Aprendizagem de Máquina
|
|
- Marcela Neves Taveira
- 8 Há anos
- Visualizações:
Transcrição
1 Introdução Aprendizagem de Máquina Alessandro L. Koerich Introdução Desde que os computadores foram inventados temos nos perguntado: Eles são capazes de aprender? Se pudéssemos programá-los para aprender para se aperfeiçoar automaticamente com a experiência o impacto seria surpreendente Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina 2 Introdução Infelizmente ainda não sabemos como fazer computadores aprender de uma maneira similar a maneira como os humanos aprendem. Entretanto, foram desenvolvidos algoritmos que são eficientes em certos tipos de tarefas de aprendizagem e um entendimento teórico de aprendizagem está começando a surgir. Mestrado/Doutorado em Informática Aprendizagem de Máquina 3 Mestrado/Doutorado em Informática Aprendizagem de Máquina 4
2 O que é Aprendizagem de Máquina? O que é Aprendizagem de Máquina? Aprendizagem é uma propriedade essencialmente humana Aprender significa mudar para fazer melhor (de acordo com um dado critério) quando uma situação similar acontecer Aprendizagem, não é memorizar. Qualquer computador pode memorizar, a dificuldade é em generalizar um comportamento para uma nova situação. Mestrado/Doutorado em Informática Aprendizagem de Máquina 5 Mestrado/Doutorado em Informática Aprendizagem de Máquina 6 Generalizar? Generalizar? Mestrado/Doutorado em Informática Aprendizagem de Máquina 7 Mestrado/Doutorado em Informática Aprendizagem de Máquina 8
3 Duas Fases da Aprendizagem Tipos de Problemas Treinamento (supervisionado) Apresentamos exemplos ao sistema O sistema aprende a partir dos exemplos O sistema modifica gradualmente seus parâmetros ajustáveis para que a saída se aproxime da saída desejada. Utilização Novos exemplos jamais visto aparecem Desejamos que o sistema generalize! Classificação Diz se a "entrada" pertence a uma certa classe Dada a imagem de uma face: de quem é esta face (dentre um número finito) Regressão Fazer uma predição a partir de um exemplo Predizer o valor da bolsa amanhã, dados os valores de dias e meses anteriores. Estimação de Densidade Já vimos este exemplo? (ou um exemplo similar)? Quais são as K categorias principais dos dados? Mestrado/Doutorado em Informática Aprendizagem de Máquina 9 Mestrado/Doutorado em Informática Aprendizagem de Máquina 10 Formas de Aprendizagem Por que a Aprendizagem é Difícil? Supervisionada Fornecemos a boa resposta durante o treinamento É o mais eficiente porque fornece mais informações. Útil para classificação, regressão, estimação de probabilidade condicional (qual é a probabilidade que um cliente com tal perfil compre tal produto?) Por Reforço Não damos a boa resposta. O sistema faz uma hipótese lhe dizemos bom / ruim Útil para o controle de robôs Não Supervisionada Ex: Quais são as características principais dos clientes típicos? (segmentação do mercado) Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Como devemos traçar a relação? Mestrado/Doutorado em Informática Aprendizagem de Máquina 11 Mestrado/Doutorado em Informática Aprendizagem de Máquina 12
4 Por que a Aprendizagem é Difícil? Por que a Aprendizagem é Difícil? Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Dado uma quantidade finita de dados para o treinamento, temos que derivar uma relação para um domínio infinito Na realidade, existe um número infinito de tais relações Qual das relações seria a mais apropriada?... os pontos de teste ocultos... Mestrado/Doutorado em Informática Aprendizagem de Máquina 13 Mestrado/Doutorado em Informática Aprendizagem de Máquina 14 Generalizar é Difícil Exemplo: Selecionamos os Dados Não queremos aprender por memorização (decorar!) Boa resposta sobre os exemplos de treinamento somente Fácil para um computador (um arquivo de dados) Difícil para os humanos Aprender visando generalizar Mais interessante Fundamentalmente mais difícil: diversas maneiras de generalizar Devemos extrair a essência, a estrutura dos dados e não somente aprender a boa resposta para alguns casos. Saída = Valor à estimar Cada ponto = um exemplo a. Underlying Function Entrada = perfil do caso Pontilhado = a melhor resposta possível dados os pontos de entrada (desconhecido do aprendiz) Mestrado/Doutorado em Informática Aprendizagem de Máquina 15 Mestrado/Doutorado em Informática Aprendizagem de Máquina 16
5 Sobreajuste (Overfitting) Subajuste (Underfitting) b. Overfitting Aprendemos por memorização, mais isso não generaliza bem novos casos. Erro baixo sobre os exemplos de aprendizagem. Mais elevado para os de teste c. Underfitting Escolhemos um modelo muito simples (linear): erro elevado na aprendizagem e teste (pontilhado) Mestrado/Doutorado em Informática Aprendizagem de Máquina 17 Mestrado/Doutorado em Informática Aprendizagem de Máquina 18 Um Bom Modelo Maldição da Dimensionalidade 3 d. Good Fit O modelo é suficientemente flexível para capturar a forma curva mais não muito para obter um sobre ajuste. Aprendizagem pode se tornar cada vez mais difícil a medida em que o número de características de cada caso aumenta. Exemplo: perfil de clientes alvo Mestrado/Doutorado em Informática Aprendizagem de Máquina 19 Número de Chamadas Número de casos = # categoria duração X # categoria chamadas = 6 x Duração da Chamada 1 Cada posição contém o número de casos encontrados. Mestrado/Doutorado em Informática Aprendizagem de Máquina 20
