Computação Granular. Faculdade de Engenharia Elétrica e Computação- UNICAMP
|
|
- Jerónimo Paixão Almeida
- 7 Há anos
- Visualizações:
Transcrição
1 Computação Granular Daniel Leite Faculdade de Engenharia Elétrica e Computação- UNICAMP danfl7@dca.fee.unicamp.br III Workshop sobre Teoria de Conjuntos Fuzzy e Incerteza Generalizada Aplicada à Otimização Uberlândia, Julho de 2012
2 Sumário Parte I Computação granular Parte II Sistemas granulares evolutivos Parte III Exemplos de aplicações
3 Parte I Computação granular
4 O que é computação granular? Dicionário Granular: composto de pequenos grânulos Grânulo: pequena quantidade de algo Granularidade:éaextensãoemqueumsistemaé subdividido em partes menores
5 O que é computação granular? Resolução de problemas baseada em diferentes níveis de granularidade(detalhe/abstração) Diferentes níveis de granularidade são essenciais para humanos resolverem problemas
6 Exemplo: cozinhar ovo Regra Colocar o ovo em água fervente por 5 minutos Problema Algumas vezes ovo cru Algumas vezes ovo muito cozido
7 Exemplo: cozinhar ovo Sugestão SE ENTÃO 5 min SE ENTÃO 5 min Solução Granularidade maior do atributo tamanho
8 Exemplo: arrumar mala Solução Granularidade menor do atributo temperatura
9 Reflexão Percebemos e representamos o mundo em diferentes níveis de granularidade Entendemos problemas e soluções em diferentes níveis de abstração Adotamos níveis apropriados de granularidade e mudamos de granularidade com facilidade
10 Granularidade e abstração We look at the world under various grain sizes and abstract from it only those things that serve our present interest. Hobbs, Abstraction allows people to consider what is relevant and to forget irrelevant details which would get in the way of what they are trying to do. Giunchiglia, 1992.
11 Inspiração da GrC* Capturar os princípios básicos usados por humanos para resolver problemas Adotar granularidades necessárias e suficientes Noção de hierarquia - Baixo nível conceitos detalhados/precisos - Alto nível conceitos abstratos/imprecisos *GrC: Granular Computing
12 Computação granular Teorias, metodologias e técnicas que fazem uso de grânulos para resolver problemas Subconjunto do universo grânulo GrC ingredientes básicos - Subconjuntos -Classes -Clusters
13 Definição: grânulo Grânulo: conjunto de objetos que são similares, próximos ou funcionalmente equivalentes, e.g., intervalo, intervalo fuzzy, rough set, cluster, etc.
14 Definição: estrutura granular Estrutura granular: família de grânulos que quando considerados em conjunto remontam o problema original, mais complexo
15 Conceitos fundamentais Grânulo Granulação - Decomposição: grosseira fina(cozinhar ovo) - Construção: fina grosseira(arrumar mala) Relacionamento, hierarquia Estrutura granular
16 Multidisciplinaridade NãoexistemodelounificadodeGrC GrC assume diferentes nomes em áreas correlatas -Fuzzyandroughsets - Interval mathematics - Divide and conquer - Quotient space theory - Information fusion, etc.
17 Pesquisa em GrC GrC é um campo de pesquisa por si mesmo: tem seus próprios princípios, teorias e aplicações Zadeh, 1997, 2005: GrCis a superset of the theory of fuzzy information granulation, rough set theory and interval computations. Generalized Theory of Uncertainty
18 Notas históricas 1979, Zadeh discute granulação da informação 1997, T. Y. Lin sugere o termo computação granu- lar. Um grupo BISC-GrC é formado 2004,IEEECISTaskForceonGrCéproposta 2005, 1st IEEE International Conference on GrC 2009, Journal of Granular Computing, Rough Sets and Intelligent Systems
19 Publicações GrC IEEExplore, ScienceDirect Termos buscados(title, key words) - Granular computing - Information granularity - Information granulation
20
21 Bargiela, A.; Pedrycz, W. Granular Computing: An Introduction. Kluwer Academic Pub. Boston, Pedrycz, W.; Gomide, F. Fuzzy Systems Engineering: Toward Human-Centric Computing. Wiley-Hoboken, 2007.
