UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS
|
|
- Henrique Antônio Canário Canto
- 8 Há anos
- Visualizações:
Transcrição
1 UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa de Pós-graduação em Engenharia de Telecomunicações, Instituto Federal do Ceará (IFCE). s: Resumo Redes neurais de alimentação direta com uma única camada oculta podem aproximar qualquer função contínua. O algoritmo de ajuste de pesos mais comumente aplicado a esse tipo de rede é o de retropropagação do erro (error backpropagation), que se baseia no gradiente descendente, mas que possui convergência, em geral, lenta. Apesar de ser viável o ajuste de várias camadas ocultas, a maioria dos problemas do mundo real raramente precisa de mais de uma camada escondida. Este fato motivou o desenvolvimento de técnicas de aprendizado específicas para redes de alimentação direta com uma única camada, tais como as Máquinas de Aprendizado Extremo. Máquina de Aprendizado Extremo é uma técnica com menor custo temporal, mas que muitas vezes precisa de uma grande quantidade de neurônios na camada escondida. Apesar deste baixo custo temporal, para avaliação de um exemplo de teste os neurônios usados na camada oculta devem ser guardados para que seja possível realizar o mesmo mapeamento não-linear antes do processo de avaliação do padrão. Esta necessidade aumenta o custo computacional temporal, bem como em termos de armazenamento. Tal necessidade pode se tornar um fator proibitivo, principalmente em sistemas com escassos recursos computacionais. Neste trabalho propõe-se uma estratégia de poda de neurônios ocultos em redes via Computação Evolucionária, mais especificamente Algoritmos Genéticos. A proposta apresentada neste trabalho aplica técnicas de otimização multi-objetivo com o intuito de minimizar tanto a quantidade de neurônios na camada oculta quanto manter (ou até mesmo) reduzir o erro de classificação gerado pela rede. Palavras-chave, Algoritmos Genéticos, Poda. 1 Introdução Redes neurais com uma única camada oculta e alimentação direta são hoje em dia muito aplicadas a problemas de classificação de padrões e aproximação de funções. O algoritmo mais comumente utilizado para ajustar os pesos de uma rede com essa arquitetura é o de retropropagação do erro error backpropagation, que usa técnicas de otimização com base no gradiente descendente. Essa técnica apresenta sensibilidade a ocorrência de mínimos locais e possui convergência lenta. O algoritmo backpropagation também é utilizado para ajustar redes neurais com diversas camadas ocultas. Apesar de ser viável o ajuste de várias camadas ocultas, a maioria dos problemas do mundo real raramente precisa de mais de uma camada escondida (Carvalho et al., 2). Tal fato tem motivado o desenvolvimento de técnicas de aprendizado específicas para redes de alimentação direta com uma única camada (Single-hidden Layer Feedfoward Networks - SLFNs). Uma dessas técnicas são as Máquinas de Aprendizado Extremo (Extreme Learning Machine - ). Nas redes os pesos da camada escondida são determinados aleatoriamente e possuem função de ativação não-linear, enquanto os pesos da camada de saída são determinados analiticamente. Essa forma de treinamento possui fácil implementação e baixo custo temporal. A ideia básica das redes é que, com um número suficientemente grande de neurônios na camada oculta, ela será capaz de fazer um mapeamento dos dados para uma dimensão elevada em que os padrões possam ser separados por um hiperplano. No tocante aos pesos da camada oculta que são determinados aleatoriamente, não é possível ter segurança sobre quando o mapeamento dos dados de entrada estão dispostos em uma configuração mais fácil de ser aprendida pela camada de saída (A. L. B. P. Barros, 212). Com isso o projetista da rede geralmente opta por aumentar o número de neurônios escondidos para aumentar a dimensão do mapeamento da camada oculta, fazendo com que a rede seja vista por muitos autores como uma aproximação de uma rede com infinitos neurônios na camada intermediária. Este tipo de projeto aumenta significativamente a quantidade de recursos computacionais exigidos para avaliação de padrões. Além disto, nestas redes com muitos neurônios, além de possuírem maior custo espacial, são capazes de gerar superfícies muito complexas, podendo levar a rede a uma instabilidade indesejada (Abu-Mostafa et al., 212). Algumas formas de contornar o problema do excesso de neurônios da camada escondida têm sido estudadas. Dentre eles pode-se citar o trabalho apresentado em (L. D. S. Pacífico, 212) em que se busca determinar uma matriz de pesos para o mapeamento da entrada através de otimização por enxame de partículas. Já no trabalho descrito em (A. L. B. P. Barros, 212) tenta-se determinar os pesos da camada de saída através de estimadores-m (que é diferente do método tradicional dos mínimos quadrados) de tal maneira que mesmo com uma camada escondida não tão grande o comportamento