6 Maldição da Dimensionalidade Combate a Maldição Se o número de características é 10 se cada característica puder assumir 10 valores diferentes, o número de casos casas (perfis diferentes) é x 10 x 10 x 10 = 10 Este número é astronômico. Mesmo uma grande base de dados representa uma ínfima fração deste número. Para generalizar deve-se então descobrir uma estrutura mais ampla, o que muitos casos tem em comum. Alguns algoritmos de aprendizagem modernos tentam enfrentar este desafio: Redes neurais artificiais Máquina de suporte vetorial (SVM) Adaboost Idéia Principal: utilizar um modelo flexível mas que permita resumir as informações intrínseca nos dados. Si existe regularidade nos dados, este tipo de modelo tem grande chance de capturar. Mestrado/Doutorado em Informática Aprendizagem de Máquina 21 Mestrado/Doutorado em Informática Aprendizagem de Máquina 22 Exemplo de Problema Problemas Bem Definidos Um programa de computador aprende a partir de uma experiência E com respeito a alguma classe de tarefas T e medida de performance P, SE sua performance nas tarefas em T, medida por P, MELHORA com a experiência E. Em geral, para termos problemas de aprendizagem bem definidos, devemos identificar três características: A classe das tarefas; A medida de performance a ser melhorada; A fonte de experiência (conhecimento). Mestrado/Doutorado em Informática Aprendizagem de Máquina 23 Mestrado/Doutorado em Informática Aprendizagem de Máquina 24
7 Problemas Bem Definidos Problemas Bem Definidos Exemplo: Aprender a jogar damas Exemplo: Aprender a jogar damas Tarefa T: Jogar damas Medida de performance P: Percentagem de jogos ganhos contra oponentes Experiência de treinamento E jogando contra si mesmo. Mestrado/Doutorado em Informática Aprendizagem de Máquina 25 Mestrado/Doutorado em Informática Aprendizagem de Máquina 26 Problemas Bem Definidos Problemas Bem Definidos Exemplo: Aprender a reconhecer manuscritos Exemplo: Aprender a reconhecer manuscritos Tarefa T: Reconhecer/classificar palavras manuscritas presentes em imagens Medida de performance P: Percentagem de palavras classificadas corretamente Experiência de treinamento E: Base de dados com palavras manuscritas e respectivas etiquetas (classes a que elas pertencem). Roubaix Cedex HALLUIN CEDEX Chiré em Montreuil Roubaix Cedex Mestrado/Doutorado em Informática Aprendizagem de Máquina 27 Mestrado/Doutorado em Informática Aprendizagem de Máquina 28
8 Problemas Bem Definidos Problemas Bem Definidos Exemplo: Aprender a reconhecer manuscritos Exemplo: Aprendizagem de um robô motorista Tarefa T: Dirigir em uma via pública de 3 pistas usando sensores de visão Medida de performance P: Distância média percorrida antes de cometer um erro (julgado por observador humano) Experiência de treinamento E: Seqüência de imagens e comandos de direção gravados a partir da observação de um motorista humano. Mestrado/Doutorado em Informática Aprendizagem de Máquina 29 Mestrado/Doutorado em Informática Aprendizagem de Máquina 30 Projetando um Sistema de Aprendizagem Projetando um Sistema de Aprendizagem Projetar um programa para aprender a jogar damas. Medida de performance: percentagem de jogos ganhos Etapas básicas de projeto: Escolha da experiência de treinamento Escolha da função objetiva Escolha de uma representação para a função objetiva Escolha de um algoritmo para a função de aproximação Mestrado/Doutorado em Informática Aprendizagem de Máquina 31 Mestrado/Doutorado em Informática Aprendizagem de Máquina 32
9 Experiência de Treinamento Experiência de Treinamento Escolher o tipo de experiência de treinamento a partir da qual o sistema aprenderá Experiência direta ou indireta? O grau de controle sobre a seqüência de exemplos de treinamento; com ou sem instrutor? A experiência de treinamento representa a distribuição de exemplos sobre os quais a performance final (P ) do sistema deve ser medida. Atenção: A teoria de aprendizagem de máquina recai sobre a hipótese de que a distribuição dos exemplos de treinamento é idêntica a distribuição dos exemplos de teste. Apesar da necessidade de considerarmos esta hipótese para obter resultados teóricos, é importante ter em mente que esta suposição é quase sempre violada na prática. Mestrado/Doutorado em Informática Aprendizagem de Máquina 33 Mestrado/Doutorado em Informática Aprendizagem de Máquina 34 Experiência de Treinamento Função Objetiva O problema de aprendizagem de damas: Tarefa T : jogando damas Medida de performance P : percentagem de jogos ganhos Experiência de treinamento E : partidas jogadas contra si mesmo Para completarmos o projeto do sistema de aprendizagem, devemos agora escolher: 1. O tipo exato de conhecimento a ser aprendido 2. Uma representação para este conhecimento alvo 3. Um mecanismo de aprendizagem Que tipo de conhecimento será aprendido e como ele será utilizado em um programa? O programa necessita aprender apenas como escolher o melhor movimento dentre os movimentos possíveis. Este problema é representativo de um grande número de tarefas para as quais a melhor estratégia de busca não é conhecida. Muitos problemas de otimização são desta categoria. Mestrado/Doutorado em Informática Aprendizagem de Máquina 35 Mestrado/Doutorado em Informática Aprendizagem de Máquina 36
10 Função Objetiva Função Objetiva Aprender: Escolher o melhor movimento para qualquer estado do tabuleiro. Porém, é difícil de aprender a função ChooseMove a partir da experiência de treinamento disponível. Função: ChooseMove ChooseMove : B M Função alternativa: uma função V que atribui um valor numérico para qualquer estado do tabuleiro. A função aceita como entrada qualquer estado do conjunto de estados possíveis do tabuleiro B e produz como saída algum movimento do conjunto de movimento possíveis M. Como é possível reduzir o problema de melhorar a performance P da tarefa T, para o problema de aprender uma função objetiva tal como ChooseMove. V : B R indica que V mapeia qualquer estado legal do tabuleiro do conjunto B para algum valor real. Usamos esta função V para atribuir valores maiores para os melhores estados do tabuleiro. Mestrado/Doutorado em Informática Aprendizagem de Máquina 37 Mestrado/Doutorado em Informática Aprendizagem de Máquina 38 Função Objetiva Função Objetiva Uma das possíveis definições para a função V (b), onde b é um estado arbitrário do