22 Pedrycz, W.; Skowron, A.; Kreinovich, V. Handbook of Granular Computing. Wiley-Chichester, Pedrycz, W.; Chen, S.-M. Granular Computing and Intelligent Systems. Springer-Verlag, 2011.
23 Tendência e interação Crescimento lento, mas significativo desde 2004 Interação -Fuzzysets -Roughsets - Interval analysis - Outras comunidades...
24 Parte I: considerações finais GrC: termo procurável em bases bibliográficas GrC compartilha generalidades com outros domínios (especialmente em nível conceitual) que ainda não foram exploradas Pesquisa GrC cresce longo caminho pela frente necessita interação/difusão
25 Parte II Sistemas granulares evolutivos
26 Sistemas granulares evolutivos Características visãogranulardefluxosdedados computação com grânulos conhecimento estrutural mínimo adaptação/aproximação online de modelos modelos: base de regras, redes neurais
27 Definição: evolutivo Desenvolvimento gradual da estrutura de um sistema usando fluxo de dados e algoritmo incremental de aprendizagem Regra 1: SE(antecedente) ENTÃO(consequente) Regra c: SE(antecedente) ENTÃO(consequente)
28 Atributos da computação granular granularidade de dados e modelos estrutura granular flexível e interpretável soluções precisas e linguísticas
29 Aproximação singular
30 Aproximação granular
31 Aprendizagem recursiva online Iniciar Fazer 1:lerdadodeentrada 2: acomodar dado 2.1: criar novo grânulo se necessário 2.2: adaptar grânulos existentes 3: descartar dado de entrada 4: atualizar estrutura granular Fim
32 Exemplos de aplicações diagnóstico médico meteorologia econometria transporte& expedição radar redes sociais nariz artificial detecção de fraudes riscos& desastres avião não tripulado ciências sociais...
33 1. Modelagem evolutiva intervalar Características principais de IBeM* processa dados intervalares constrói e adapta grânulos intervalares não admite sobreposição de grânulos *IBeM: Interval Based evolving Modeling
34 Exemplos de dados intervalares índicedemassacorporalentre18e25kg/m 2 temperaturaentre20e27 o C velocidadeacimade40km/heabaixode60km/h
35 Regra IBeM
36 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
37 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
38 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
39 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
40 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função Contração Expansão
41 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
42 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função Gap Grânulos vizinhos
43 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
44 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
45 Algoritmo de aprendizagem Cria e adapta grânulos e regras Refina grânulos existentes Ajusta a granularidade Cobre gaps Mescla grânulos Exclui regras inativas Aproxima função
46 2. Modelagem evolutiva fuzzy Características principais de FBeM* aprende a partir de dados fuzzy união de modelos granulares (fuzzy) locais modelos precisos e linguísticos *FBeM: Fuzzy set Based evolving Modeling
47 Exemplos de dados fuzzy preçodagasolinaemtornoder$2,80 pressão atmosférica aproximadamente Pa correnteelétricade10amaisoumenos0,02a
48 Regra FBeM
49 Granularização de dados fuzzy
50 3. Modelagem evolutiva neuro-fuzzy Características principais de egnn* aprende a partir de dados fuzzy adapta grânulos, neurônios e conexões fusão de informação: neurônios de agregação *egnn: evolving Granular Neural Network
51 Neurônio de agregação fuzzy
52 Exemplo: é uma uninorma Uninorma: U min,max, e = 0.3, v = 0
53
54
55
56
57
58
59
60 Granularização do espaço de saída
61 Parte III Exemplos de aplicações
