Inteligência Artificial. Redes Neurais Artificiais
|
|
- Mirela de Vieira Machado
- 8 Há anos
- Visualizações:
Transcrição
1 Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão
2 Matlab Objetivos: Apresentar os comandos e funções básicas do MatLab para dar suporte ao curso; Implementar os algoritmos do Perceptron Simples. O Matlab - Surgiu nos anos 70 como um Laboratório de Matrizes para auxiliar os cursos de Teoria Matricial, Álgebra Linear e Análise Numérica. Ele é tanto um ambiente de desenvolvimento e simulação quanto uma linguagem de programação. O MatLab é um sistema interativo, onde os comandos podem ser executados na janela de comandos ou por programas. Estes programas são conhecidos como m-arquivos (extensão.m).
3 Aula Prática 1 Perceptron Simples
4 Matlab Uso do Matlab: Linha de Comando Operações mais comuns: Criar variável Criar vetor Criar matriz Acessar conteúdo de vetor e matriz Representar vetor graficamente Carregar planilha de dados Script *.m Uso de função
5 Matlab Uso do Toolbox Neural Network por Linha de Comando: >>load secao36.txt >>%Definir Entrada e saida: >>in = secao36(:,1:3); % dados de entrada da rede >>in = in'; >>target = secao36(:,4) % dados de saída da rede >>target = target'; >>% >>net = newp(in,target,'hardlims','learnp'); %cria rede perceptron com apenas um neurônio >>% configura modo de inicialização dos pesos da rede >>net.layers{1}.initfcn = 'initwb' >>net.inputweights{1,1}.initfcn = 'rands' >>net.biases{1}.initfcn = 'rands'
6 Matlab Uso do Toolbox Neural Network por Linha de Comando: >>% Gera a saída da rede para uma entrada in >>y = sim(net,in); >>net.iw{1} >>net.b{1} >>% Inicializa os pesos da rede >>net = init(net) >>net.iw{1} >>net.b{1} >>% Treina os pesos da rede considerando o par (in,target) >>net.trainparam.epochs = 1000; >>net = train(net,in,target); >>y = sim(net,in) >>net.iw{1} >>net.b{1}
7 Matlab Uso do Toolbox Neural Network via GUI: a) Definir Entrada e saida (linha de comando): >>load secao36.txt >>in = secao36(:,1:3); >>in = in'; >>target = secao36(:,4) >>target = target'; >>% b) Abrir Toolbox (linha de comando) >>nntool
8 Matlab c)carregando os Dados (GUI Import: in -> Input target -> Target
9 Matlab Uso do Toolbox Neural Network via GUI: d) Criando a Rede: Botão New... Configuração: Aba Network Nome = Perceptron Type = Perceptron Input = In Output = Target Transfer Function = Hardlims Learning Funciton = Learnp Botão View = Diagrama de Blocos da rede criada Botão Create = rede criada e salva no workspace
10 Algoritmos do Perceptron Simples Modelo do Perceptron Simples: n i i y g( u) i 1 u w x A saída do Perceptron Simples para duas entradas: y 2 1, se w x 0 w x w x 0 i i i 1 2 se wixi w1 x1 w2 x2 i 1 1, 0 0
11 Algoritmo de Treinamento
12 Algoritmo de Treinamento
13 Algoritmo de operação
14 Tarefas A) Treinar o perceptron simples considerando 1000 épocas usando o conjunto de treinamento secao36.txt. Executar o treinamento da rede usando o exemplo apresentado nos slides anteriores (5-6); B) Repetir o treinamento 5 vezes iniciando os pesos com valores aleatórios. Salve cada rede treinada (net1, net2, net3,...,net5); C) Registre o gráfico da convergência do treinamento e os seguintes resultados em uma Tabela: número do treinamento, valores dos pesos iniciais, valores dos pesos após o treinamento, número de iterações, taxa de certo; D) Justifique por que a rede utiliza um número de épocas diferente em cada treinamento? E) Faça o teste de cada uma das cinco redes treinada usando a seguinte tabela:
