado, a norma induz uma métrica: Espaços normados e espaços métricos
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisNas questões 1, 3, 4, 11, 12, 13, 15 e 17 considera-se fixado um sistema de coordenadas Σ = (O, E) em E 3, onde E é uma base ortonormal
Nas questões 1, 3, 4, 11, 12, 13, 15 e 17 considera-se fixado um sistema de coordenadas Σ = (O, E) em E 3, onde E é uma base ortonormal positiva de V 3. 1Q1. Seja m R não nulo e considere as retas: r :
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 maisUm espaço métrico incompleto 1
Universidade Estadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência anos c Publicação Eletrônica do KIT http://www.dma.uem.br/kit Um espaço métrico incompleto
Leia maisMapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995))
Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995)) que realiza simultaneamente agrupamento e visualização SOM usa aprendizagem não supervisionada para mapear dados
Leia maisReconhecimento de Padrões aplicado à Bioinformática
Reconhecimento de Padrões aplicado à Bioinformática Dr. Leandro Carrijo Cintra CNPTIA Embrapa Informática Agropecuária Curso de Verão 2010 Bioinformática USP CNPTIA - Centro Nacional de Pesquisas Tecnológicas
Leia mais(x 1, y 1 ) (x 2, y 2 ) = (x 1 x 2, y 1 y 2 ); e α (x, y) = (x α, y α ), α R.
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-2457 Álgebra Linear para Engenharia I Terceira Lista de Exercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Considere as retas
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Aprendizagem Baseada em Instâncias Plano de Aula Introdução Espaço
Leia maisÁlgebra Linear Contra-Ataca
Contra-Ataca Prof Afonso Paiva Departamento de Matemática Aplicada e Estatística Instituto de Ciências Matemáticas e de Computação USP São Carlos Cálculo Numérico SME0104 Operações elementares Operações
Leia maisPROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1)
PROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1) 1 Procedimentos não supervisionados Não se conhece a classificação das amostras de treinamento Qual é o interesse? 1) Coletar e rotular
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Probabilidades e Estatísticas Descritivas Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 3 de março de 2008
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas II Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de
Leia maisAlgebra Linear. 1. Espaços Vetoriais Lineares. 2. Coordenadas em Espaços Lineares. 3. Operadores Lineares. 4. Transformação de Similaridade
Algebra Linear 1 Espaços Vetoriais Lineares Coordenadas em Espaços Lineares 3 Operadores Lineares 4 Transformação de Similaridade Matriz como Operador Norma de Vetores e Produto Interno pag1 Teoria de
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisREVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS
REVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS Eduardo Braun - eduardotbraun@gmail.com Universidade Federal de Santa Maria, Campus Camobi, 97105-900 - Santa Maria, RS, Brasil Alice de
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 2019 Estatística Descritiva e Análise Exploratória Etapas iniciais. Utilizadas para descrever e resumir os dados. A disponibilidade de uma grande quantidade
Leia maisMAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de T ( p(x) ) = p(x + 1) p(x), (a) 8, (b) 5, (c) 0, (d) 3, (e) 4.
MAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de 218 Q1. Considere a transformação linear T : P 3 (R) P 2 (R), dada por T ( p(x) ) = p(x + 1) p(x), para todo p(x) P 3 (R), e seja A
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisProjected Clustering Algorithm
Projected Clustering Algorithm Emanuel Matos 5560105 Disciplina : Análise de Agrupamentos Prof. Dr. Ricardo Campello Dez/2010 View Problema Objetivo Definições/Premissas Algoritmo Acurácia Escalabilidade
Leia maisAprendizagem de Dados Simbólicos e/ou Numéricos
Aprendizagem de Dados Simbólicos e/ou Numéricos Francisco de A.T. de Carvalo Francisco de A.T. de Carvalo, Agrupamento (Clustering Métodos usados para a construção de grupos de objetos com base nas semelanças
Leia maisAula 7 RNA Redes Auto-Organizáveis de Kohonen
2COP229 Aula 7 RNA Redes Auto-Organizáveis de Kohonen 2COP229 Sumário 1- Introdução 2- Processo de Aprendizado Competitivo 3- Mapas auto-organizáveis de Kohonen (SOM) 4- Projeto Prático 1-Introdução 2COP229