2 da rede seja satisfatório. Algoritmos Genéticos (AGs) são normalmente utilizados em cdos em conjunto com diversas abordagens para classificação de padrões com o intuito de otimizar ou ajustar os parâmetros do classificadores. AGs são meta-heurísticas inspiradas na evolução natural, tal como herança, mutação, seleção natural e cruzamento. Estas meta-heurísticas podem ser usadas para gerar soluções úteis em problemas de otimização e busca. Devido às características dos métodos de AG, é mais fácil de resolver alguns tipos de problemas por AGs do que por métodos matemáticos clássicos que partem do pressuposto de linearidade, diferenciabilidade, continuidade ou convexidade da função objetivo. Algoritmos Genéticos são comumente utilizados em problemas de reconhecimento de padrões para o obtenção dos parâmetros de ajuste do classificador (J. P. Silva, 213). Neste artigo propõe-se a utilização de Algoritmos Genéticos para redução da complexidade computacional dos classificadores abtidos através da poda de neurônios da camada escondida de redes do tipo SLFN. Para tal finalidade, além da modelagem de um indivíduo é proposta uma função de aptidão que visa tanto a minimização da quantidade de neurônios da camada oculta quanto a minimização do erro de classificação. A abordagem proposta foi aplicada à problemas classificação de padrões do mundo real obtidas do repositório UCI Machine Learning, a saber: patologias da coluna vertebral, câncer de mama, diabetes e haberman. Com a abordagem proposta, foi possível reduzir consideravelmente o tamanho da camada escondida (em relação a ) e ainda melhorar a acurácia obtida pelos classificadores de padrões. O restante deste trabalho está organizado da seguinte forma: na seção 2 é descrita a rede, na seção 3 é abordada a rede, enquando Algoritmos Genéticos é apresentado na seção 4. Nossa proposta é descrita em mais detalhes na seção. Na seção 6 são apresentadas os resultados obtidos para as diversas simulações computacionais realizadas e, por fim, o artigo é concluído na seção 7. 2 Tipicamente, uma rede neural Perceptron Multicamada (Multilayer Perceptron, ) é constituída de uma camada de entrada que recebe os vetores de atributos, uma ou mais camadas intermediárias, compostas por neurônios somadores com função de ativação não-linear e uma camada de saída, também composta por neurônios somadores (que podem ser lineares ou não) (Haykin, 21). Uma rede típica contém uma camada de entrada de dimensão p, uma ou mais camadas escondidas com q 1, q 2... q l neurônios e uma camada de saída com m neurônios, em que m = 2 para um problema binário. As saídas da rede no instante t, y k (t), k = 1,..., m, são calculadas da seguinte forma: [ q ] y k (t) = ϕ m ki (t)v i (t) θ k (1) i=1 p v i (t) = ϕ w ij (t)x j (t) b i (2) j=1 em que w ij é o peso sináptico ligando a j-ésima entrada ao i-ésimo neurônio da camada escondida, m ki é o peso sináptico que liga o i-ésimo neurônio da camada escondida ao k-ésimo neurônio da camada de saída. Os termos b i e θ k correspondem aos limiares (threshold) de ativação dos neurônios da camada escondida e de saída, respectivamente. A função de ativação ϕ( ) para os neurônios da camada escondida e de saída podem ser definidos com base na função logística: ϕ(u) = 1/(1+exp( u)). Os pesos e os limiares de ativação são ajustados através do algoritmo backpropagation padrão por e épocas, com uma determinada taxa de aprendizagem η. 3 A maior parte dos problemas do mundo real pode ser resolvida com uma rede com apenas uma camada escondida (Carvalho et al., 2). Máquina de Aprendizado Extremo que utilizam apenas uma camada escondida é uma rede neural de alimentação direta com uma única camada oculta proposta em (Huang et al., 26). Para uma rede com p unidades de entrada, q neurônios escondidos e m saídas, a i-ésima saída no passo k, é dado por o i (k) = m T i z(k), (3) em que m i R q, i {1,..., C}, é o vetor de pesos conectando os neurônios escondidos ao i-ésimo neurônio de saída, e z(k) R q é o vetor de saída para os neurônios escondidos ao se apresentar um determinado padrão de entrada a(k) R p. O vetor z(k) é definido como z(k) = [f(w T 1 a(k) + b 1 ),..., f(w T q a(k) + b q )] T, (4) em que b l é o bias do l-ésimo neurônio oculto, w l R p é o vetor de pesos do l-ésimo neurônio escondido e f( ) é a função de ativação sigmoidal. Considere Z = [z(1) z(2) z(n)] como uma matriz q N cuja as N colunas são vetores de saída z(k) R q, k = 1,..., N da camada oculta, em que N é o número de padrões de entrada disponíveis para treinamento. Similarmente, considere D = [d(1) d(2) d(n)] como uma matriz C N cuja a k-ésima coluna é o vetor desejado d(k) R C associado ao padrão de treinamento a(k), k = 1,..., N. Finalmente, considere M = [m 1 m 2 m C ] como uma matriz q C,