15 Tarefas Amostra X1 X2 X3 Y(T1) Y(T2) Y(T3) Y(T4) Y(T5) 1-0,3665 0,0620 5, ,7842 1,1267 5, ,3012 0,5611 5, ,7757 1,0648 8, ,1570 0,8028 6, ,7014 1,0316 3, ,3748 0,1536 6, ,6920 0,9404 4, ,3970 0,7141 4, ,8842-0,2805 1,2548
16 Tarefas F) Responda a pergunta: é possível afirmar se as classes são linearmente separáveis? Justifique
17 Relatório Organize os resultados na forma de relatório contendo: 1. Objetivo: 2. Materiais e Métodos: teoria, ferramentas, etapas executadas 3. Experimentos e Resultados: descrição do experimento, tabelas de resultados e gráficos 4. Discussão: resposta às perguntas da Tarefa 5. Referências: quando houver consulta a material bibliográfico
18 Aula Prática 2 Rede Adaline
19 A Rede Adaline Rede com arquitetura feedforward e algoritmo de treinamento baseado na minimização do erro quadrático em conjunto com a regra delta; Bloco associador usado para ajustar os pesos. Modelo da Rede Adaline: n u w x w x i i i i i 1 i 0 y g( u) n erro d u
20 O Treinamento da Rede Adaline Função erro quadrático para p amostras de treinamento: 1 1 E( w) ( d u) ( d w x )) 2 2 Na forma vetorial/matricial, temos: O gradiente do erro: p p p ( k) 2 ( k) 2 i i k 1 k 1 k 1 p E( w) ( d ( W. X )) k 1 k 1 ( k) T ( k) 2 p Ew ( ) E( w) ( d ( W. X ))( X ) ( d u). X w p ( k ) T ( k ) ( k ) ( k ) ( k ) k 1 k 1 Ajuste ДW dos pesos no sentido oposto ao do gradiente (taxa de aprendizagem ) : W. E( w). ( d u). X p ( k) ( k) Equação dos pesos ajustados: p atual anterior ( k ) ( k ) W W. ( d u). X k 1
21 Algoritmo de Treinamento Adaline
22 O Algoritmo do EQM Deve ser utilizado como uma função no algoritmo de treinamento ou ser inserido no código do mesmo.
23 Algoritmo de operação/teste
24 Tarefas Considere um sistema de gerenciamento automático de duas válvulas, situado a 500 m de um processo industrial. Este sistema envia um sinal codificado consistuído de quatro grandezas (x1, x2, x3, x4). O sinal passa por um comutador que deve decidir se o sinal deve ser enviado para a válvula A ou B. No entanto, o sinal sofre interferência no percuso que alteram o valor correto das grandezas. Neste contexto, construa uma rede Adaline que seja capaz de identificar corretamente para qual válvula A (-1) ou B (+1) os dados devem ser enviados.
25 Tarefas A) Treinar a rede Adaline usando os dados do arquivo secao46.txt. Executar o treinamento da rede usando o scrip Rede_Adaline_Cap4.m, o qual implementa o algoritmo dos slides anteriores. Utilize número de épocas = 10000, taxa de aprendizado = , e precisão 1e-6; B) Repetir o treinamento 5 vezes iniciando os pesos com valores aleatórios. C) Registre o gráfico da convergência do treinamento e os seguintes resultados em uma Tabela: número do treinamento, valores dos pesos iniciais, valores dos pesos após o treinamento, número de iterações, taxa de certo; D) Justifique por que a rede utiliza um número de épocas diferente em cada treinamento? E) Embora o número de épocas seja diferente, por que os valores dos pesos permanecem aproximadamente iguais. F) Faça o teste de cada uma das cinco redes treinadas usando os dados do arquivo secao46_teste.txt e decida qual é a saída correta para cada valor de entrada.