tabuleiro em B: Se b é um estado final que é vitorioso, então V (b) = 100 Se b é um estado final que é perdedor, então V (b) = 100 Se b é um estado final que é empate, então V (b) = 0 Se b não é um estado final no jogo, então, V (b) = V (b ) onde b é o melhor estado final que pode ser atingido começando em b e jogando otimamente até o final do jogo. Esta definição especifica um valor de V (b ) para cada estado do tabuleiro (b ), entretanto, esta definição não é operacional Precisamos de uma descrição operacional de V que possa ser usada pelo programa para avaliar estados e selecionar movimentos dentro de um tempo realístico. Tarefa de Aprendizagem: descobrir uma descrição operacional da função objetiva ideal V Algoritmos de aprendizagem Aproximação da função objetiva (V ) Aproximação da função Mestrado/Doutorado em Informática Aprendizagem de Máquina 39 Mestrado/Doutorado em Informática Aprendizagem de Máquina 40
11 Representação para Função Objetiva Representação para Função Objetiva Depois de especificar V, devemos escolher a representação que o programa de aprendizagem usará para descrever a função V que ele aprenderá. Temos muitas opções... Coleção de regras? Redes neurais? Funções polinomiais? etc... Em geral temos um compromisso crucial: representação mais expressiva mais dados para treinamento Escolha: a função V será calculada como uma combinação linear das seguintes características do tabuleiro: bp (b): número de peças pretas no tabuleiro b rp (b): número de peças vermelhas sobre b bk (b): número de reis pretos sobre b rk (b): número de reis vermelhos sobre b bt (b): número de peças vermelhas ameaçadas pelas pretas (i.e., que podem ser tiradas na vez do preto) rt (b): número de peças pretas ameaçadas pelas vermelhas. Mestrado/Doutorado em Informática Aprendizagem de Máquina 41 Mestrado/Doutorado em Informática Aprendizagem de Máquina 42 Representação para Função Objetiva Projeto Parcial Então, a aprendizagem irá representar V (b ) como uma função linear da forma: V (b) = w 0 + w 1 bp (b ) + w 2 rp (b ) + w 3 bk (b ) + w 4 rk (b ) + w 5 bt (b ) + w 6 rt (b ) onde w 0 a w 6 são coeficientes numéricos, ou pesos, a serem escolhidos pelo algoritmo de aprendizagem. Os valores aprendidos para os pesos w 1 a w 6 determinarão a importância relativa das várias características do tabuleiro. Tarefa T : jogar damas Medida de Performance P : percentagem de partidas ganhas Experiência de Treinamento E : partidas jogadas contra si mesmo Função Objetivo: V : B R Representação da Função Objetiva: V (b) = w 0 + w 1 bp (b ) + w 2 rp (b ) + w 3 bk (b ) + w 4 rk (b ) + w 5 bt (b ) + w 6 rt (b ) Mestrado/Doutorado em Informática Aprendizagem de Máquina 43 Mestrado/Doutorado em Informática Aprendizagem de Máquina 44
12 Projeto Parcial Algoritmo de Aproximação O itens anteriores correspondem a especificação da tarefa de aprendizagem; Os dois itens finais são escolhas do projeto para a implementação da aprendizagem. Em resumo, o conjunto de escolhas do projeto: Problema de aprender uma estratégia Problema de aprender os valores dos coeficientes da representação da função objetiva. Para aprender a função objetiva V necessitamos de um conjunto de exemplos de treinamento, cada um descrevendo um estado b específico do tabuleiro e o valor de treinamento V train (b ) para b. Cada exemplo de treinamento é um par ordenado na forma <b, V train (b ) > Mestrado/Doutorado em Informática Aprendizagem de Máquina 45 Mestrado/Doutorado em Informática Aprendizagem de Máquina 46 Algoritmo de Aproximação Algoritmo de Aproximação A única informação disponível é se a partida foi eventualmente ganha ou perdida. Necessitamos de exemplos de treinamento que atribuam valores específicos para estados específicos do tabuleiro. É fácil atribuir valores para os estados do tabuleiro que correspondem ao final do jogo. É menos óbvio atribuir valores de treinamento para os numerosos estados intermediários que ocorrem antes do jogo acabar. Uma solução simples: atribuir o valor de treinamento de V train (b ) para qualquer estado intermediário b do tabuleiro ser V (Sucessor (b )), onde V é a aproximação atual de V e V (Sucessor (b )) indica o próximo estado seguindo b para o qual é novamente a vez do programa mover. Regra para estimar valores de treinamento: V train (b ) V (Sucessor (b )) Mestrado/Doutorado em Informática Aprendizagem de Máquina 47 Mestrado/Doutorado em Informática Aprendizagem de Máquina 48
13 Algoritmo de Aproximação Algoritmo de Aproximação Ainda falta especificar o algoritmo de aprendizagem que melhor ajusta os pesos w i ao conjunto de exemplos de treinamento {<b, V train (b )>}. O que significa melhor ajuste aos dados de treinamento? Uma solução: minimizar o erro quadrático E entre os valores de treinamento e os valores preditos pela hipótese V. E < b, V train ( Vtrain( b) V'( b) ) ( b) > amostrasde treinamento 2 Existem diversos algoritmos para encontrar pesos de uma função linear que minimiza E. Um deles é o LMS (mínimos quadrados). Regra de atualização dos pesos LMS Faça repetidamente Selecione aleatoriamente um exemplo de treinamento b 1.Calcule o erro(b) erro(b) = V train (b)-v (b) 2.Para cada característica do tabuleiro f i, atualize o peso w i como: w i w i + η f i erro(b) onde η é uma pequena constante (p.e. 0.1) que regula a taxa da atualização do peso (aprendizagem). Mestrado/Doutorado em Informática Aprendizagem de Máquina 49 Mestrado/Doutorado em Informática Aprendizagem de Máquina 50 Projeto Final Exemplo A seqüência de escolhas de projeto feitas... Um problema de classificação: predizer as notas para os estudantes matriculados neste curso (aprendizagem de máquina). Mestrado/Doutorado em Informática Aprendizagem de Máquina 51 Mestrado/Doutorado em Informática Aprendizagem de Máquina 52