3 cuja i-ésima coluna é o vetor de pesos m i R q, i = 1,..., C. Assim, estas três matrizes estão relacionadas por um mapeamento linear D = M T Z, em que as matrizes D e Z são conhecidas, enquanto a matriz de pesos D é desconhecida. Apesar disto, a matriz de pesos M pode ser facilmente calculada através da pseudo-inverse como segue ( ) M = ZZ T 1 ZD T. () Assumindo que o número de neurônios de saída é igual ao número de classes, o índice da classe i para um novo padrão de entrada é dado pela seguinte regra de decisão: em que o i Eq. (3). i = arg max {o i}, (6) i=1,...,c é calculado como apresentado na 4 Algoritmos Genéticos Algoritmos Genéticos são um método de busca meta-heurístico inspirado na evolução natural, em que são considerados variados conceitos, tais como: herança, mutação, seleção natural e cruzamento. Esta meta-heurística pode ser usada para gerar soluções úteis para otimização e problemas de busca. Devido às características dos métodos de AG, é mais fácil resolver alguns tipos de problemas por AG do que por outros métodos matemáticos que partem do pressuposto da linearidade, diferenciabilidade, continuidade ou convexidade da função objetivo (J. P. Silva, 213). Em Algoritmos Genéticos, uma população de indivíduos candidatos (ou soluções) para um problema de otimização é evoluída em direção a melhores soluções por seleção natural, ou seja, uma função de aptidão. Nesta população, cada indivíduo tem um conjunto de genes (vector gene), denominado cromossoma, que pode ser alterado por mutação ou combinado geração após geração com outro cromossoma para construir novos indivíduos por processos de reprodução que utilizam cruzamento. A forma mais comum de representar soluções é em formato binário, ou seja, cadeias de s e 1s. A primeira população (conjunto de soluções) é gerada de forma aleatória que evolui em ciclos, normalmente chamados de gerações. O valor da função de aptidão para cada indivíduo indica quão boa é a solução. O valor de avaliação é calculado depois da decodificação do cromossomo (indivíduo), e a melhor solução para problema a ser resolvido é, portanto, aquela que possui o maior valor para a função de aptidão. Este valor é usado para guiar o processo de reprodução, em que os indivíduos com alto valor de aptidão têm maior probabilidade de distribuir os seus genes na nova população a ser obtida por meio de um processo reprodução. O método da roleta é a implementação padrão utilizado no processo de seleção natural de Algoritmos Genéticos. Após o processo de seleção, os indivíduos selecionados são usados como entrada para outros operadores genéticos: cruzamento e mutação. O operador de cruzamento combina duas cadeias de cromossomos, normalmente por crossover, enquanto a mutação modifica alguns bits em um único cromossomo. Proposta: Algoritmos Genéticos para redes () é uma nova abordagem que visa utilizar metaheurísticas para reduzir a dimensionalidade da camada escondida e o erro de classificação de redes SLFNs. Esta proposta tem como finalidade permitir a obtenção de classificadores que estejam adequados a trabalhar em plataformas com recursos computacionais escassos, tal como em sistemas embarcados. Neste contexto, uma abordagem multi-objetiva (posteriormente transformada, para fins de uso com AGs, em monoobjetivo) se faz adequada uma vez que se deseja que a capacidade de generalização seja mantida (ou mesmo elevada) ao passo em que também se reduz o número de neurônios da camada oculta de uma rede SLFN. A função de adaptação leva em consideração que os genes que são configurados em um representam os neurônios que devem ser mantidos para compor a camada oculta, enquanto os genes configurados para zero são aqueles podados. Assim, na proposta deste trabalho, cada indivíduo tem tantos neurônios ocultos quantos forem a quantidade de genes com valores iguais a um em um indivíduo. Neste contexto, uma solução candidata c = {c 1, c 2,..., c i,..., c q }, c i {, 1} para uma rede com uma camada escondida Z com q neurônios pode ser vista na Figura 1). Note que a solução candidata possui uma camada escondida com cardinalidade ˆq menor ou igual a cardinalidade da camada escondida original q, sendo que a igualdade só é obtida quando o cromossomo c possui todos os seus elementos com valores iguais a 1. Dada uma certa solução candidata c, precisase encontrar os pesos da camada de saída M(m). Com isso tem-se uma nova rede com N ˆq neurônios na camada oculta e d neurônios na camada de saída. Seja e a taxa de erro de classificação produzida por essa nova rede. A função de adaptação a ser avaliada é dada por adaptacao(c) = α e + (1 α) m n (7) em que c representa o cromossomo (indivíduo) que descreve que neurônios da camada oculta devem permanecer e α é o fator que descreve o quão importante é a redução do erro e, consequentemente, 1 α pode ser considerado o fator de importância