62 Exemplos de aplicação 1. Classificação semi-supervisionada Rotação de Gaussianas gêmeas (x,c) [h], h = 1,... Fluxo de dados 1 h 200 Conceito estacionário 201 h 400 Rotação gradual de 90 o
63 egnn (depois) Taxa correto/errado 195/5 (97.5%) 5 grânulos egnn (antes) Taxa correto/errado 189/11 (94.5%) 5 grânulos
64 Comparação ROC de classificadores
65 Nova classe (x,c) [h], h = 1,... Fluxo de dados 1 h 199 Duas classes estacionárias h = 200 Mudança abrupta do conceito 201 h 400 Três classes estacionárias
66 egnn (antes) Taxa correto/errado 189/11 (94.5%) 6 grânulos egnn (depois) Taxa correto/errado 185/15 (92.5%) 8 grânulos
67 Mistura de dados rotulados e não-rotulados Problema rotação Gaussianas Problema nova classe
68 2. Previsão de série temporal Previsão de temperatura dados mensais de 5 estações meteorológicas período: Jan à Dez temperatura mínima, máxima e média entradas: x [h-11],..., x [h] saída: y [h+1]
69 Comparação de preditores
70 FBeM previsão singular
71 FBeM previsão granular
72 3. Aproximação de função Telemonitoramento de Parkinson 5875 medições biomédicas de voz 42 pacientes em estagio inicial de Parkinson 16 entradas: amplitude/frequência de harmônicos do sinal de fala uma saída: valor total UPDRS
73 Seleção de variáveis de entrada método leave one variable out: classifica e elimina variáveis progressivamente
74 Comparação de aproximadores
75 FBeM
76 4. Controle Navegação autônoma
77 Regras iniciais
78 IBeM FBeM egnn
79 Saída granular FBeM
80 Comparação de controladores
81 Conclusão sistemas granulares evolutivos: IBeM, FBeM, egnn informação granular e modelos locais adaptativos provê saídas precisas e linguísticas eficiente para processamento de fluxo de dados
82 Comparação das abordagens granulares regras IBeM e FBeM: mais interpretáveis rapidez processamento 1º IBeM 2º FBeM 3º egnn precisão 1ºeGNN 2ºFBeM 3ºIBeM
83 Trabalhos futuros novos métodos de granularização seleção de variáveis granularidade ótima problemas de grande porte análise de complexidade teoremas de aproximação evolutiva
84 Acreditamos que a computação granular pode ter um papel importante em predição e suporte à decisão em sistemas de processamento de informação futuros
85 Agradecimento
86 Motivação da GrC Zadeh: base para a computação com palavras Gomide & Pedrycz: processamento de informação centrada em humanos Bargiela: transformação de dados semânticos Yao: resolução de problemas em nível conceitual; processamento de informação computacional
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisMODELAGEM EVOLUTIVA GRANULAR FUZZY
MODELAGEM EVOLUTIVA GRANULAR FUZZY Daniel F. Leite, Rosangela Ballini, Pyramo Costa, Fernando Gomide Faculdade de Engenharia Elétrica e Computação - Universidade Estadual de Campinas (UNICAMP), Campinas,
Leia maisUniversidade Estadual Paulista Campus de Ilha Solteira. Palestra: Carlos Roberto Minussi DEE FEIS UNESP
Universidade Estadual Paulista Campus de Ilha Solteira Palestra: Lógica Fuzzy (Nebulosa) Carlos Roberto Minussi DEE FEIS UNESP História e Motivação Lógiica Fuzzy Computação com Pallavras Zadeh [1965] desenvolveu
Leia maisPrograma de Pós-Graduação em Engenharia de Sistemas e Automação Departamento de Engenharia - Universidade Federal de Lavras
Programa de Pós-Graduação em Engenharia de Sistemas e Automação Área de Concentração: Engenharia de Sistemas e Automação (Engenharias IV) As atividades de pesquisa na área de concentração em Engenharia
Leia maisAutomação Inteligente
Curso de Graduação em Engenharia Elétrica Universidade Federal da Paraíba Período 2016-2 Automação Inteligente Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Informações
Leia maisXLVI Congresso Brasileiro de Engenharia Agrícola - CONBEA 2017 Hotel Ritz Lagoa da Anta - Maceió - AL 30 de julho a 03 de agosto de 2017