26 Relatório Organize os resultados na forma de relatório contendo: 1. Objetivo: 2. Materiais e Métodos: teoria, ferramentas, etapas executadas 3. Experimentos e Resultados: descrição do experimento, tabelas de resultados e gráficos 4. Discussão: compare a rede Adaline com a rede Perceptron 5. Referências: quando houver consulta a material bibliográfico
27 Aula Prática 3 Perceptron Multicamadas Classificação de Padrões
28 Tarefas No processamento de bebidas, a aplicação de um determinado conservante (A, B ou C) depende de quatro variáveis: teor de água (x1), grau de acidez (x2), temperatura (x3) e tensão inerfacial (x4). A partir de 148 ensaios de laboratório, a equipe de engenheiros decidiu criar um classificador de padrões baseado em PMC para identificar o conservante. A topologia da rede PMC escolhida é apresentada abaixo: X1 a X Y1 Y2 Y3 Entrada Camada Escondida Saída
29 Tarefas A padronização da saída deve ser de acordo com a tabela a seguir: Conservante Y1 Y2 Y3 A B C 0 0 1
30 Tarefas A) Treinar a rede PMC (quatro entradas/camada escondida com quatro neurônios/três saídas) usando os dados do arquivo secao59.txt. Executar o treinamento da rede usando o algoritmo backpropagation ( training function =traingd; adaption learning function =learngd). Inicie os pesos com valores aleatórios. Use a função logística (sigmóide) para todos os neurônios, com número de épocas = 10000, taxa de aprendizado ( lr ) = 0.1, e precisão ( min_grad ) = 1e-6; B) Repetir o treinamento da rede PMC usando o algoritmo backpropagation com momentum ( training function =traingdm; adaption learning function =learngdm) e os mesmos pesos iniciais da rede da letra A. Use a função logística (sigmóide) para todos os neurônios, com número de épocas = 10000, taxa de aprendizado ( lr ) = 0.1, fator de momentum ( mc ) de 0.9 e precisão ( min_grad ) 1e-6; C) Repetir o treinamento da rede PMC usando o algoritmo Levenberg- Maquard ( training function =trainlm; adaption learning function =learngd) com os mesmos pesos iniciais da rede da letra A. Use a função logística (sigmóide) para todos os neurônios, com número de épocas = 10000, taxa de aprendizado ( lr ) = 0.1 e precisão ( min_grad ) 1e-6;
31 Tarefas D) Para cada uma das redes acima, registre o gráfico da convergência do treinamento (Erro Quadrático Médio x Época) e o tempo gasto para o treinamento; E) Faça o teste de cada uma das redes treinadas usando os dados do arquivo secao59_teste.txt e compare com o valor desejado. F) Analise os resultados obtidos.
32 Relatório Organize os resultados na forma de relatório contendo: 1. Objetivo: 2. Materiais e Métodos: teoria, ferramentas, etapas executadas 3. Experimentos e Resultados: descrição do experimento, tabelas de resultados e gráficos 4. Discussão: compare os métodos de treinamento do MLP 5. Referências: quando houver consulta a material bibliográfico
33 Aula Prática 4 Perceptron Multicamadas Aproximação de Funções
34 Tarefas Considere um problema onde uma da variável y depende de três outras grandezas (x1, x2, x3). No entanto, dada a complexidade do processo, não é possível montar um modelo matemático satisfatório. Para solucionar o problema, implemente um PMC como um aproximador universal de funções cuja toplogia é apresentada abaixo: 1 X1 a X3 2 1 Y1 10 Entrada Camada Escondida Saída
35 Tarefas A) Treinar a rede PMC (três entradas/camada escondida com dez neurônios/uma saída) usando os dados do arquivo secao58.txt. Executar o treinamento da rede usando o algoritmo backpropagation. ( training function =traingd; adaption learning function =learngd).. Inicie os pesos com valores aleatórios. Use a função logística (sigmóide) para todos os neurônios exceto o neurônio de saída, com número de épocas = 10000, taxa de aprendizado = 0.1, e precisão 1e-6; B) Repetir o treinamento da rede PMC usando o algoritmo backpropagation com momentum ( training function =traingdm; adaption learning function =learngdm) e os mesmos pesos iniciais da rede da letra A. Use a função logística (sigmóide) para todos os neurônios exceto o neurônio de saída, com número de épocas = 10000, taxa de aprendizado = 0.1, fator de momentum de 0.9 e precisão 1e-6; C) Repetir o treinamento da rede PMC usando o algoritmo Levenberg- Maquard ( training function =trainlm; adaption learning function =learngd) com os mesmos pesos iniciais da rede da letra A. Use a função logística (sigmóide) para todos os neurônios exceto o neurônio de saída, com número de épocas = 10000, taxa de aprendizado = 0.1 e precisão 1e-6;
36 Tarefas D) Para cada uma das redes acima, registre o gráfico da convergência do treinamento (Erro Quadrático Médio x Época) e o tempo gasto para o treinamento; E) Faça o teste de cada uma das redes treinadas usando os dados da tabela abaixo e compare com o valor desejado. Calcule o erro médio e o desvio padrão do erro.