4 1 1 1 Cromossomo φ φ φ φ Figura 1: Arquitetura geral de classificador proposto. dada ao tamanho da poda. Note que com essa formulação do problema é possível converter o problema original para um problema de otimização mono-objetivo em que se visa apenas a minimização do erro de classificação, quando α = 1..1 GA- A abordagem proposta é resumida a seguir. 1. Iniciar t =, em que t representa a geração. 2. Gerar uma população inicial P (t), i.e., configurar aleatoriamente genes e as matrizes relacionadas {Z i } s i=1, em que s é o número de indivíduos na geração t. 3. Para cada indivíduo i da população P (t) (a) Resolver o sistema apresentado na Eq. (). (b) Avaliar a função de aptidão, i.e., a função apresentada na Eq. (7). 4. Enquanto t t max, em que t max é o número máximo de gerações 6 Simulações Computacionais Nas simulações computacionais realizadas neste trabalho, resultados para o classificador foram comparados com os resultados obtidos dos classificadores e. Inicialmente, o número de neurônios ocultos da rede, para cada base, foi determinado por tentativa e erro a fim de obter uma boa capacidade de generalização. No tocante à rede, foram testados camadas ocultas com quantidades diferentes de neurônios (entre 2 e ), sendo executadas 3 realizações para obter a quantidade mais adequada de neurônios na camada oculta deste classifcador. O número de neurônios da camada oculta escolhido para a rede foi aquele em que se obteve o maior valor para a acurácia, como pode ser visto na Figura 2. O número de neurônios usados para compor a camada oculta do classificador AG- é inicialmente o mesmo definido para a rede, porém com a diferença de que ainda haverá um processo extra de otimização que tem por objetivo utilizar AGs para reduzir a quantidade de neurônios em sua camada oculta. O AG usou seleção estocástica uniforme, cruzamento uniforme e mutação gaussiana Nas simulações realizados, o fator α foi considerado com diferentes valores, contidos na faixa [, 8 ; 1, ]. A Tabela 1 apresenta os resultados obtidos para os classificadores, e quando aplicados as bases de dados: Iris (IRIS), Coluna Vertebral (PCV), Diabets (DIA), Câncer de Mama (BRE) e Haberman (HAB). Para tanto, são apresentados a acurácia, desvio padrão associado à acurácia, número de neurônios na camada oculta (#neurônios), desvio padrão associado à quantidade de neurônios na camada oculta. As figuras 3, 4,, 6, 7 apresentam uma análise comparativa entre os resultados obtidos para os classificadores. e para cada uma das bases de dados avaliadas neste trabalho. Nas figuras podem ser visualizados os resultados obtidos para a acurácia dos classificadores, veja ítem a), e a quantidade de neurônios utilizados na camada oculta da rede SLFN, veja ítem b). (a) Selecione indivíduos da população P (t). (b) Aplicar crossover aos indivíduos selecionados. (c) Aplicar mutação aos indivíduos selecionados. (d) Calcular t = t + 1. (e) Resolver o sistema apresentado na Eq.. (f) Avaliar a função de aptidão, i.e., a função apresentada na Eq. (7).. Selecionar o melhor indivíduo da população. Figura 2: Processo de optimização da rede
5 Bases IRIS HAB PCV BRE DIA Tabela 1: Resultados Obtidos. α =.8 α =.8 α =.9 α =.9 α = 1 Acurácia ± ± ± ± ± ± ± ± 2 ± 2 ± 2 ± 1. ± 2.13 Acurácia ± ± ± ± ± ± ± ± ± ± ± ± 1.61 Acurácia 84.7 ± ± ± ± ± ± ± ± ± ± ± ± 3.1 Acurácia ± ± ± ± ± ± ± ± ± ± ± ± 4.7 Acurácia 77.6 ± ± ± ± ± ± ± ± ± ± ± ± Figura 3: Resultados obtidos para a base de dados Diabetes Figura 4: Resultados obtidos para a base de dados Haberman Figura : Resultados obtidos para a base de dados Coluna Vertebral.
6 Figura 6: Resultados para a base de dados Iris Figura 7: Resultados para Cancer de Mama. Ao se analisar os resultados obtidos percebese que os valores de acurácia do classificador obtidos apresentam-se similares (ou até mesmo superiores) aos valores de acurácia obtidos para os demais classificadores. 7 Conclusões Neste trabalho foi proposto um método para poda de classificadores. Para tanto, buscouse tanto a minimização do erro de classificação quanto a poda de neurônios ocultos de redes. Com base nos resultados obtidos, pode-se inferir que a abordagem proposta atinge a expectativa desejada uma vez que reduz consideravelmente o número de neurônios ocultos quando comparados com à rede e ao mesmo tempo mantém a acurácia similar (ou superior) ao da rede. Carvalho, A. C. P., Braga, A. P. and Ludermir, T. B. (2). Redes Neurais Artificiais: Teoria e Aplicações, Livros Tecnicos e Cientificos Editora. Haykin, S. (21). Redes Neurais Artificiais: Princípios e prática, Bookman. Huang, G., Zhu, Q. and Siew, C. (26). Extreme learning machine: Theory and applications. J. P. Silva, A. R. R. (213). Sparse least squares support vector machines via genetic algorithms, BRICS-CCI. L. D. S. Pacífico, T. B. L. (212). Melhorando redes neurais do tipo extreme learning machine através da otimização por enxame de partículas com mecanismo de seleção, ENIA. Referências A. L. B. P. Barros, G. A. B. (212). Extreme learning machine robusta para reconhecimento de faces, ENIA. Abu-Mostafa, Y. S., Magdon-Ismail, M. and Lin, H. (212). Learning From Data, AMLBook.
Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisRedes Neurais Artificiais: Funções de Base Radial
Treinamento COELCE CEFET UFC MÓDULO II 2008.1 Redes Neurais Artificiais: Funções de Base Radial Prof. Dr. Guilherme de Alencar Barreto Depto. Engenharia de Teleinformática (DETI/UFC) URL: www.deti.ufc.br/~guilherme
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia mais3 Estratégia para o enriquecimento de informações
34 3 Estratégia para o enriquecimento de informações Podemos resumir o processo de enriquecimento de informações em duas grandes etapas, a saber, busca e incorporação de dados, como ilustrado na Figura
Leia maisRedes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005
Redes Neurais Artificiais na Engenharia Nuclear 1 - Apresentação do Professor: dados, lista de E-mail s, etc. - Apresentação da Turma: Estatística sobre origem dos alunos para adaptação do curso - Apresentação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisEstudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada
Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos
Leia maisRelatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento
Relatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento Ramon Pereira Lopes Rangel Silva Oliveira 31 de outubro de 2011 1 Introdução O presente documento refere-se ao relatório
Leia maisRNAs, Classificação de Padrões e Motivação Geométrica. Conteúdo
RNAs, Classificação de Padrões e Motiação Geométrica Conteúdo. O problema do OU-eclusio.... Um problema mais geral de mapeamento não-linear... 0 3. Mapeamentos não-lineares genéricos... 4 4. Redes neurais
Leia maisMétodo Dialético de Otimização usando o Princípio da Máxima Entropia
Learning and Nonlinear Models Revista da Sociedade Brasileira de Redes Neurais (SBRN) Vol 7 No. 2 pp. 54-64 2009 Método Dialético de Otimização usando o Princípio da Máxima Entropia Wellington Pinheiro
Leia maisIntrodução. Capítulo. 1.1 Considerações Iniciais
Capítulo 1 Introdução 1.1 Considerações Iniciais A face humana é uma imagem fascinante, serve de infinita inspiração a artistas há milhares de anos. Uma das primeiras e mais importantes habilidades humanas
Leia maisNota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007
Nota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007 1 1. Estrutura do Trabalho : De forma que se pudesse
Leia maisIMPLANTAÇÃO DOS PILARES DA MPT NO DESEMPENHO OPERACIONAL EM UM CENTRO DE DISTRIBUIÇÃO DE COSMÉTICOS. XV INIC / XI EPG - UNIVAP 2011
IMPLANTAÇÃO DOS PILARES DA MPT NO DESEMPENHO OPERACIONAL EM UM CENTRO DE DISTRIBUIÇÃO DE COSMÉTICOS. XV INIC / XI EPG - UNIVAP 2011 Rogério Carlos Tavares 1, José Luis Gomes da Silva² 1 Universidade de
Leia maisEng Civil Washington Peres Núñez Dr. em Engenharia Civil pela Universidade Federal do Rio Grande do Sul
PESQUISA ANÁLISE DE CARACTERÍSTICAS DE QUALIDADE DE MISTURAS ASFÁLTICAS PRODUZIDAS NA ATUALIDADE NO SUL DO BRASIL E IMPACTOS NO DESEMPENHO DE PAVIMENTOS FLEXÍVEIS. MANUAL DE OPERAÇÃO DO BANCO DE DADOS
Leia maisO modelo Entidade-Relacionamento. Agenda: -Modelagem de dados utilizando O Modelo Entidade-Relacionamento
O modelo Entidade-Relacionamento Agenda: -Modelagem de dados utilizando O Modelo Entidade-Relacionamento 1 Antes de começarmos: A modelagem conceitual é uma fase muito importante no plamejamento de um
Leia maisMotivação. Robert B. Dilts
Motivação Robert B. Dilts A motivação é geralmente definida como a "força, estímulo ou influência" que move uma pessoa ou organismo para agir ou reagir. De acordo com o dicionário Webster, motivação é
Leia maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia maisCAPÍTULO 3. Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão
CAPÍTULO 3 Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão 3.1 - Multicomponentes Conceitos Básicos: O conceito de multicomponente é utilizado em diversas áreas de
Leia mais2 Fundamentação Conceitual
2 Fundamentação Conceitual 2.1 Computação Pervasiva Mark Weiser define pela primeira vez o termo Computação Ubíqua ou Computação Pervasiva (Ubiquitous Computing) em (10). O autor inicia o trabalho com
Leia mais3 Qualidade de Software
3 Qualidade de Software Este capítulo tem como objetivo esclarecer conceitos relacionados à qualidade de software; conceitos estes muito importantes para o entendimento do presente trabalho, cujo objetivo
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisIntrodução. A Informação e sua Representação (Parte II) Universidade Federal de Campina Grande. Unidade Acadêmica de Sistemas e Computação
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Introdução à Computação A Informação e sua Representação (Parte II) Prof. a Joseana Macêdo Fechine Régis de Araújo joseana@computacao.ufcg.edu.br
Leia maisEvolução da cooperação em populações modeladas por autômatos celulares com o uso de teoria de jogos
Geração de modelos de redes com verificação dos parâmetros topológicos Prof. Pedro Schimit - schimit@uninove.br Muitas coisas podem ser modeladas a partir de modelos de redes (ou grafos). A maneira como
Leia maisIntrodução a Banco de Dados Aula 03. Prof. Silvestri www.eduardosilvestri.com.br
Introdução a Banco de Dados Aula 03 Prof. Silvestri www.eduardosilvestri.com.br Arquiteturas de Banco de Dados Arquiteturas de BD - Introdução Atualmente, devem-se considerar alguns aspectos relevantes
Leia maisAlgoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009
: Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 Principais Tópicos População Inicial Funções Objetivo de Alto Custo Critérios de Parada Convergência Prematura Diversidade Tipos de Substituição
Leia mais3.1 Definições Uma classe é a descrição de um tipo de objeto.