XLVI Congresso Brasileiro de Engenharia Agrícola - CONBEA 2017 Hotel Ritz Lagoa da Anta - Maceió - AL 30 de julho a 03 de agosto de 2017 MODELAGEM FUZZY INCREMENTAL PARA PREVISÃO CLIMÁTICA VANIA C. MOTA
Leia maisRedes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisMinicurso III Mineração de Dados Usando Algoritmos Bioinspirados: Conceitos Básicos e Aplicações Sala 1.04
08h00 10h30 11h30 Hora Domingo, 18 de Setembro de 2011 - - - - - 10h30 - - 11h30 12h00-13h00 Intervalo para Almoço 13h00-13h30 13h30 14h30 15h30 16h30 - - 14h30 - - 15h30 - - 17h00 17h00-17h30 17h30-18h30
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia maisEN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Introdução Filtros adaptativos, os quais têm como meta transformar os sinais portadores de informação em versões limpas ou melhoradas, ajustam suas características de acordo
Leia maisOferta de disciplinas para o período 2014/2
PINF-6000 Projeto e Análise de Algoritmos 14:00-18:00 PINF-6013 Elementos Finitos PINF-6020 Otimização em Grafos PINF-6038 Tópicos Especiais em Informática: Computação Natural - PINF-6038 Tópicos Especiais
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisCONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisAprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Leia maisINE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/10 ÁREAS DA COMPUTAÇÃO 2005: estudo de ACM e IEEE a
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisInteligência Artificial: Introdução
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Inteligência Artificial: Introdução DCA0121 Inteligência Artificial Aplicada Daniel Enos / Heitor Medeiros
Leia maisModelagem Multidimensional
Modelagem Multidimensional Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Modelagem Multidimensional Análises dos usuários de SSD representam
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisLÓGICA NEBULOSA CONTEÚDO
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisUm Algoritmo de Pontos Interiores na Resolução de Problemas de Programação Linear com Coeficientes Fuzzy
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um Algoritmo de Pontos Interiores na Resolução de Problemas de Programação
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisAlgoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
Leia maisPrevisão de séries temporais através da combinação de modelo híbrido ARIMA e redes neurais artificiais
Universidade Federal de Pernambuco Centro de Informática Graduação em Ciências da Computação Previsão de séries temporais através da combinação de modelo híbrido ARIMA e redes neurais artificiais Pedro
Leia maisRaciocínio Baseado em Casos (Case Based Reasoning CBR)
Inteligência Artificial Escola de Verão 2007 Laboratório Associado de Computação e Matemática Aplicada LAC Raciocínio Baseado em Casos (Case Based Reasoning CBR) www.lac.inpe.br/~demisio/ia_lac.html Paradigma
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisArquitetura de Software: Introdução
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Arquitetura de Software: Introdução SSC-121 Engenharia de Software I Profa. Dra. Elisa Yumi Nakagawa 2º semestre de 2012 Conteúdo
Leia maisTÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA
TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA 1. Técnicas Inteligentes Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ A expressão Técnicas Inteligentes é utilizada neste
Leia maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia maisInteligência Artificial
Inteligência Artificial Prof. Rafael Stubs Parpinelli DCC / UDESC-Joinville parpinelli@joinville.udesc.br www.joinville.udesc.br/portal/professores/parpinelli Material de apoio: Stuart Russel, Peter Norvig.