37 Tarefas F) Analise os resultados obtidos. Tabela. Dados de Teste
38 Relatório Organize os resultados na forma de relatório contendo: 1. Objetivo: 2. Materiais e Métodos: teoria, ferramentas, etapas executadas 3. Experimentos e Resultados: descrição do experimento, tabelas de resultados e gráficos 4. Discussão: compare os métodos de treinamento do MLP 5. Referências: quando houver consulta a material bibliográfico
39 Aula Prática 5 Perceptron Multicamadas Predição
40 Tarefas O preço de uma determinada categoria teve seu histórico registrado em tabela (secao510.txt). Implemente um PMC como um preditor de série temporal empregando a topologia abaixo: X(t-1) X(t-2) Y = X(t) X(t-np) n Entrada Camada Escondida Saída
41 Tarefas A) Treinar a rede PMC (cinco entradas/camada escondida com dez neurônios/uma saída) usando os dados do arquivo secao510.txt. Executar o treinamento da rede usando o algoritmo backpropagation com momentum ( training function =traingdm; adaption learning function =learngdm). Inicie os pesos com valores aleatórios. Use a função logística (sigmóide) para todos os neurônios exceto o neurônio de saída, com número de épocas = 10000, taxa de aprendizado = 0.1, fator de momentum de 0.8 e precisão 0.5e-6; B) Treinar a rede PMC (dez entradas/camada escondida com quinze neurônios/uma saída) usando os dados do arquivo secao510.txt. Executar o treinamento da rede usando o algoritmo backpropagation com momentum ( training function =traingdm; adaption learning function =learngdm). Utilize os mesmos pesos iniciais da letra A. Use a função logística (sigmóide) para todos os neurônios exceto o neurônio de saída, com número de épocas = 10000, taxa de aprendizado = 0.1, fator de momentum de 0.8 e precisão 0.5e-6;
42 Tarefas C) Treinar a rede PMC (quinze entradas/camada escondida com vinte e cinco neurônios/uma saída) usando os dados do arquivo secao510.txt. Executar o treinamento da rede usando o algoritmo backpropagation com momentum ( training function =traingdm; adaption learning function =learngdm). Utilize os mesmos pesos iniciais da letra A. Use a função logística (sigmóide) para todos os neurônios exceto o neurônio de saída, com número de épocas = 10000, taxa de aprendizado = 0.1, fator de momentum de 0.8 e precisão 0.5e-6; D) Para cada uma das redes acima, registre o gráfico da convergência do treinamento (Erro Quadrático Médio x Época) e o tempo gasto para o treinamento;
43 Tarefas E) Faça o teste de cada uma das redes treinadas usando os dados da tabela abaixo e compare com o valor desejado. Cálcule o erro médio e o desvio padrão do erro. F) Analise os resultados obtidos. Tabela. Dados de Teste
44 FIM
Matlab - 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 maisRelatório de uma Aplicação de Redes Neurais
UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS
Leia maisRedes Neurais no MATLAB 6.1
Redes Neurais no MATLAB 6.1 Redes Neurais no MATLAB Duas formas de utilização: Linhas de comando, e m-files Interface gráfica (NNTool) 1 Redes Neurais no MATLAB Duas formas de utilização: Linhas de comando,,
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 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 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 maisRelatório da Aula Prática sobre Redes Neurais Artificiais
Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
Toolbox de Redes Neurais MATLAB Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Toolbox de Redes Neurais Introdução ao Matlab Linha de comando NNTool Estudo de Casos Análise de Crédito Bancário (Classificação).
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 20 - Backpropagation
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 20 - Backroagation Introdução Redes de uma camada resolvem aenas roblemas linearmente searáveis Solução: utilizar mais de uma camada Camada 1: uma
Leia maisEXPERIÊNCIAS COM REDE MLP APRENDIZAGEM SUPERVISIONADA PROF. JÚLIO CESAR NIEVOLA, PHD. PPGIA PUCPR ESPECIALIZAÇÃO EM INTELIGÊNCIA COMPUTACIONAL
EXPERIÊNCIAS COM REDE MLP APRENDIZAGEM SUPERVISIONADA PROF. JÚLIO CESAR NIEVOLA, PHD. PPGIA PUCPR ESPECIALIZAÇÃO EM INTELIGÊNCIA COMPUTACIONAL REDES NEURAIS ARTIFICIAIS Laboratório de MLP usando o Ambiente
Leia mais3. REDES DE CAMADA ÚNICA
3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções
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 maisCurso de Redes Neurais utilizando o MATLAB
Curso de Redes Neurais utilizando o MATLAB Victoria Yukie Matsunaga Belém-Pará-Brasil 2012 Esta apostila tem como principal objetivo fornecer um material de auxílio ao Curso de Redes Neurais utilizando
Leia maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola
Leia maisA metodologia utilizada neste trabalho consiste basicamente de três etapas: ensaio, pré-processamento e simulações.