14 Exemplo Exemplo Um problema de classificação: predizer as notas para os estudantes matriculados neste curso (aprendizagem de máquina). Passos principais: 1. Dados: Podemos contar com qual experiência anterior? Passos principais: 1. Dados 2. Hipóteses 3. Representação 4. Estimação 5. Avaliação 6. Escolha do Modelo Mestrado/Doutorado em Informática Aprendizagem de Máquina 53 Mestrado/Doutorado em Informática Aprendizagem de Máquina 54 Exemplo Exemplo Passos principais: Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? Mestrado/Doutorado em Informática Aprendizagem de Máquina 55 Mestrado/Doutorado em Informática Aprendizagem de Máquina 56
15 Exemplo Exemplo Passos principais: Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas? 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas? 5. Avaliação: Quão bem estamos predizendo? Mestrado/Doutorado em Informática Aprendizagem de Máquina 57 Mestrado/Doutorado em Informática Aprendizagem de Máquina 58 Exemplo Exemplo Passos principais: 1. Dados: Podemos contar com qual experiência anterior? 2. Hipóteses: O que podemos assumir a respeito dos estudantes ou sobre o curso? 3. Representação: Como podemos resumir um estudante? 4. Estimação: Como construímos um mapa estudantes notas? 5. Avaliação: Quão bem estamos predizendo? 6. Escolha do Modelo: Podemos fazer ainda melhor? Os dados que temos disponíveis (a princípio): Nomes e notas dos estudantes no curso nos anos anteriores Boletim acadêmico dos estudantes atuais e anteriores Mestrado/Doutorado em Informática Aprendizagem de Máquina 59 Mestrado/Doutorado em Informática Aprendizagem de Máquina 60
16 Dados Hipóteses Dados para treinamento: Estudante AdeM Curso 1 João A B Maria B A Dados para teste: Curso 2 A A Existem várias hipóteses que podemos fazer para facilitar as predições: 1. O curso permaneceu aproximadamente o mesmo nos últimos anos Estudante José Ana AdeM?? Curso 1 C A Curso 2 A A 2. Cada estudante atua independentemente dos outros Alguma coisa mais que possamos utilizar? Mestrado/Doutorado em Informática Aprendizagem de Máquina 61 Mestrado/Doutorado em Informática Aprendizagem de Máquina 62 Representação Representação Boletins acadêmicos são particularmente diversos, então devemos limitar os resumos a alguns poucos cursos selecionados O dados disponíveis nesta representação Treinamento Teste Por exemplo, podemos resumir o estudante i o (João), por um vetor: x i = [A C B ] onde as notas correspondem a (digamos): 9.6, 5.8, 7.3 Estudante x 1 x 2... Nota em AdeM A B... Estudante x 1 x 2... Nota em AdeM??... Mestrado/Doutorado em Informática Aprendizagem de Máquina 63 Mestrado/Doutorado em Informática Aprendizagem de Máquina 64
17 Estimação Estimação Dado os dados de treinamento Estudante x 1 x 2... Nota em AdeM A B... Precisamos encontrar um mapeamento dos vetores de entrada x para as etiquetas (labels) y codificando as notas do curso AdeM Solução possível classificador vizinhos mais próximos (nearest neighbour): 1. Para cada estudante x, encontrar o estudante x i mais próximo no conjunto de treinamento; 2. Predizer y i, como sendo a nota do estudante mais próximo x i. Mestrado/Doutorado em Informática Aprendizagem de Máquina 65 Mestrado/Doutorado em Informática Aprendizagem de Máquina 66 Avaliação Escolha do Modelo Como podemos dizer se nossas predições são boas? Podemos esperar até o final do curso Podemos tentar avaliar a precisão baseando se nos dados que já temos (conjunto de treinamento) Solução possível: Dividir o conjunto de treinamento em novos conjuntos de treinamento e teste Avaliar o classificador construído baseando se somente no novo conjunto de treinamento sobre o novo conjunto de testes Podemos refinar: O algoritmo de estimação (por exemplo, utilizando um classificador diferente); A representação (por exemplo, basear o resumo em um conjunto diferente de cursos); As hipóteses (talvez os estudantes trabalhem em grupos, etc.) Temos que nos basear no método de avaliação da precisão de nossas predições para escolher entre os possíveis refinamentos. Mestrado/Doutorado em Informática Aprendizagem de Máquina 67 Mestrado/Doutorado em Informática Aprendizagem de Máquina 68
18 Tipos de Problemas de Aprendizagem Tipos de Problemas de Aprendizagem Uma classificação aproximada dos problemas de aprendizagem: Aprendizagem Supervisionada: temos um conjunto de entradas e saídas para fazer o treinamento. Ex: classificação, regressão. Aprendizagem com Reforço: somente obtemos um feedback na forma de quão bem estamos fazendo (e não o que deveríamos estar fazendo). Ex: planejamento Aprendizagem Não Supervisionada: estamos interessados em capturar uma organização inerente dos dados. Ex: clustering, estimação de densidade. Mestrado/Doutorado em Informática Aprendizagem de Máquina 69 Mestrado/Doutorado em Informática Aprendizagem de Máquina 70 Aprendizagem Supervisionada Aprendizagem Supervisionada Exemplo: reconhecimento de dígitos (dígitos binários 8X8) dígito binário classe alvo Desejamos aprender o mapeamento de dígitos para classes. Um mudança na representação que preserva as informações relevantes pode tornar impossível a aprendizagem. Mestrado/Doutorado em Informática Aprendizagem de Máquina 71 Mestrado/Doutorado em Informática Aprendizagem de Máquina 72
19 Aprendizagem Supervisionada Aprendizagem Não Supervisionada Os dígitos novamente... Dado um conjunto de exemplos de treinamento { (x 1,y 1 ),..., (x n,y n ) }, queremos aprender um mapeamento f : X Y tal que: y i f (x i ), i = 1,...,n Gostaríamos de entender o processo de criação dos exemplos (neste caso, dígitos) Mestrado/Doutorado em Informática Aprendizagem de Máquina 73 Mestrado/Doutorado em Informática Aprendizagem de Máquina 74 Aplicações Processamento Visual Verificação de faces Reconhecimento de manuscritos Processamento da Fala Fonemas, palavras, sentenças, reconhecimento de pessoas Outros Finanças: predição de ações, gerenciamento de risco e portofolio Telecomunicações: predição de tráfego Datamining: fazer uso de grandes conjuntos de dados mantidos por grandes corporações Jogos: xadrez, gamão, etc. Controle: robôs... e muitas outras é claro! Mestrado/Doutorado em Informática Aprendizagem de Máquina 75