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Classes Autoria:Aristófanes Corrêa Silva Adaptação:
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisCurso: Redes II (Heterogênea e Convergente) Tema da Aula: Controle de Congestionamento
Curso: Redes II (Heterogênea e Convergente) Tema da Aula: Controle de Congestionamento Professor Rene - UNIP 1 Revisão... Segmento A unidade de dados trocada entre as entidades de transporte é denominada
Leia maisBoletim. Contabilidade Internacional. Manual de Procedimentos
Boletim Manual de Procedimentos Contabilidade Internacional Custos de transação e prêmios na emissão de títulos e valores mobiliários - Tratamento em face do Pronunciamento Técnico CPC 08 - Exemplos SUMÁRIO
Leia maisReconhecimento de Padrões Utilizando Filtros Casados
Detecção e estimação de sinais Reconhecimento de Padrões Utilizando Filtros Casados Aline da Rocha Gesualdi Mello, José Manuel de Seixas, Márcio Portes de Albuquerque, Eugênio Suares Caner, Marcelo Portes
Leia maisResolução de sistemas lineares
Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)
Leia maisARQUITETURA DE COMPUTADORES
1 ARQUITETURA DE COMPUTADORES U C P Prof. Leandro Coelho Plano de Aula 2 Aula Passada Definição Evolução dos Computadores Histórico Modelo de Von-Neumann Básico CPU Mémoria E/S Barramentos Plano de Aula
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisLista de Exercícios Tratamento de Incerteza baseado em Probabilidade
Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade 1) Explique o termo probabilidade subjetiva no contexto de um agente que raciocina sobre incerteza baseando em probabilidade. 2) Explique
Leia maisUNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 14 PROFª BRUNO CALEGARO
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 14 PROFª BRUNO CALEGARO Santa Maria, 01 de Novembro de 2013. Revisão aula passada Projeto de Arquitetura Decisões de projeto de Arquitetura
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisNorma Interpretativa 2 Uso de Técnicas de Valor Presente para mensurar o Valor de Uso
Norma Interpretativa 2 Uso de Técnicas de Valor Presente para mensurar o Valor de Uso Esta Norma Interpretativa decorre da NCRF 12 - Imparidade de Activos. Sempre que na presente norma existam remissões
Leia maisPlanificação de. Aplicações Informáticas B
Escola básica e secundária de Velas Planificação de Aplicações Informáticas B Ano letivo 2011/2012 1- Introdução à Programação Planificação de Aplicações Informáticas B Unidade Sub-Unidades Objetivos Conteúdos
Leia maisMemória cache. Prof. Francisco Adelton
Memória cache Prof. Francisco Adelton Memória Cache Seu uso visa obter uma velocidade de acesso à memória próxima da velocidade das memórias mais rápidas e, ao mesmo tempo, disponibilizar no sistema uma
Leia mais4. RESULTADOS E DISCUSSÃO
4. RESULTADOS E DISCUSSÃO 4.1. Energia cinética das precipitações Na Figura 9 estão apresentadas as curvas de caracterização da energia cinética aplicada pelo simulador de chuvas e calculada para a chuva
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisA limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação.
Limiarização A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação. O princípio da limiarização consiste em separar as regiões
Leia maisPROCEDIMENTOS DE AUDITORIA INTERNA
1/8 Sumário 1 Objetivo 2 Aplicação 3 Documentos complementares 4 Definições 5 Procedimento 1 Objetivo Este Procedimento tem como objetivo descrever a rotina aplicável aos procedimentos de auditoria interna
Leia maisP L A N E J A M E N T O D E P R O C E S S O
P L A N E J A M E N T O D E P R O C E S S O 3 Planejamento de Procesos de Fabricação O Planejamento do processo é a ligação entre a engenharia do produto e a manufatura. Diz respeito à seleção dos processos
Leia maisUnidade I Conceitos BásicosB. Conceitos BásicosB
à Engenharia de Software Unidade I Conceitos BásicosB Pedro de Alcântara dos Santos Neto pasn@ufpi.edu.br 1961 a 1963 Surgimento de novos Hardwares 1963-1968 Crise do Software! Incapacidade de se utilizar
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisESCOLA NAVAL DIRETORIA DE ENSINO DA MARINHA DEPARTAMENTO DE ENGENHARIA CONTROLE E AUTOMAÇÃO. Professor Leonardo Gonsioroski
ESCOLA NAVAL DIRETORIA DE ENSINO DA MARINHA DEPARTAMENTO DE ENGENHARIA CONTROLE E AUTOMAÇÃO Na aula passada vimos Compensação de sistemas Efeitos da Adição de pólos e zeros Compensadores de Avanço de Fase
Leia maisAnálise de Regressão Linear Simples e Múltipla
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla
Leia maisBem-vindo ao tópico sobre administração de listas de preços.
Bem-vindo ao tópico sobre administração de listas de preços. Nesse tópico, você aprenderá a administrar listas de preços no SAP Business One. Sua empresa atualiza múltiplas listas de preços para fornecer
Leia maisProcessos de gerenciamento de projetos em um projeto
Processos de gerenciamento de projetos em um projeto O gerenciamento de projetos é a aplicação de conhecimentos, habilidades, ferramentas e técnicas às atividades do projeto a fim de cumprir seus requisitos.