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GCE 20 14 a 17 Outubro de 2007 Rio de Janeiro - RJ GRUPO XIV GRUPO DE ESTUDO DE CONSERVAÇÃO DE ENERGIA ELÉTRICA UTILIZAÇÃO DE REDES
Leia maisAmbiente MATLAB. Redes Neurais. Tela Principal do MATLAB MATLAB 6.5. MATLAB MATrix LABoratory. Programação baseada em Matrizes
Redes Neurais MATLAB 6.5 Ambiente MATLAB MATLAB MATrix LABoratory Programação baseada em Matrizes Vetores e escalares também podem ser considerados matrizes, xn, Nx, x Tela Principal do MATLAB Tela Principal
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 maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
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 maisPrevisão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais
Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José
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 maisPrevisão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais
Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade
Leia maisTrabalho Interdisciplinar. MS Project
Aula Prática: Introdução ao Microsoft Project Professional MS Project Como vimos em nossas aulas, a EAP Estrutura Analítica do Projeto é o primeiro passo para criar um cronograma de um projeto estruturado.
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia 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 maisRedes neurais aplicadas na identificação de variedades de soja
Redes neurais aplicadas na identificação de variedades de soja Fábio R. R. Padilha Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ Rua São Francisco, 5 - Sede Acadêmica, 987-,
Leia maisMEDIÇÃO VIRTUAL DE PRESSÃO POR MEIO DE REDES NEURAIS ATRAVÉS DO PI ACE
Seminário Regional OSIsoft do Brasil 2010 São Paulo, Brasil MEDIÇÃO VIRTUAL DE PRESSÃO POR MEIO DE REDES NEURAIS ATRAVÉS DO PI ACE 28 de Outubro de 2010 André Paulo Ferreira Machado PETROBRAS Empowering
Leia maisA implementação e o estudo. de redes neurais artificiais em ferramentas de software comerciais,
Artigos A implementação e o estudo de redes neurais artificiais em ferramentas de software comerciais Cleber Gustavo Dias Professor do Departamento de Ciências Exatas Uninove. São Paulo SP [Brasil] diascg@uninove.br
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 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 maisRelatório Iniciação Científica
Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:
Leia maisPós-Graduação em Engenharia Elétrica Inteligência Artificial
Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms
Leia maisOBJETIVOS. Aplicar técnicas de inteligência artificial na solução de problemas de controle e automação. EMENTA
Curso: ENGENHARIA ELÉTRICA Unidade Curricular: INTELIGÊNCIA ARTIFICIAL Professor(es): HANS ROLF KULITZ Período Letivo: OPTATIVA Carga Horária: 30 h TEÓRICAS E 30 h PRÁTICA OBJETIVOS Geral: Aplicar técnicas
Leia maisIdentificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica
Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia
Leia maisTutorial de Matlab Francesco Franco
Tutorial de Matlab Francesco Franco Matlab é um pacote de software que facilita a inserção de matrizes e vetores, além de facilitar a manipulação deles. A interface segue uma linguagem que é projetada
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 maisAPARECIDO NARDO JUNIOR APLICAÇÃO DE REDES NEURAIS UTILIZANDO O SOFTWARE MATLAB
FUNDAÇÃO DE ENSINO EURÍPIDES SOARES DA ROCHA CENTRO UNIVERSITÁRIO EURÍPIDES DE MARÍLIA - UNIVEM BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO APARECIDO NARDO JUNIOR APLICAÇÃO DE REDES NEURAIS UTILIZANDO O SOFTWARE
Leia maisOTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS
OTIMIZAÇÃO DE REDES NEURAIS PARA PREVISÃO DE SÉRIES TEMPORAIS Trabalho de Conclusão de Curso Engenharia da Computação Adélia Carolina de Andrade Barros Orientador: Prof. Dr. Adriano Lorena Inácio de Oliveira
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 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 maisAlgoritmos Construtivos. Prof. Júlio Cesar Nievola PPGIA PUCPR Especialização em Inteligência Computacional
Algoritmos Construtivos PPGIA PUCPR Introdução Motivação: transformar o treinamento em um problema simples de aprendizagem de uma célula: Algoritmo da torre Algoritmo da pirâmide Algoritmo de correlação
Leia maisMANUAL DO USUÁRIO. TOOLBOX SIA.