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aula 1 Alessandro L. Koerich Introdução Mestrado em Informática Aplicada Pontifícia Universidade Católica do Paraná (PUCPR) Introdução à Aprendizagem de Máquina Por
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Introdução Alessandro L. Koerich 2008 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisAprendizagem de Máquina. Ivan Medeiros Monteiro
Aprendizagem de Máquina Ivan Medeiros Monteiro Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado
Leia maisPossui como idéia central a divisão de um universo de dados a ser organizado em subconjuntos mais gerenciáveis.
3. Tabelas de Hash As tabelas de hash são um tipo de estruturação para o armazenamento de informação, de uma forma extremamente simples, fácil de se implementar e intuitiva de se organizar grandes quantidades
Leia maisFigura 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 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 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 maisCorelDRAW 11 1. UM PROGRAMA DE DESIGN
CorelDRAW 11 1. UM PROGRAMA DE DESIGN Com o Corel você vai trabalhar com um dos aplicativos mais usados no campo do design e da auto-edição, já que permite operar com dois tipos de gráficos (vetoriais
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,
Leia maiswww.startercomunicacao.com startercomunic@gmail.com
7 DICAS IMPERDÍVEIS QUE TODO COACH DEVE SABER PARA CONQUISTAR MAIS CLIENTES www.startercomunicacao.com startercomunic@gmail.com As 7 dicas imperdíveis 1 2 3 Identificando seu público Abordagem adequada
Leia maisJogos. Redes Sociais e Econômicas. Prof. André Vignatti
Jogos Redes Sociais e Econômicas Prof. André Vignatti Teoria dos Jogos Neste curso, queremos olhar para redes a partir de duas perspectivas: 1) uma estrutura subjacente dos links de conexão 2) o comportamentos
Leia maisGerenciando Sua Reputação Online Parte 1
Gerenciando Sua Reputação Online Parte 1 Índice Gerenciando Sua Reputação Online Parte 1 Índice O Que é Gerenciamento da Sua Reputação Online? Como Monitorar Sua Reputação Online O Básico Para Construir
Leia maisAlgoritmos e Programação (Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br
(Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br Introdução O computador como ferramenta indispensável: Faz parte das nossas vidas; Por si só não faz nada de útil; Grande capacidade de resolução
Leia mais{Indicar o tema e objetivo estratégico aos quais o projeto contribuirá diretamente para o alcance.}
{Importante: não se esqueça de apagar todas as instruções de preenchimento (em azul e entre parênteses) após a construção do plano.} {O tem por finalidade reunir todas as informações necessárias à execução
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 [quinta-feira, 7:30 12:00] Atendimento Segunda
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 maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maisArquitetura de Rede de Computadores
TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador
Leia maisAlgoritmos. Objetivo principal: explicar que a mesma ação pode ser realizada de várias maneiras, e que às vezes umas são melhores que outras.
6 6 NOME DA AULA: 6 Algoritmos Duração da aula: 45 60 minutos Tempo de preparação: 10-25 minutos (dependendo da disponibilidade de tangrans prontos ou da necessidade de cortá-los à mão) Objetivo principal:
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisSOBRE A TOOLSYSTEMS. ToolSystems Sistemas Fone: (47) 3381-3344
SOBRE A TOOLSYSTEMS Com mais de 10 anos no mercado, a ToolSystems sistemas se dedica a entender as novas tecnologias para garantir a seus clientes as melhores e mais atuais soluções para Internet. Ao longo
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisMATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD)
AULA 07 MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD) JAMES A. O BRIEN MÓDULO 01 Páginas 286 à 294 1 AULA 07 SISTEMAS DE APOIO ÀS DECISÕES 2 Sistemas de Apoio à Decisão (SAD)
Leia maisIA: Busca Competitiva. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA: Busca Competitiva Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução Árvores de Jogos Minimax Antecipação Limitada Poda Alfa-beta Introdução Jogos têm sido continuamente uma importante
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 maisFundamentos em Informática (Sistemas de Numeração e Representação de Dados)
1 UNIVERSIDADE DO CONTESTADO / UnC CAMPUS CONCÓRDIA/SC CURSO DE SISTEMAS DE INFORMAÇÃO Fundamentos em Informática (Sistemas de Numeração e Representação de Dados) (Apostila da disciplina elaborada pelo
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisANEXO 1: Formato Recomendado de Planos de Negócios - Deve ter entre 30 e 50 páginas
ANEXO 1: Formato Recomendado de Planos de Negócios - Deve ter entre 30 e 50 páginas 1) Resumo Executivo Descrição dos negócios e da empresa Qual é a ideia de negócio e como a empresa se chamará? Segmento
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 maisMODELAGEM DE DADOS MODELAGEM DE DADOS. rafaeldiasribeiro.com.br 04/08/2012. Aula 7. Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord
MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 7 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Aprender sobre a modelagem lógica dos dados. Conhecer os
Leia maisMicrosoft Access: Criar consultas para um novo banco de dados. Vitor Valerio de Souza Campos
Microsoft Access: Criar consultas para um novo banco de Vitor Valerio de Souza Campos Conteúdo do curso Visão geral: consultas são essenciais Lição: inclui sete seções Tarefas práticas sugeridas Teste.