Leia maisTeste de Software: Um Breve Estudo do Importante Processo no Desenvolvimento de Softwares
Teste de Software: Um Breve Estudo do Importante Processo no Desenvolvimento de Softwares André Assis Lôbo de Oliveira Francisco Guerra Fernandes Júnior Faculdades Alves Faria, 74445190, Brasil andrelobin@hotmail.com,
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisSEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno
SEGEMENTAÇÃO DE IMAGENS Nielsen Castelo Damasceno Segmentação Segmentação Representação e descrição Préprocessamento Problema Aquisição de imagem Base do conhecimento Reconhecimento e interpretação Resultado
Leia mais3 Previsão da demanda
42 3 Previsão da demanda Este capítulo estuda o processo de previsão da demanda através de métodos quantitativos, assim como estuda algumas medidas de erro de previsão. Num processo de previsão de demanda,
Leia maisMetadados. 1. Introdução. 2. O que são Metadados? 3. O Valor dos Metadados
1. Introdução O governo é um dos maiores detentores de recursos da informação. Consequentemente, tem sido o responsável por assegurar que tais recursos estejam agregando valor para os cidadãos, as empresas,
Leia maisAula 9 ESCALA GRÁFICA. Antônio Carlos Campos
Aula 9 ESCALA GRÁFICA META Apresentar as formas de medição da proporcionalidade entre o mundo real e os mapas através das escalas gráficas. OBJETIVOS Ao final desta aula, o aluno deverá: estabelecer formas
Leia maisExtração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Leia maisObjetivos. Teoria de Filas. Teoria de Filas
Objetivos Teoria de Filas Michel J. Anzanello, PhD anzanello@producao.ufrgs.br 2 Teoria de Filas Filas estão presentes em toda a parte; Exemplos evidentes de fila podem ser verificados em bancos, lanchonetes,
Leia maisLinear Solver Program - Manual do Usuário
Linear Solver Program - Manual do Usuário Versão 1.11.0 Traduzido por: Angelo de Oliveira (angelo@unir.br/mrxyztplk@gmail.com) 1 Introdução Linear Program Solver (LiPS) é um pacote de otimização projetado
Leia maisAula 14: Instruções e Seus Tipos
Aula 14: Instruções e Seus Tipos Diego Passos Universidade Federal Fluminense Fundamentos de Arquiteturas de Computadores Diego Passos (UFF) Instruções e Seus Tipos FAC 1 / 35 Conceitos Básicos Diego Passos
Leia maisProblemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados
GA em Otimização Combinatorial Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados Problem a do Caixeiro Viajante Problem as de Planejamento
Leia maisc. Técnica de Estrutura de Controle Teste do Caminho Básico
1) Defina: a. Fluxo de controle A análise de fluxo de controle é a técnica estática em que o fluxo de controle através de um programa é analisado, quer com um gráfico, quer com uma ferramenta de fluxo
Leia maisEstatística II Antonio Roque Aula 9. Testes de Hipóteses
Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para
Leia maisSISTEMAS DE INFORMAÇÃO GERENCIAIS
SISTEMAS DE INFORMAÇÃO GERENCIAIS Aluno: Luiza Cavalcanti Marques Orientador: Silvio Hamacher Introdução A modelagem e a utilização de bancos de dados em atividades gerenciais têm sofrido um aumento significativo
Leia maisCLASSIFICAÇÃO AUTOMÁTICA DE PATENTES COM O MODELO VETORIAL DE REPRESENTAÇÃO DE DOCUMENTOS
III SBA Simpósio Baiano de Arquivologia 26 a 28 de outubro de 2011 Salvador Bahia Políticas arquivísticas na Bahia e no Brasil CLASSIFICAÇÃO AUTOMÁTICA DE PATENTES COM O MODELO VETORIAL DE REPRESENTAÇÃO
Leia maisORGANIZAÇÃO DE COMPUTADORES MÓDULO 1
ORGANIZAÇÃO DE COMPUTADORES MÓDULO 1 Índice 1. Introdução...3 1.1. O que é um Computador?... 3 1.2. Máquinas Multiníveis... 3 2 1. INTRODUÇÃO 1.1 O QUE É UM COMPUTADOR? Para estudarmos como um computador
Leia maisPROCEDIMENTO GERAL. Identificação e Avaliação de Aspectos e Impactos Ambientais
PÁG. 1/8 1. OBJETIVO Definir a sistemática para identificação e avaliação contínua dos aspectos ambientais das atividades, produtos, serviços e instalações a fim de determinar quais desses tenham ou possam
Leia mais2 Atualidade de uma base de dados
2 Atualidade de uma base de dados Manter a atualidade de uma base de dados é um problema que pode ser abordado de diferentes maneiras. Cho e Garcia-Molina [CHO] definem esse problema da seguinte forma:
Leia maisO Planejamento Participativo
O Planejamento Participativo Textos de um livro em preparação, a ser publicado em breve pela Ed. Vozes e que, provavelmente, se chamará Soluções de Planejamento para uma Visão Estratégica. Autor: Danilo
Leia maisREQUISITOS MÍNIMOS FUNCIONAIS QUANTO A CONFIGURAÇÕES DE BARRAS PARA SUBESTAÇÕES DA REDE BÁSICA DO SISTEMA INTERLIGADO BRASILEIRO.