MANUAL DO USUÁRIO. TOOLBOX SIA. 1. Arquivos Disponibilizados. Os seguintes arquivos compõem o toolbox desenvolvido: - Pacote SIA: arquivos de comando tipo M (Malab) que resolvem o GAP utilizando o SIA.
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
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 maisLista de operadores de comparação - > Maior que - < Menor que - <= Menor ou igual a - >= Maior ou igual a - === Igual a -!
Página1 Javascript JavaScript (JS) é uma linguagem de programação client side Funciona no navegador do usuário. É uma linguagem baseada em objetos. "Walmir".length; 6 Para que serve - fazer websites responder
Leia maisPesquisa em Memória Primária. Prof. Jonas Potros
Pesquisa em Memória Primária Prof. Jonas Potros Pesquisa em Memoria Primária Estudo de como recuperar informação a partir de uma grande massa de informação previamente armazenada. A informação é dividida
Leia maisPROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS
Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br
Leia maisPROTÓTIPO PARA PREVISÃO DO MERCADO DE AÇÕES UTILIZANDO BANDAS DE BOLLINGER
PROTÓTIPO PARA PREVISÃO DO MERCADO DE AÇÕES UTILIZANDO BANDAS DE BOLLINGER Adriano Cassaniga Petry Prof. Roosevelt dos Santos Junior - Orientador ROTEIRO Introdução Objetivos Fundamentação Teórica Requisitos
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
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 maisGuia de Início Rápido
Guia de Início Rápido O Microsoft Visio 2013 parece diferente das versões anteriores, por isso criamos este guia para ajudar você a minimizar a curva de aprendizado. Modelos atualizados Os modelos ajudam
Leia maisRedes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia maisUma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro
Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,
Leia maisGravação da quantidade de expostos por grupo homogêneo
Gravação da quantidade de expostos por grupo homogêneo Produto : TOTVS + PPRARobot + PMedPPRACfg + 6.3.27.14/11.7.0.5 Chamado : TDURCI Data da publicação : 13/12/12 País(es) : Brasil Banco(s) de Dados
Leia maisTÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA
TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS
Leia mais1 Inicie um novo. Guia de Referência Rápida de Gerenciamento de Projeto para o Project 2007. projeto
Guia de Referência Rápida de Gerenciamento de Projeto para o Project 2007 1 Inicie um novo Antes de começar um novo, uma organização deve determinar se ele se enquadra em suas metas estratégicas. Os executivos
Leia maisHTML / JAVASCRIPT. A versão atual é o HTML5 (seus predecessores imediatos são HTML 4.01, XHTML 1.1, etc.).
HTML / JAVASCRIPT Estamos iniciando o estudo do HTML através das TAGS (comandos) para construir formulários. Isso facilitará a continuidade dos nossos estudos da linguagem de programação JavaScript, a
Leia maisSumário Introdução... 15 1 Fundamentos... 19 2 Introdução ao IDE Delphi... 25 3 A Linguagem... 33 4 Projetos e Configurações do Ambiente...
