Sistema Conexionista para Auxilio de Detecção de Fraudes em Trabalhos Acadêmicos
|
|
- Vergílio Fialho Mendonça
- 6 Há anos
- Visualizações:
Transcrição
1 Sistema Conexionista para Auxilio de Detecção de Fraudes em Trabalhos Acadêmicos Douglas Pereira Pasqualin 1, João Ricardo Bittencourt 2 1 Centro Universitário Franciscano (UNIFRA) Rua Andradas Santa Maria RS Brasil 2 Universidade do Rio do Vale dos Sinos (UNISINOS) Av. Unisinos São Leopoldo RS Brasil douglas.pasqualin@gmail.com, jrbitt@ludensartis.com.br Abstract. Nowadays the plagiarism is common in universities. The growing of Internet and easily access to computer are factors to contribute to cheating. This paper shows a purpose of computational solution to help professors in plagiarism detection in academic papers. This initial purpose consists to metric extraction in texts and after that to use these to train an Artificial Neural Network. This is responsible to define for texts a level of plagiarism used to order academic works by probability of cheating. Resumo. Atualmente o plágio está se tornando cada vez mais comum no meio acadêmico. A facilidade do uso do computador associada ao grande crescimento da Internet é um dos fatores que contribui para isso. Este artigo apresenta uma proposta de solução informatizada para auxiliar os docentes na detecção de fraudes em trabalhos acadêmicos. Esta proposta consiste inicialmente na extração de métricas dos textos sendo posteriormente usada no treinamento de uma Rede Neural Artificial para classificar os textos como sendo fraudes ou não. 1. Introdução A Internet é atualmente, uma poderosa ferramenta, usada principalmente para comunicação e pesquisas. Apesar dessas facilidades, copiar partes ou todo o trabalho de uma pessoa (artigos, dissertações, monografias), simplesmente trocando o nome do autor, torna-se uma prática bastante comum no ambiente acadêmico. Inclusive existem sites especializados na comercialização de trabalhos acadêmicos. É importante ressaltar que o plágio é uma violação de direito autoral, previsto no código penal brasileiro, em especial no Artigo 179 e 184 que prevê o crime de estelionato e violação de direito autoral respectivamente, com penas de três meses a cinco anos de reclusão, mas na maioria das situações nada acontece, pois o único que pode entrar com uma ação judicial é o proprietário da obra. Conforme [1], vários são os fatores que levam os discentes a tal ato: não ter tempo para pesquisar e escrever, medo de fracassar, necessidade de tirar a melhor nota, pressão dos pais e preguiça são alguns dos fatores. Considerando essas infrações no âmbito acadêmico podem ser geradas punições administrativas. Além disso, trata-se de um problema ético bastante grave que deve ser estudado com os discentes. Portanto simplesmente ignorar o fato do plágio em sala de aula é estar em concordância com a ilegalidade e não estar colaborando com a formação
2 do cidadão. Tal prática também se torna bastante problemática do ponto de vista didático, pois acaba desestimulando o docente em adotar técnicas mais construtivas para avaliação do processo de aprendizagem dos alunos, pois sabe-se que muitos alunos irão recorrer a esta prática ilícita. Para o docente adotar práticas de elaboração de trabalhos científicos, tais como artigos e preocupando-se com a proliferação do plágio e na formação ética de seus estudantes, o docente deverá passar um longo período de tempo pesquisando na Internet por materiais semelhantes aos artigos entregues pelos alunos. Certamente esta busca é exaustiva, tornando praticamente impossível de ser realizada em algumas situações, principalmente quando o prazo para as correções é curto e/ou quanto ao número de aprendizes for muito elevado. Já existem algumas ferramentas que auxiliam na detecção do plágio em trabalhos acadêmicos como o Glatt Plagiarism Program [2] e o Turnitin [3]. Entretanto, tratam-se de soluções comerciais proprietárias e focadas na língua inglesa. A solução atual e mais econômica, usada por muitos professores consiste em copiar trechos do trabalho do aluno e fazer buscas em sites de busca, como o Google, para verificar se retornam resultados positivos, a fim de se identificar o plágio, ou simplesmente observando o texto à procura de evidências de fraude [4]. Para auxiliar na detecção do plágio está sendo desenvolvido um software, sob a filosofia de Software Livre que permita o docente criar uma lista ordenada de trabalhos por probabilidade de plágio através da criação de um índice de plágio para o trabalho acadêmico. É importante destacar que esta solução está focando a Língua Portuguesa. O objetivo do presente artigo é apresentar os resultados iniciais desta investigação e o procedimento metodológico para implementação da solução proposta, e está divido em quatro partes. Na parte 2 será descritivo o funcionamento do sistema desenvolvido; na parte 3 é efetuada uma breve introdução à metodologia conexionista e na parte 4 são feitas as considerações finais. 