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
Leia maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisRESOLUÇÃO N.º 1010/2005 ANEXO II MODALIDADE ELÉTRICA NIVALDO J. BOSIO
RESOLUÇÃO N.º 1010/2005 ANEXO II MODALIDADE ELÉTRICA NIVALDO J. BOSIO 1. CATEGORIA ENGENHARIA 1.2 - CAMPOS DE ATUAÇÃO PROFISSIONAL DA MODALIDADE ELÉTRICA 1.2.1 Eletricidade Aplicada e Equipamentos Eletroeletrônicos
Leia maisModelo neural hierárquico para obtenção de comportamento adaptativo em um agente robótico
Modelo neural hierárquico para obtenção de comportamento adaptativo em um agente robótico Eduardo W. Basso ewbasso@inf.ufrgs.br Semana Acadêmica 2005 PPGC UFRGS Motivação Desenvolvendo sistemas inteligentes
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisAlgarve. A2 Aprendizagem Automática ML Machine Learning 7/15/2013
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil A2 Aprendizagem Automática ML Machine Learning Julho e Agosto de 2013 José Valente
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Leia maisEcho State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Leia maisUma breve introdução ao Curso de Computação Científica / Algoritmos Numéricos II
Uma breve introdução ao Curso de Computação Científica / Algoritmos Numéricos II Lucia Catabriga luciac@inf.ufes.br March 28, 2017 Lucia Catabriga (UFES) ANII e CC DI/PPGI/PPGEM March 28, 2017 1 / 27 Contextualizando
Leia maisAprendizado por imitação usando Redes Neurais
Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Aprendizado por imitação usando Redes Neurais Aluna: Valéria de Carvalho Santos Profª. Dra. Roseli A. F. Romero 2 Sumário Introdução
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisIncertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy
Incertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy Rogério Vargas Dr. Luciano Vitoria Barboza, orientador Dra. Graçaliz Pereira Dimuro, co-orientadora Pelotas-RS,
Leia maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisAprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
Leia maisAPLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC
APLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC Henrique Silva Costa henriquesilva_052@hotmail.com Rafael Furtado Seeberger rafaelseeberger@gmail.com Thiago
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisImprecise Reasoning in Geographic Information Systems. Rodrigo Smarzaro da Silva DCC889 TBD Bancos de Dados Geográficos
Imprecise Reasoning in Geographic Information Systems Rodrigo Smarzaro da Silva DCC889 TBD Bancos de Dados Geográficos Introdução Fazemos escolhas espaciais o tempo todo(conscientes ou não) Escolhas geralmente
Leia maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia mais1.1. Breve Histórico do Planejamento Energético no SEB
1 Introdução A utilização de Programação Dinâmica Estocástica (PDE) para o planejamento da operação de sistemas hidrotérmicos foi considerada inviável devido ao mal da dimensionalidade, que ocorre devido
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisIntrodução ao Curso de Algoritmos Numéricos II /
Introdução ao Curso de Algoritmos Numéricos II / Computação Científica Andrea M. P. Valli, Lucia Catabriga avalli@inf.ufes.br, luciac@inf.ufes.br March 19, 2018 Andrea M. P. Valli, Lucia Catabriga (UFES)
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia maisInteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
Leia maisInteligência Artificial. Prof. Ilaim Costa Jr.
Inteligência Artificial Prof. Ilaim Costa Jr. 4) Ciência da Computação 4) Ciência da Computação Exemplos de Aplicação da IA Matemática: demonstração
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO 1. INTRODUÇÃO
ALGORITMOS GENÉTICOS, QUADTREE E LÓGICA FUZZY NA SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS COM ALTO DESEMPENHO SILVA, Frederico Corrêa da 1 ; AGUIAR, Marilton Sanchotene de 1. 1 Programa de Pós-Graduação
Leia maisUma Proposta Distribuída para Detecção de Intrusão, Hierárquica, Mul=agente e Consciente de Situação
Uma Proposta Distribuída para Detecção de Intrusão, Hierárquica, Mul=agente e Consciente de Situação Ricardo Almeida 1, Roger Machado 1, Diórgenes Yuri da Rosa 2, Lucas Donato 3, Adenauer Yamin 1, Ana
Leia maisNotas de Aula 03: Introdução a Orientação a Objetos e a UML
Notas de Aula 03: Introdução a Orientação a Objetos e a UML Objetivos da aula: Introduzir os conceitos da Orientação à Objetos (O.O) Introduzir os conceitos da UML Relacionar os processos às ferramentas
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia mais4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA
94 4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA 4.1 INTRODUÇÃO Conforme dito no capítulo 1, a diminuição das perdas técnicas e comerciais é uma das principais prioridades das
Leia maisCARACTERIZAÇÃO DE POLÍTICA ÓTIMA DE UM PMD PARA ALOCAÇÃO DINÂMICA DE RECURSOS E CONTROLE DE ADMISSÃO DE CONEXÃO EM REDES IEEE 802.