Sumário Introdução... 15 1 Fundamentos... 19 1.1 Linguagens de Programação... 19 1.1.1 Métodos de Implementação... 19 1.1.2 A Linkedição (Ligação)... 22 1.2 Ambientes Integrados de Desenvolvimento (Integrated
Leia maisEntrada e Saída. Prof. Leonardo Barreto Campos 1
Entrada e Saída Prof. Leonardo Barreto Campos 1 Sumário Introdução; Dispositivos Externos; E/S Programada; E/S Dirigida por Interrupção; Acesso Direto à Memória; Bibliografia. Prof. Leonardo Barreto Campos
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 maisAprenda as melhores práticas para construir um completo sistema de teste automatizado
Aprenda as melhores práticas para construir um completo sistema de teste automatizado Renan Azevedo Engenheiro de Produto de Teste e Medição -Américas Aprenda as melhores práticas para construir um completo
Leia maisRegressão Linear Multivariada
Regressão Linear Multivariada Prof. Dr. Leandro Balby Marinho Inteligência Artificial Prof. Leandro Balby Marinho / 37 UFCG DSC Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais
Leia maisPROVA DE NOÇÕES DE INFORMÁTICA Cargo 15. Uma pessoa, utilizando o sistema operacional Microsoft Windows, executou a seguinte seqüência de comandos:
8 PROVA DE NOÇÕES DE INFORMÁTICA Cargo 15 QUESTÃO 16 Uma pessoa, utilizando o sistema operacional Microsoft Windows, executou a seguinte seqüência de comandos: I. acessou a pasta Relatorios, selecionou
Leia mais5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS. 5.1 - Os Programas de Avaliação
36 5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS 5.1 - Os Programas de Avaliação Programas de avaliação convencionais foram utilizados para análise de diversas configurações da arquitetura. Estes programas
Leia maisAlgoritmos e Estrutura de Dados. Introdução a Linguagem Python (Parte I) Prof. Tiago A. E. Ferreira
Algoritmos e Estrutura de Dados Aula 1 Introdução a Linguagem Python (Parte I) Prof. Tiago A. E. Ferreira Linguagem a ser Utilizada? Nossa disciplina é de Algoritmos e Estrutura de Dados, e não de linguagem
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS CST em Análise e Desenvolvimento de Sistemas 5ª. Série Programação e Design para Web A atividade prática supervisionada (ATPS) é um procedimento metodológico de ensino-aprendizagem
Leia maisDELPHI 7 LINGUAGEM DE PROGRAMAÇÃO AMBIENTE CLIENTE SERVIDOR
DELPHI 7 LINGUAGEM DE PROGRAMAÇÃO AMBIENTE CLIENTE SERVIDOR Fortaleza - CE Introdução ao ambiente de desenvolvimento delphi e preparação da interface basíca O ambiente delphi foi criado pela Borland Software
Leia maisApresentação MATLAB Simulink & Toolboxes
Apresentação MATLAB Simulink & Toolboxes Tel: (011)816-3144 / Fax:(011)816-7864 Email: info.vendas@opencadd.com.br 24.08.1999. Programa da Apresentação MATLAB 5.3: conceitos Toolboxes Symbolic Math Toolbox;
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 maisFAÇA FÁCIL: DRIVER IGS PARA COMUNICAÇÃO DE PROTOCOLOS PROPRIETÁRIOS INTRODUÇÃO
FAÇA FÁCIL: DRIVER IGS PARA COMUNICAÇÃO DE PROTOCOLOS PROPRIETÁRIOS INTRODUÇÃO O Driver IGS possui um módulo de configuração que possibilita a comunicação com protocolos proprietários. Trata-se do Driver
Leia mais3 Processamento de Dados e Sistemas de Informações Contábil-Financeiros, 12
Apresentação, xiii Prefácio, xv Parte I Introdução ao Problema, 1 1 Introdução, 3 1.1 Problema, 3 1.2 Proposta, 5 2 A Organização, 7 2.1 Visão da empresa, 7 2.2 Sistema empresa, 9 3 Processamento de Dados
Leia maisPlano de Aula - Excel 2010 - cód. 4097 16 Horas/Aula
Aula 1 Capítulo 1 - Introdução ao Microsoft Excel 2010 Aula 2 Capítulo 2 - Pastas e Células Aula 3 Capítulo 3 - Planilhas Plano de Aula - Excel 2010 - cód. 4097 16 Horas/Aula 1.1. Novidades do Excel 2010...