Leia maisMercados de Publicidade
Mercados de Publicidade em Busca Web Redes Sociais e Econômicas Prof. André Vignatti O Princípio da VCG para um Mercado de Emparelhamento Geral Vamos generalizar o exemplo para obtermos um método genérico
Leia maisEstratégias de Pesquisa
Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani Data Mining Os métodos tradicionais de Data Mining são: Classificação Associa ou classifica um item a uma ou várias classes categóricas pré-definidas.
Leia maisObjetivo: Relatar a experiência do desenvolvimento do software Participar. Wilson Veneziano Professor Orientador do projeto CIC/UnB
Transcrição do vídeo Projeto Participar Duração: 10 minutos e 43 segundos Objetivo: Relatar a experiência do desenvolvimento do software Participar Wilson Veneziano Professor Orientador do projeto CIC/UnB
Leia maisEspaço Amostral ( ): conjunto de todos os
PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,
Leia maisRevisão - Reveja os pontos principais, o Plano de Ação ou os tópicos da discussão do encontro anterior.
Preparação do Instrutor Trazer para a reunião/encontro de vendas: DVD : Módulo 9 Aparelho de DVD e TV Flip chart e canetas ( pincel atômico) Canetas/lápis apontados Manuais dos participantes (workbooks)
Leia maisProf. Samuel Henrique Bucke Brito
- Roteamento www.labcisco.com.br ::: shbbrito@labcisco.com.br Prof. Samuel Henrique Bucke Brito Roteamento Roteamento é a técnica que define por meio de um conjunto de regras como os dados originados em
Leia maisAgrupamento de dados
Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação
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 maisOBJETIVOS: CARGA HORÁRIA MÍNIMA CRONOGRAMA:
ESTUDO DIRIGIDO COMPONENTE CURRICULAR: Controle de Processos e Instrumentação PROFESSOR: Dorival Rosa Brito ESTUDO DIRIGIDO: Métodos de Determinação de Parâmetros de Processos APRESENTAÇÃO: O rápido desenvolvimento
Leia maisIntrodução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3
Introdução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3 A LEGO Education tem o prazer de trazer até você a edição para tablet do Software LEGO MINDSTORMS Education EV3 - um jeito divertido
Leia maisCOMPRE DO PEQUENO NEGÓCIO
COMPRE DO PEQUENO NEGÓCIO ALAVANQUE SUA EMPRESA EM TEMPOS DE INCERTEZA 2015 tem se mostrado um ano de grandes desafios. Sua empresa está passando por este período com resultados inferiores aos planejados?
Leia maisPROPOSTA PARA UM SUPORTE ADEQUADO ÀS REDES LOCAIS NA UFSCar Prof. Néocles Alves Pereira Secretário Geral de Informática
PROPOSTA PARA UM SUPORTE ADEQUADO ÀS REDES LOCAIS NA UFSCar Prof. Néocles Alves Pereira Secretário Geral de Informática 1. Introdução Com o crescimento da UFSCar nos últimos anos, o número de redes de
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisCEAP CENTRO DE ENSINO SUPERIOR DO AMAPÁ CURSO DE ADMINISTRAÇÃO DISCIPLINA COMÉRCIO ELETRÔNICO PROF. CÉLIO CONRADO
Contexto e objetivos CEAP CENTRO DE ENSINO SUPERIOR DO AMAPÁ CURSO DE ADMINISTRAÇÃO DISCIPLINA COMÉRCIO ELETRÔNICO PROF. CÉLIO CONRADO O desenvolvimento do plano de negócios, como sistematização das idéias
Leia maisEmpresário. Você curte moda? Gosta de cozinhar? Não existe sorte nos negócios. Há apenas esforço, determinação, e mais esforço.
Empresário Não existe sorte nos negócios. Há apenas esforço, determinação, e mais esforço. Sophie Kinsella, Jornalista Econômica e autora Você curte moda? Gosta de cozinhar? Ou talvez apenas goste de animais?
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS 6ª Série Teoria da Computação Ciência da Computação A atividade prática supervisionada (ATPS) é um método de ensinoaprendizagem desenvolvido por meio de um conjunto
Leia maisPlano de Marketing. Produto (Posicionamento) Preço. Artigos de PN Como fazer Plano de Marketing. josedornelas.com.br
Artigos de PN Como fazer Plano de Marketing Plano de Marketing Para traçar o plano de marketing do plano de negócios, deve-se atentar à estratégia que será seguida pela empresa. A estratégia pode ser definida
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 maisProgramaTchê Programação OO com PHP
Roteiro 1 Objetivos: * Apresentar conceitos de orientação a objetos; * Representar classes e objetos usando UML; Este roteiro tem como objetivo abordar os conceitos básicos de orientação a objetos. 1 Introdução
Leia maisPesquisa realizada com os participantes do 16º Seminário Nacional de Gestão de Projetos APRESENTAÇÃO
Pesquisa realizada com os participantes do de APRESENTAÇÃO O perfil do profissional de projetos Pesquisa realizada durante o 16 Seminário Nacional de, ocorrido em Belo Horizonte em Junho de, apresenta
Leia mais5 Instrução e integração
SEÇÃO 5 Instrução e integração no meio de trabalho Quando um novo funcionário entra para uma organização, é importante que ele receba um bom apoio para entender sua função e a organização. Instrução é
Leia maisArquitetura de Informação
Arquitetura de Informação Ferramentas para Web Design Prof. Ricardo Ferramentas para Web Design 1 Arquitetura de Informação? Ferramentas para Web Design 2 Arquitetura de Informação (AI): É a arte de expressar
Leia maisBases Matemáticas. Aula 2 Métodos de Demonstração. Rodrigo Hausen. v. 2013-7-31 1/15
Bases Matemáticas Aula 2 Métodos de Demonstração Rodrigo Hausen v. 2013-7-31 1/15 Como o Conhecimento Matemático é Organizado Definições Definição: um enunciado que descreve o significado de um termo.