2. Proposta da solução computacional Inicialmente, para fins experimentais, o sistema está sendo desenvolvido em Delphi e Java, mas futuramente pretende-se desenvolvê-lo totalmente em Java, tornando-o multiplataforma e possibilitando integrá-lo com ambientes virtuais de aprendizagem, criando um sistema totalmente baseado na web e de fácil uso para o docente. A metodologia que está sendo usada trata-se dos passos que o sistema proposto para efetuar a detecção de plágio irá executar: 1. Converter o documento no formato PDF para um formato de texto puro (ASCII). Para efetuar esta conversão adotou-se o software XPDF [5]. Pressupõe-se como padrão que o aluno irá entregar o artigo no formato PDF, entretanto futuramente pretende-se estender a aplicação para outros formatos de texto Além disso, parte-se da condição que o artigo está formatado conforme os padrões estabelecidos pela Sociedade Brasileira de Computação (SBC); 2. Extrair frases do documento de texto gerado (ASCII), adotando algumas heurísticas para evitar a inclusão de frases não significativas. Primeiramente descartamse frases com menos de quatro palavras, evitando assim frases comuns, como: isto é, mas porém, por exemplo, entre outras frases. Uma frase é extraída do texto sempre que forem encontrados os seguintes caracteres: vírgula, ponto, ponto e vírgula, dois pontos, parênteses, colchetes, aspas e sustenido. Além disso, as frases que tratam-se de datas são ignoradas. Para isto adotou-se um autômato que reconhece o padrão textual
3 como uma data. Cada frase possui no máximo dez palavras, pois este é o limite usado para efetuar uma pequisa no Google. Estas frases são armazenadas em um arquivo auxiliar na mesma seqüência que foi encontrada no documento. É possível também cadastrar frases que devem ser ignoradas quando encontradas, tais como nomes de universidades e outras frases que retornam muitos resultados no Google e que não são significativas. Segundo [6], o Google foi desenvolvido para ser uma ferramenta de busca de larga escala que provém resultados de alta qualidade mesmo com o rápido crescimento da web, por este motivo o Google foi escolhido como o site onde serão feitas as buscas. 3. Para cada frase extraída no passo 2 verificar o resultado total de uma busca efetuada no Google usando tal frase. Assim associa-se um valor numérico a cada frase que corresponde ao grau de similaridade de uma frase de um documento com as demais frases de outros documentos encontrados na web. Para evitar um longo período de tempo para efetuar as buscas, adotou-se empiricamente que se o total de frases extraídas de um documento for maior que 200 (duzentos) a busca é efetuada por amostragem. Preservando a seqüência das frases são selecionadas aleatoriamente frases gerando uma amostra que garanta um nível de confiança de 95% e uma margem de erro de 5%. 4. Organizar o total de frases em dez grupos. Para cada grupo é somado o resultado da busca efetuada no Google para cada frase pertencente ao grupo. Assim, cria-se um vetor com dez posições contendo os resultados para cada zona do texto, a posição zero do vetor representa o início do texto, enquanto que a posição nove representa o final do documento. Feito isto, normaliza-se os resultados para o intervalo [0;1] adotando como valor máximo o maior número de resultados encontrados em uma região das dez posições. Destaca-se que definiu-se dez grupos de forma empírica para os testes iniciais. Este número poderá ser alterado nos próximos experimentos. Na Figura 1 e 2 é possível visualizar a divisão dos grupos e a normalização dos resultados. Destacase que nestes exemplos visualmente é possível verificar uma distribuição de freqüência diferenciada para um texto que não constitui plágio e outro que foi copiado da Internet. Com exceção do último grupo, que trata-se da região referente a bibliografia do artigo, um texto plagiado possui sempre alguma variação nas freqüências do grupo. Acredita-se que este padrão possa ser reconhecido por uma Rede Neural Artificial (RNA) e sirva como base para detecção de fraudes. Exemplo Não Plágio Valor Grupos Figura 1. Distribuição de freqüência para exemplificar a divisão dos grupos (Exemplo Não Plágio).
4 Exemplo Plágio Valor Grupos Figura 2. Distribuição de freqüência para exemplificar a divisão dos grupos (Exemplo Plágio). 5. Utilizar uma Rede Neural Artificial (RNA) previamente treinada (veja a seção 3) para classificar o texto como plágio ou não-plágio. A RNA possui uma saída que permite uma representação binária que retorna um valor contínuo entre o intervalo [0;1] no qual o resultado zero indica (não-plágio) e o resultado 1 indica (plágio). Desta forma atribui-se um grau de plágio ao documento que está sendo avaliado. No caso de uma aplicação para um docente que possui vários trabalhos para serem consultados é possível ordenar de forma decrescente os trabalhos pelo grau de plágio. Na Figura 3 é apresentado o sistema que está sendo desenvolvido para viabilizar os testes iniciais. Figura 3: Tela do sistema desenvolvido em Delphi, em funcionamento. A caixa a direita da Figura 1, são os procedimentos que podem ser feitos. Eles consistem no que foi explicado nos passos de 1 à 4. O botão no canto inferior esquerdo, abre a tela para cadastro de frases não significativas, conforme descrito no final do passo 2. Conforme cada passo vai sendo executado, um log é apresentado na tela.