Leia maisBases Matemáticas. Relembrando: representação geométrica para os reais 2. Aula 8 Números Reais: módulo ou valor absoluto, raízes, intervalos
1 Bases Matemáticas Aula 8 Números Reais: módulo ou valor absoluto, raízes, intervalos Rodrigo Hausen 10 de outubro de 2012 v. 2012-10-15 1/34 Relembrando: representação geométrica para os reais 2 Uma
Leia maisSCC5895 Análise de Agrupamento de Dados
SCC5895 Análise de Agrupamento de Dados Representação de Dados e Medidas de Proimidade Prof. Eduardo R. Hruschka PPG-CCMC / ICMC / USP Créditos O material a seguir consiste de adaptações e etensões dos
Leia maisCapítulo II Relatividade Newtoniana
Capítulo II Relatividade Newtoniana A mecânica newtoniana é baseada nas três leis de Newton, (1) a lei da inércia, (2) a lei da força e (3) a lei da ação e reação, válidas nos referenciais inerciais. Esses
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisNoções de Álgebra Linear
Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert
Leia maisDescoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Descoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters Descoberta
Leia mais1.3 Conjuntos de medida nula
1.3 Conjuntos de medida nula Seja (X, F, µ) um espaço de medida. Um subconjunto A X é um conjunto de medida nula se existir B F tal que A B e µ(b) = 0. Do ponto de vista da teoria da medida, os conjuntos
Leia maisGABRIEL BUJOKAS
APLICAÇÕES DE ÁLGEBRA LINEAR À COMBINATÓRIA GABRIEL BUJOKAS (GBUJOKAS@MIT.EDU) A gente vai discutir algumas das aplicações clássicas de álgebra linear à combinatória. Vamos começar relembrando alguns conceitos
Leia maisProf.: Eduardo Vargas Ferreira
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Prof.: Eduardo Vargas Ferreira O que é Machine Learning? Estatística Data Mining 2 O que é Machine Learning? Estatística
Leia maisRevisão de conceitos Matemáticos. Matemática e Fundamentos de Informática
Revisão de conceitos Matemáticos Matemática e Fundamentos de Informática 1 1 Conjuntos Teoria dos conjuntos Em Matemática, conjunto é uma coleção de objetos (chamados elementos). Os elementos podem representar
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisUniversidade Federal Fluminense - GAN
Solimá Gomes Pimentel Universidade Federal Fluminense IM - GAN Solimá Gomes Pimentel, ****- Matemática para Economia III/Solimá Gomes Pimentel 2pt, ; 31cm Inclui Bibliografia. 1. Matemática para Economia
Leia maisPesquisa de Dados e Distâncias na Aprendizagem Automática. Fonte: [E.Chavez et al, 2001]
Pesquisa de Dados e Distâncias na Aprendizagem Automática Fonte: [E.Chavez et al, 2001] Sumario Pesquisa nos dados Princípio da similaridade Distâncias e Métrica de Distâncias Um modelo unificado de distância
Leia maisHiperplano e n-esfera: Posições Relativas
Hiperplano e n-esfera: Posições Relativas Joselito de Oliveira, Wender Ferreira Lamounie Departamento de Matemática Universidade Federal de Roraima (UFRR) Boa Vista RR Brazil Escola de Aplicação Universidade
Leia maisLes-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO. Junho de 2017
Les-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO AULA 4 02/06/17 Prof a Lilian M. Lima Cunha Junho de 2017 DEFINIÇÃO Análise de conglomerados (Cluster Analysis) é uma das técnicas de análise multivariada
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões
Leia maisLicenciatura em Ciências da Computação 2010/2011
Cálculo Licenciatura em Ciências da Computação 2010/2011 Departamento de Matemática e Aplicações (DMA) Universidade do Minho Carla Ferreira caferrei@math.uminho.pt Gab. EC 3.22 Telef: 253604090 Horário
Leia maisGeometria Analítica e Álgebra Linear
UNIFEI - Universidade Federal de Itajubá campus Itabira Geometria Analítica e Álgebra Linear Parte 1 Matrizes 1 Introdução A teoria das equações lineares desempenha papel importante e motivador da álgebra
Leia mais3 Aplicação do Diffusion Maps a campos de vetores planares
3 Aplicação do Diffusion Maps a campos de vetores planares É usual que fenômenos relacionados à Física, Química, Biologia e Engenharia sejam modelados com o auxílio de equações diferenciais ordinárias
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multivariados 1 Análise de componentes principais 2 Aplicações de análise