Leia maisCurso de atualização Educação Integral e Integrada. Tutorial Moodle. Belo Horizonte, 2013.
Curso de atualização Educação Integral e Integrada Tutorial Moodle Belo Horizonte, 2013. 1. INTRODUÇÃO... 3 2. ACESSANDO O AMBIENTE... 4 3. CONHECENDO O AMBIENTE... 5 3.1. CAIXAS DE UTILIDADES... 5 4.
Leia mais1. Conceitos de sistemas. Conceitos da Teoria de Sistemas. Conceitos de sistemas extraídos do dicionário Aurélio:
1. Conceitos de sistemas Conceitos da Teoria de Sistemas OPTNER: É um conjunto de objetos com um determinado conjunto de relações entre seus objetos e seus atributos. TILLES: É um conjunto de partes inter-relacionadas.
Leia maisCONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO
CONTROLE DE QUALIDADE e VALIDAÇÃO DE PRODUTO CARTOGRÁFICO Editar dados em vários formatos e armazenar estas informações em diferentes sistemas é provavelmente uma das atividades mais comuns para os profissionais
Leia maisDiagrama de transição de Estados (DTE)
Diagrama de transição de Estados (DTE) O DTE é uma ferramenta de modelação poderosa para descrever o comportamento do sistema dependente do tempo. A necessidade de uma ferramenta deste tipo surgiu das
Leia mais3 - Projeto de Site:
3 - Projeto de Site: O site de uma empresa é como um cartão de visita que apresenta sua área de negócios e sua identidade no mercado, ou ainda, como uma vitrine virtual em que é possível, em muitos casos,
Leia maisBoletim de Guia para os Pais das Escolas Públicas Elementar de Central Falls
Boletim de Guia para os Pais das Escolas Públicas Elementar de Central Falls O objetivo principal do cartão de relatório elementar é comunicar o progresso do aluno para os pais, alunos e outros funcionários
Leia maisComo fazer um fluxo de nutrição de leads eficaz
Como fazer um fluxo de nutrição de leads eficaz COMO FAZER UM FLUXO DE NUTRIÇÃO DE LEADS EFICAZ Nutrir leads é a melhor maneira de manter um relacionamento próximo tanto com os atuais como com seus futuros
Leia maisComo produzir um Curso on line
Como produzir um Curso on line 1 - Introdução Este tutorial visa estimular a produção de cursos on line na forma mais profissional possível. O público alvo deste tutorial é qualquer indivíduo interessado
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisConteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos
Universidade Federal do Espírito Santo Centro Tecnológico Departamento de Informática Disciplina: INF 02810 Prof.: (monalessa@inf.ufes.br) Conteúdo 1. Introdução 2. Processo de Software 3. Gerência de
Leia maisGuia do Usuário Moovit. Android Versão 3.7.0.97
Guia do Usuário Moovit Android Versão 3.7.0.97 Tela principal (tela do mapa) Itens do mapa: Esse aqui é você (o seu avatar). Este ícone laranja mostra sua posição atual. Importante: Em caso de erro na
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 maisGuia de qualidade de cores
Página 1 de 5 Guia de qualidade de cores O Guia de qualidade de cores ajuda você a entender como as operações disponíveis na impressora podem ser usadas para ajustar e personalizar a saída colorida. Menu
Leia maisAula 01 - Formatações prontas e condicionais. Aula 01 - Formatações prontas e condicionais. Sumário. Formatar como Tabela
Aula 01 - Formatações prontas e Sumário Formatar como Tabela Formatar como Tabela (cont.) Alterando as formatações aplicadas e adicionando novos itens Removendo a formatação de tabela aplicada Formatação
Leia maisAula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
Leia maisselecionado. DICAS 1. Explore, sempre, o ícone
COMO USAR O MAPA COM INDICADORES DO GEOPORTAL DE INFORMAÇÕES EM SAÚDE DA BAHIA? Este documento fornece um passo a passo explicativo e ilustrado das principais ferramentas do Mapa com Indicadores do GeoPortal
Leia maisCA Clarity PPM. Visão geral. Benefícios. agility made possible
FOLHA DO PRODUTO CA Clarity PPM agility made possible O CA Clarity Project & Portfolio Management (CA Clarity PPM) o ajuda a inovar com agilidade, a transformar seu portfólio com confiança e a manter os
Leia maisMódulo 15 Resumo. Módulo I Cultura da Informação
Módulo 15 Resumo Neste módulo vamos dar uma explanação geral sobre os pontos que foram trabalhados ao longo desta disciplina. Os pontos abordados nesta disciplina foram: Fundamentos teóricos de sistemas
Leia maisInformações para alunos, pais e responsáveis Avaliação de Aptitudes Básicas (FSA Foundation Skills Assessment): Perguntas e Respostas
Informações para alunos, pais e responsáveis Avaliação de Aptitudes Básicas (FSA Foundation Skills Assessment): Perguntas e Respostas 1 Pergunta O que é a Avaliação de aptitudes básicas (FSA)? Resposta
Leia maisConsultoria e Gerenciadora
Consultoria e Gerenciadora Revolutia Consultoria e Gerenciadora Distribuição livre desde que mantida fonte e originalidade Sumário Por onde começar? Problemas e Soluções Dicas dos Campeões 2 3 O que impede
Leia maisBearingNet Bem-vindo Contenuto
Contenuto Introdução... 2 Selecionar idioma... 3 Banners Publicitários... 3 Membro... 3 Atividade... 3 Utilidades... 3 Feriado Público... 6 Pedido de Ajuda... 6 Procurar... 7 Notícias recentes... 7 Novo
Leia maisCOMO CONTRATAR UM CONSTRUTOR. web. www.2030studio.com email.contato@2030studio.com telefone. 55 41 8413 7279
COMO CONTRATAR UM CONSTRUTOR Nós moldamos nossos edifícios. Depois eles nos moldam. - Winston Churchill Encontrar o melhor empreiteiro para seu projeto residencial é uma decisão extremamente importante.