sid.inpe.br/mtc-m19/2010/11.10.13.41-rpq CARACTERIZAÇÃO DE POLÍTICA ÓTIMA DE UM PMD PARA ALOCAÇÃO DINÂMICA DE RECURSOS E CONTROLE DE ADMISSÃO DE CONEXÃO EM REDES IEEE 802.16 Cynthia Feitosa Leal Relatório
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maisA Evolução da Inteligência Artificial Fabio G. Cozman Escola Politécnica, USP
A Evolução da Inteligência Artificial Fabio G. Cozman Escola Politécnica, USP CIA&AM Localizado na Escola Politécnica Foco em Inteligência Artificial e Aprendizado de Máquina A filosofia da IA Será possível
Leia maisOferta de disciplinas para o período 2015/2
PINF-6000 Projeto e Análise de Algoritmos PINF-6013 Elementos Finitos PINF-6017 Metodologia de Pesquisa PINF-6037 Teoria dos Grafos 10:00- PINF-6038 Tópicos Especiais em Informática: Aspectos Computacionais
Leia maisModelagem de Objetos Inteligentes de Aprendizagem utilizando a metodologia MaSE
CINTED-UFRGS Novas Tecnologias na Educação Modelagem de Objetos Inteligentes de Aprendizagem utilizando a metodologia MaSE Júlia Marques Carvalho da Silva Ricardo Azambuja Silveira Universidade Federal
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 01 - Introdução O Que é Inteligência Artificial? [Winston, 1984]: "Inteligência artificial é o estudo das ideias que
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 maisAprendizado de Máquina
Aprendizado de Máquina Aula #8.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã Conhecimento: abstração (modelo) das relações existentes entre as informações contidas nos
Leia mais5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 09 Árvores de Decisão Max Pereira Classificação É a tarefa de organizar objetos em uma entre diversas categorias pré-definidas. Exemplos
Leia maisMetodologia de Desenvolvimento de Sistemas Informação
Instituto Superior Politécnico de Ciências e Tecnologia Metodologia de Desenvolvimento de Sistemas Informação Prof Pedro Vunge http://pedrovunge.com I Semestre de 2019 Capítulo 2 TECNOLOGIAS PARA DATA
Leia maisFUZZY. Palavras-Chaves: Lógica Fuzzy;Matemática Intervalar; Inferência Fuzzy Intervalar.
VERSÃO INTERVALAR PARA SISTEMAS DE FUZZY INFERÊNCIA Maria Mônica Macedo Torres Silveira 1 Benjamín René Callejas Bedregal 2 Resumo Em sistemas de inferência fuzzy, a especificação do grau de pertinência
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia maisPROGRAMA ANALÍTICO E EMENTA DE DISCIPLINA DA PÓS GRADUAÇÃO
Semestre Letivo PROGRAMA ANALÍTICO E EMENTA DE DISCIPLINA DA PÓS GRADUAÇÃO Duração em Semanas I ( X ) II 17 IDENTIFICAÇÃO Disciplina Código Simulação Hidrológica Departamento Sigla da Unidade Engenharia
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisProtocolo Híbrido de comunicação em RSSF móvel com coordenação baseada em enxame de robôs com comunicação contínua com a base
Protocolo Híbrido de comunicação em RSSF móvel com coordenação baseada em enxame de robôs com comunicação contínua com a base Gutierre Andrade Duarte Roteiro 1. Introdução 2. Revisão de Protocolos Existentes
Leia mais