5 Na Figura 4 é apresentada a tela onde são feitas as buscas no Google. O primeiro número a esquerda é o número seqüencial da frase, e o de dentro dos parênteses é o número de resultados conseqüente da busca feita no Google. Figura 4: Tela do sistema de buscas, desenvolvido em Java. 3. Abordagem Conexionista Para verificação do nível de plágio dos documentos será usada uma RNA, que consiste num modelo matemático, semelhante a estrutura neural biológica e possui a capacidade de aprendizado e generalização [7]. Para atribuir um grau de plágio para um documento será adotada uma RNA cuja topologia trata-se de uma rede feed-forward treinada com o algoritmo de aprendizado supervisionado, Backpropagation [8]. Serão usadas dez entradas (vetor normalizado de resultados descrito no passo 5 da seção 2) para RNA e uma saída (grau de plágio). O aplicativo descritivo anteriormente será usado para criar as bases de exemplos (treino e teste). Para cada arquivo que será usado como exemplo são executados os passos de 1 à 5 para criar o vetor de resultados que será rotulado como plágio (1) ou não-plágio (0), por um operador humano. Este operador é um professor portador do conhecimento especializado para desempenhar tal tarefa. Para o teste inicial foi escolhido o algoritmo Backpropagation, pois é bastante utilizado e eficiente para problemas de classificações de padrões [9][10], mas pretende-se utilizar outros algoritmos e métodos em trabalhos futuros. Além disso, tal técnica já é estudada pelos pesquisadores [11]. As bases de exemplos usadas para treinamento e validação serão criadas a partir de artigos publicados em anais em CD-ROM da SBC, na criação de documentos que tratam-se de cópias literais de textos da Internet e artigos entregues por alunos da graduação. O treinamento está sendo efetuado usando o Nevprop [12] e o arquivo de pesos gerado por este aplicativo será usado pelo ANNeF [13] (framework livremente distribuído para ser utilizado em aplicações que requerem algoritmos de RNA, desenvolvido em Java) para ser integrado no sistema e utilizado no passo 5 conforme foi descrito na seção 2.
6 4. Considerações Finais e Trabalhos Futuros As etapas iniciais da proposta já foram implementadas, como efetuar as buscas no Google e gerar o arquivo para treinamento e teste da RNA, a etapa de treinamento da RNA ainda encontra-se em fase inicial. Após o término desta etapa pretende-se migrar o sistema para Java e testar outros métodos para a classificação de plágio, tais como: outros algoritmos de RNA, Árvores de Decisão, análise de correlação e algum método baseado no estilo do autor como proposto em [14]. Existe a possibilidade de utilizar as classes Java em PHP integrando a solução ao ambiente TelEduc (Sistema para ensino a distância desenvolvido pelo Núcleo de Informática Aplicada à Educação da UNICAMP) [15] ou tornar a solução proposta genérica para ser usado em qualquer comunidade virtual de aprendizagem. Desenvolvendo este sistema espera-se estar colaborando com a qualificação do ensino superior, seja em relação à qualidade dos artigos produzidos pelos discentes quanto na formação ética dos acadêmicos. Referências Bibliográficas [1] SHEARD, Judy; DICK, Martin. Influences on cheating practice of graduate students in IT courses: what are the factors? In: Proceedings of the 8th annual conference on Innovation and technology in computer science education, p [2] Glatt Plagiarism Program, disponível em acesso em 12/03/2005. [3] Turnitin, acesso em 12/03/2005. [4] EYSENBACH, Gunther. Report of a case of cyberplagiarism - and reflections on detecting and preventing academic misconduct using the Internet. Journal of Medical Internet Research: Volume 2, Issue1, Article e.4, [5] XPDF, disponível em acesso em 15/12/2004. [6] BRIN, Sergey; Page Lawrence. The anatomy of a largescale hypertextual Web search engine. In: Proceedings of the seventh International World Wide Web Conference, 1998, p [7] REZENDE, Solange Oliveira (org.). Sistemas Inteligentes: Fundamentos e Aplicações. Ed. Manole, 2003, 525p [8] RUMELHART, D.; HINTON, G.; WILLIAMS, R. Learning internal representations by error propagation. In: RUMELHART, D.; MACCLELLAND, J.L. Parallel distributed processing: explorations in the microstructure of cognition. Cambridge: MIT Press, v.1. [9] BITTENCOURT, J. R.; OSÓRIO, Fernando. S. O Uso de Redes Neurais Artificiais na Detecção de Pele em Imagens Digitais visando o Reconhecimento de Gestos. In: XI SEMINCO, 2002, Blumenau. Anais do XI Seminário de Computação (SEMINCO). Blumenau: Universidade Regional de Blumenau, v. 1. p [10] BITTENCOURT, J. R.; OSÓRIO, Fernando. S. O Uso de Redes Neurais Artificiais no Processamento de Imagens Inteligente. In: I Workshop de Computação Aplicada, 2002, São Leopoldo. Anais do I Workshop de Computação Aplicada. São Leopoldo: UNISINOS, 2002.