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisAluísio Eustáquio da Silva
1 Aluísio Eustáquio da Silva SciLab Programável Material didático usado em aulas de Programação de Computadores, Algoritmos e Lógica de Programação Betim Maio de 2012 2 PROGRAMAÇÃO O SciLab permite que
Leia maisLaboratório de Física Básica 2
Objetivo Geral: Determinar a aceleração da gravidade local a partir de medidas de periodo de oscilação de um pêndulo simples. Objetivos específicos: Teoria 1. Obter experimentalmente a equação geral para
Leia maisESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL
ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL Macêdo, M. I. F 1, Rosa, J. L. A. 2, Gonçalves, F. 2, Boente, A. N. P. 2 1 Laboratório de Tecnologia de Materiais,
Leia maisCOPPE/UFRJ. CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba
COPPE/UFRJ CPE 721 - Redes Neurais Feedforward Prof.: Luiz Calôba PROGRAMA PARA DEMONSTRAÇÃO DO PROCESSO DE APRENDIZADO DOS NEURÔNIOS DA CAMADA INTERMEDIÁRIA DE UMA REDE NEURAL FEEDFORWARD DE 2 CAMADAS,
Leia maisManual de Administração
Manual de Administração Produto: n-host Versão do produto: 4.1 Autor: Aline Della Justina Versão do documento: 1 Versão do template: Data: 30/07/01 Documento destinado a: Parceiros NDDigital, técnicos
Leia maisAMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO BACHARELADO AMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS Orientando: Oliver Mário
Leia maisPRODUÇÃO INDUSTRIAL DE SUÍNOS E O USO DE REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO DE ÍNDICES ZOOTÉCNICOS NA FASE DE GESTAÇÃO E MATERNIDADE RESUMO
PRODUÇÃO INDUSTRIAL DE SUÍNOS E O USO DE REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO DE ÍNDICES ZOOTÉCNICOS NA FASE DE GESTAÇÃO E MATERNIDADE RESUMO HÉLITON PANDORFI 1 IRAN JOSÉ OLIVEIRA DA SILVA 2 JEFFERSON
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Simulação: Base de Dados, Codificação, Parâmetros Aprendizado: Generalização, Avaliação de Resultados Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando
Leia maisFUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO
FUNDAÇÃO DE APOIO AO ENINO TÉCNICO DO ETADO DO RIO DE JANEIRO PLANO DE CURO 1. Identificação Curso de Extensão: INTRODUÇÃO AO ITEMA INTELIGENTE Professor Regente: José Carlos Tavares da ilva Carga Horária:
Leia maisFerramenta computacional para implementação de redes neuronais optimização das capacidades gráficas
INEB- PSI Technical Report 2007-2 Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas Alexandra Oliveira aao@fe.up.pt Professor Joaquim Marques de Sá December
Leia maisAULA 15 Plugin Preenchimento de Células
15.1 AULA 15 Plugin Preenchimento de Células Nessa aula são apresentadas as funcionalidades do plugin de preenchimento de células. O plugin Preenchimento de Células possibilita calcular valores para atributos
Leia maisControle de congestionamento em TCP
Controle de congestionamento em TCP Uma das funções principais do TCP é gerenciar o fluxo de mensagens entre origem e destino, adaptando a taxa de transmissão da origem à taxa de recepção no destino de
Leia maisComputação Adaptativa
Departamento de Engenharia Informática Faculdade de Ciências e Tecnologia Universidade de Coimbra 2007/08 Computação Adaptativa TP2 OCR Optical Character Recognition Pedro Carvalho de Oliveira (MEI) Nº
Leia maisOrientação a Objetos
Orientação a Objetos 1. Sobrecarga (Overloading) Os clientes dos bancos costumam consultar periodicamente informações relativas às suas contas. Geralmente, essas informações são obtidas através de extratos.
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisMESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação. Aula 02. Prof. Dr. Marco Antonio Leonel Caetano
MESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação Aula 02 Prof. Dr. Marco Antonio Leonel Caetano 1 Guia de Estudo para Aula 02 Comandos de Repetição - O Comando FOR - O comando IF com o comando
Leia maisUniversidade Federal de Santa Maria UFSM Centro de Tecnologia CT. Power Point. Básico
Universidade Federal de Santa Maria UFSM Centro de Tecnologia CT Power Point Básico Santa Maria, julho de 2006 O Power Point é um aplicativo do Microsoft Office direcionado à criação de apresentações.
Leia maisManual do Sistema "Vida Controle de Contatos" Editorial Brazil Informatica
Manual do Sistema "Vida Controle de Contatos" Editorial Brazil Informatica I Vida Controle de Contatos Conteúdo Part I Introdução 2 1 Vida Controle... de Contatos Pessoais 2 Part II Configuração 2 1 Configuração...
Leia maisO que é um Soft Sensor ou Sensor Virtual?
O que é um Soft Sensor ou Sensor Virtual? Sensor virtual é um modelo matemático que calcula, com base nos dados disponíveis nos sistemas de automação, uma variável importante para o monitoramento do processo.
Leia maisTratamento de Dados Utilizando o SciDAVis Tutorial Parte 1 Como construir um gráfico e fazer um ajuste linear
LABORATÓRIO DE FÍSICA EXPERIMENTAL 1 DEPARTAMENTO DE FÍSICA - DAFIS UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ - UTFPR Tratamento de Dados Utilizando o SciDAVis Tutorial Parte 1 Como construir um gráfico
Leia mais