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT0032 11 a Lista de
Leia maisTópicos de Álgebra Linear Verão 2019 Lista 1: Espaços Vetoriais
Universidade Federal do Paraná Centro Politécnico ET-DMAT Prof. Maria Eugênia Martin Tópicos de Álgebra Linear Verão 2019 Lista 1: Espaços Vetoriais Exercício 1. Determine se os seguintes conjuntos são
Leia maisTópicos Avançados em IA. Prof. Eduardo R. Hruschka
Tópicos Avançados em IA Prof. Eduardo R. Hruschka Créditos Este material consiste de adaptações dos originais: Elaborados por Eduardo Hruschka e Ricardo Campello de (Tan et al., 2006) de E. Keogh (SBBD
Leia maisAprendizado Não-Supervisionado
Aprendizado Não-Supervisionado Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendizado Não-Supervisionado 2. Agrupamento de Dados 1 Aprendizado Não-Supervisionado Aprendizado Não-Supervisionado
Leia maisSCC Capítulo 4 Perceptron de Camada Única
Perceptron LMS SCC-5809 - Capítulo 4 Perceptron de Camada Única João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes Neurais 1/45 Sumário Perceptron
Leia mais1. Conjuntos Fuzzy - Fundamentos. Sistemas Nebulosos
Sistemas Nebulosos Heloisa de Arruda Camargo. Conjuntos Fuzzy - Fundamentos. Conceitos básicos de conjuntos fuzzy.2 Operações em conjuntos fuzzy.3 Relações fuzzy.4 Aritmética fuzzy.5 Variáveis linguísticas
Leia maisNEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO. Marcos Aurélio Santos da Silva 1
NEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO Marcos Aurélio Santos da Silva 1 Palavras-chave: Redes Neurais Artificiais, Análise Espacial de Área, Visualização de dados, Análise de Agrupamentos
Leia maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia maisREVISÃO DE ÁLGEBRA LINEAR
REVISÃO DE ÁLGEBRA LINEAR I) INTRODUÇÃO D1. Estabilidade para a operação + : x E, y E, x + y E D2. Definição de grupo comutativo (Abeliano): (E,+) é um grupo comutativo se e somente se: 1) Associatividade:
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 maisAlgoritmos de Agrupamento - Aprendizado Não Supervisionado
Algoritmos de Agrupamento - Aprendizado Não Supervisionado Fabrício Jailson Barth fabricio.barth@gmail.com Agosto de 2016 Sumário Introdução e Definições Aplicações Algoritmos de Agrupamento Agrupamento
Leia maisMAT Resumo Teórico e Lista de
MAT 0132 - Resumo Teórico e Lista de Exercícios April 10, 2005 1 Vetores Geométricos Livres 1.1 Construção dos Vetores 1.2 Adição de Vetores 1.3 Multiplicação de um Vetor por um Número Real 2 Espaços Vetoriais
Leia maisMétodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II
Métodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II Vladimir Pestov 1 University of Ottawa / Université d Ottawa Ottawa, Ontario, Canadá 2 Universidade Federal de Santa Catarina Florianópolis,
Leia maisLOM Teoria da Elasticidade Aplicada
Departamento de Engenharia de Materiais (DEMAR) Escola de Engenharia de orena (EE) Universidade de São Paulo (USP) OM3 - Teoria da Elasticidade Aplicada Parte 4 - Análise Numérica de Tensões e Deformações
Leia maisPROGRAMA ÁLGEBRA LINEAR, MEEC (AL-10) Aula teórica 32
ÁLGEBRA LINEAR, MEEC (AL-10) Aula teórica 32 PROGRAMA 1. Sistemas de equações lineares e matrizes 1.1 Sistemas 1.2 Matrizes 1.3 Determinantes 2. Espaços vectoriais (ou espaços lineares) 2.1 Espaços e subespaços
Leia maisResistência dos. Materiais. Capítulo 3. - Flexão
Resistência dos Materiais - Flexão cetatos baseados nos livros: - Mechanics of Materials - Beer & Jonhson - Mecânica e Resistência dos Materiais V. Dias da Silva Índice Flexão Pura Flexão Simples Flexão
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
Leia maisProduto Interno. Prof. Márcio Nascimento.
Produto Interno Prof. Márcio Nascimento marcio@matematicauva.org Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Linear
Leia maisPROBABILIDADE E DISTÂNCIAS
PROBABILIDADE E DISTÂNCIAS Definições Básicas Variável aleatória 2 Em Estatística, é muito comum ver o termo variável aleatória. Mas qual o seu significado? Existem várias definições para o termo variável
Leia maisÁLGEBRA LINEAR. Espaços Vetoriais. Prof. Susie C. Keller
ÁLGEBRA LINEAR Espaços Vetoriais Prof. Susie C. Keller Introdução Com doze andares de altura e pesando 75 toneladas, o US Columbia partiu majestosamente de sua plataforma de lançamento numa manhã fresca
Leia mais