1 GAT/017 21 a 26 de Outubro de 2001 Campinas - São Paulo - Brasil GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT REQUISITOS MÍNIMOS FUNCIONAIS QUANTO A CONFIGURAÇÕES DE BARRAS
Leia maisVálvulas de Controle-"Case"- Copesul. Nelzo Luiz Neto da Silva 1 Jader Weber Brum 2
Válvulas de Controle-"Case"- Copesul Nelzo Luiz Neto da Silva 1 Jader Weber Brum 2 RESUMO Visando rever conceitos, procedimentos, estratégias e tecnologias voltadas para a manutenção de válvulas, partimos
Leia maisO MÉTODO HÚNGARO PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO
O MÉTODO HÚNGARO PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO João Cesar Guirado Universidade Estadual de Maringá E-mail: jcguirado@gmail.com Márcio Roberto da Rocha Universidade Estadual de Maringá E-mail:
Leia maisMetodologia para seleção de amostras de contratos de obras públicas (jurisdicionados) utilizando a programação linear aplicativo Solver
REVISTA Metodologia para seleção de amostras de contratos de obras públicas (jurisdicionados) utilizando a programação linear aplicativo Solver André Mainardes Berezowski 1 Resumo Trata da apresentação
Leia maisEngenharia de Software e Gerência de Projetos Prof. Esp. André Luís Belini Bacharel em Sistemas de Informações MBA em Gestão Estratégica de Negócios
Engenharia de Software e Gerência de Projetos Prof. Esp. André Luís Belini Bacharel em Sistemas de Informações MBA em Gestão Estratégica de Negócios Cronograma das Aulas. Hoje você está na aula Semana
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia maisagility made possible
RESUMO DA SOLUÇÃO Utilitário ConfigXpress no CA IdentityMinder a minha solução de gerenciamento de identidades pode se adaptar rapidamente aos requisitos e processos de negócio em constante mudança? agility
Leia maisEngenharia de Software II
Engenharia de Software II Aula 28 Revisão para a Prova 2 http://www.ic.uff.br/~bianca/engsoft2/ Aula 28-28/07/2006 1 Matéria para a Prova 2 Gestão de projetos de software Conceitos (Cap. 21) Métricas (Cap.
Leia maisComputador E/S, Memória, Barramento do sistema e CPU Onde a CPU Registradores, ULA, Interconexão interna da CPU e Unidade de controle.
Introdução Os principais elementos de um sistema de computação são a unidade central de processamento (central processing unit CPU), a memória principal, o subsistema de E/S (entrada e saída) e os mecanismos
Leia maisESPAÇOS MUNIDOS DE PRODUTO INTERNO
ESPAÇOS MUNIDOS DE PRODUTO INTERNO Angelo Fernando Fiori 1 Bruna Larissa Cecco 2 Grazielli Vassoler 3 Resumo: O presente trabalho apresenta um estudo sobre os espaços vetoriais munidos de produto interno.
Leia maisDURATION - AVALIANDO O RISCO DE MUDANÇA NAS TAXAS DE JUROS PARTE ll
DURATION - AVALIANDO O RISCO DE MUDANÇA NAS TAXAS DE JUROS PARTE ll! Qual a origem do conceito de duração?! Como calcular a duração?! Quais as limitações do cálculo da duração?! Como estimar a variação
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisAplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral
Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Hedenir M. Pinheiro Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal 131 74001-970 Goiânia
Leia mais7 - Análise de redes Pesquisa Operacional CAPÍTULO 7 ANÁLISE DE REDES. 4 c. Figura 7.1 - Exemplo de um grafo linear.
CAPÍTULO 7 7 ANÁLISE DE REDES 7.1 Conceitos Básicos em Teoria dos Grafos Diversos problemas de programação linear, inclusive os problemas de transporte, podem ser modelados como problemas de fluxo de redes.
Leia maisOANAFAS é um programa computacional
ANAFAS Análise de Faltas Simultâneas OANAFAS é um programa computacional para cálculo de curtos-circuitos. Permite a execução automática de grande variedade de faltas e possui facilidades, como estudo
Leia maisAnálise e visualização de dados utilizando redes neurais artificiais auto-organizáveis
Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)
Leia maisUnidade 5: Sistemas de Representação
Arquitetura e Organização de Computadores Atualização: 9/8/ Unidade 5: Sistemas de Representação Números de Ponto Flutuante IEEE 754/8 e Caracteres ASCII Prof. Daniel Caetano Objetivo: Compreender a representação
Leia maisO mecanismo de alocação da CPU para execução de processos constitui a base dos sistemas operacionais multiprogramados.
O mecanismo de alocação da CPU para execução de processos constitui a base dos sistemas operacionais multiprogramados. A multiprogramação tem como objetivo permitir que, a todo instante, haja algum processo
Leia mais4. Revisão Bibliográfica - Trabalhos sobre Opções Reais no Mercado Imobiliário
44 4. Revisão Bibliográfica - Trabalhos sobre Opções Reais no Mercado Imobiliário 4.1. Urban Land Prices under Uncertainty (Titman 1985) No artigo publicado em Junho de 1985, Sheridan Titman, ao observar
Leia maisPrimeiros passos das Planilhas de Obra v2.6
Primeiros passos das Planilhas de Obra v2.6 Instalação, configuração e primeiros passos para uso das planilhas de obra Elaborado pela Equipe Planilhas de Obra.com Conteúdo 1. Preparar inicialização das
Leia maisControle II. Estudo e sintonia de controladores industriais
Controle II Estudo e sintonia de controladores industriais Introdução A introdução de controladores visa modificar o comportamento de um dado sistema, o objetivo é, normalmente, fazer com que a resposta
Leia maisCAPÍTULO 2. Grafos e Redes
CAPÍTULO 2 1. Introdução Um grafo é uma representação visual de um determinado conjunto de dados e da ligação existente entre alguns dos elementos desse conjunto. Desta forma, em muitos dos problemas que
Leia maisÁudio. GUIA DO PROFESSOR Síndrome de Down - Parte I
Síndrome de Down - Parte I Conteúdos: Tempo: Síndrome de Down 5 minutos Objetivos: Auxiliar o aluno na compreensão do que é síndrome de Down Descrição: Produções Relacionadas: Neste programa de Biologia
Leia maisAula 5 - Classificação
AULA 5 - Aula 5-1. por Pixel é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente
Leia mais