Leia maisCapítulo X. Gerenciar Mudanças dos Requisitos. Aluizio Saiter, M. Sc.
Capítulo X Gerenciar Mudanças dos Requisitos., M. Sc. 2 1. Sobre a disciplina de gerência de requisitos. 2. Boas práticas em engenharia de software. 3. Introdução a gerência de requisitos. 4. Introdução
Leia maisWilson Moraes Góes. Novatec
Wilson Moraes Góes Novatec Copyright 2014 Novatec Editora Ltda. Todos os direitos reservados e protegidos pela Lei 9.610 de 19/02/1998. É proibida a reprodução desta obra, mesmo parcial, por qualquer processo,
Leia maisANÁLISE DE UM PROBLEMA DE SEMÁFORO
ANÁLISE DE UM PROBLEMA DE SEMÁFORO O jogo usualmente designado por Traffic Lights (em português, Semáforo) foi inventado por Alan Parr em 1998. Engane-se o leitor que pense que é apenas uma versão ligeiramente
Leia maisO Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados
SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento
Leia mais10 DICAS DE TECNOLOGIA PARA AUMENTAR SUA PRODUTIVIDADE NO TRABALHO
10 DICAS DE TECNOLOGIA PARA AUMENTAR SUA PRODUTIVIDADE NO TRABALHO UMA DAS GRANDES FUNÇÕES DA TECNOLOGIA É A DE FACILITAR A VIDA DO HOMEM, SEJA NA VIDA PESSOAL OU CORPORATIVA. ATRAVÉS DELA, ELE CONSEGUE
Leia maisAprendizado de Máquina
Referências Aula 1 http://www.ic.uff.br/~bianca/aa/ Slides das aulas: na página http://www.ic.uff.br/~bianca/aa/ Livro-texto: Machine Learning Tom M. Mitchell McGraw-Hill, 1997 http://www.cs.cmu.edu/~tom/mlbook.html
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisInteligência Artificial
Inteligência Artificial Prof. Rafael Stubs Parpinelli DCC / UDESC-Joinville parpinelli@joinville.udesc.br www.joinville.udesc.br/portal/professores/parpinelli www2.joinville.udesc.br/~coca/ Agentes Inteligentes:
Leia maisDificuldades de Modelos de PNL. Onde está a solução ótima? Outro exemplo: Condição ótima Local vs. Global. 15.053 Quinta-feira, 25 de abril
15.053 Quinta-feira, 25 de abril Teoria de Programação Não-Linear Programação Separável Dificuldades de Modelos de PNL Programa Linear: Apostilas: Notas de Aula Programas Não-Lineares 1 2 Análise gráfica
Leia maisSelecionando e Desenvolvendo Líderes
DISCIPULADO PARTE III Pr. Mano Selecionando e Desenvolvendo Líderes A seleção de líderes é essencial. Uma boa seleção de pessoas para a organização da célula matriz facilitará em 60% o processo de implantação
Leia maisIntrodução à Computação
Aspectos Importantes - Desenvolvimento de Software Motivação A economia de todos países dependem do uso de software. Cada vez mais, o controle dos processos tem sido feito por software. Atualmente, os
Leia maisSERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Leia maisMetodologia e Gerenciamento do Projeto na Fábrica de Software v.2
.:: Universidade Estadual de Maringá Bacharelado em Informática Eng. de Software III :. Sistema de Gerenciamento de Eventos - Equipe 09 EPSI Event Programming System Interface Metodologia e Gerenciamento
Leia maisEstratégias em Propaganda e Comunicação
Ferramentas Gráficas I Estratégias em Propaganda e Comunicação Tenho meu Briefing. E agora? Planejamento de Campanha Publicitária O QUE VOCÊ DEVE SABER NO INÍCIO O profissional responsável pelo planejamento
Leia maisENGENHARIA DE SOFTWARE I
ENGENHARIA DE SOFTWARE I Prof. Cássio Huggentobler de Costa [cassio.costa@ulbra.br] Twitter: www.twitter.com/cassiocosta_ Agenda da Aula (002) Metodologias de Desenvolvimento de Softwares Métodos Ágeis
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 02 Agentes Inteligentes Agentes Inteligentes Um agente é algo capaz de perceber seu ambiente por meio de sensores e de
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisManual Arkos Administrador
Manual Arkos Administrador Este manual é para administradores de escolas e explica o passo-a-passo do cadastro de uma escola com seus professores, turmas e alunos no portal. Não deixe de assistir também
Leia maisAvaliação de Interfaces Humano- Computador
Avaliação de Interfaces Humano- Computador Classificação de métodos de avaliação Inspeção de usabilidade Não envolve usuários Usado em qualquer fase do desenvolvimento do sistema Testes de usabilidade
Leia mais