7 [11] BITTENCOURT, J. R.; OSÓRIO, Fernando. S. Processamento de Imagens Inteligente usando Redes Neurais Artificiais. In: Marininha Aranha Rocha; Tania Rodrigues da Cruz. (Org.). Aprendizado, criação e integração na Iniciação Científica. Porto Alegre, 2002, v., p [12] NevProp Artificial Neural Network Software, disponível em acesso em 14/03/2005 [13] BITTENCOURT, J. R.; OSÓRIO, F. S. ANNeF - Artificial Neural Networks Framework: Uma Solução Software Livre para o Desenvolvimento, Ensino e Pesquisa de Aplicações de Inteligência Artificial Multiplataforma. In: II WORKSHOP SOBRE SOFTWARE LIVRE. Porto Alegre: Sociedade Brasileira de Computação, p [14] GRUNER, Stefan; NAVEN, Stuart. Tool Support for Plagiarism Detection in Text Documents. In: Proceedings of the 2005 ACM symposium on Applied computing, p [15] TelEduc, acesso em 12/03/2005.
Identificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisSeiji Isotani CURRICULUM VITAE
Seiji Isotani CURRICULUM VITAE São Paulo 2004 1. Dados Pessoais Nome: Seiji Isotani Data e Local de Nascimento: 09/09/1979, Osasco/SP - Brazil Endereço Atual : Osasco, SP Brazil Telefone: (11) 3609-1033
Leia maisA pesquisa no ensino de computação. Práticas de ensino de algoritmos (Hazzan, Cap. 4) Péricles Miranda
A pesquisa no ensino de computação Práticas de ensino de algoritmos (Hazzan, Cap. 4) Péricles Miranda Existe pesquisa na área de ensino? Existe uma variedade de tópicos Conhecimento de novatos Investiga
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 maisUma ferramenta para expansão do vocabulário com base em coocorrência
Resumos Expandidos: XI Mostra de Estagiários e Bolsistas... 11 Uma ferramenta para expansão do vocabulário com base em coocorrência Exupério Lédo Silva Júnior 1 Roberta Akemi Sinoara 2 Solange Oliveira
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 maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
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 maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 70-000 Tel: (7)-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP
Leia maisTrabalho Prático 1. Valor: 1,0 pontos (10% da nota total) Data de Entrega: 02/05/2010
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Programa de Pós-Graduação em Ciência da Computação Projeto e Análise de Algoritmos - 1 o semestre de 2010 Professor: David Menotti
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -
Leia maisScholarApp: um catálogo de aplicativos educacionais
ScholarApp: um catálogo de aplicativos educacionais Daniel Victor Nunes dos Santos 1 Wellington Gonçalves Ferreira Brito 2 Cleiane Gonçalves Oliveira 3 1 Instituto Federal do Norte de Minas Gerais (IFNMG)
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisSistema de Informação
Sistema de Informação TCC em Re vista 2009 125 LOTTE, Rodolfo Georjute. Aprendizado conexionista em um sistema de busca por imagens. 2009. 104 f. Trabalho de Conclusão de Curso (Graduação em Sistemas
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Sistema de Sumarização Automática de Textos Baseado em Classes de Documentos PROPOSTA DE TRABALHO DE GRADUAÇÃO
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS CST em Análise e Desenvolvimento de Sistemas 3ª Série Programação Estruturada II A Atividade Prática Supervisionada (ATPS) é um procedimento metodológico de ensino-aprendizagem
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 mais6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC5004 - APRENDIZADO DE MÁQUINA
Leia maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
Leia maisIntrodução à Lógica de Programação e Aplicativos Instrumentais
MATEMÁTICA Tema da aula: Introdução à Lógica de Programação e Aplicativos Instrumentais Professor: Dr. Rodrigo Choji de Freitas 2 Algoritmo AREACIRCUNFERENCIA VAR RAIO, AREA: REAL INÍCIO ESCREVA ( DIGITE
Leia mais8 Trabalho de Conclusão de Curso (TCC)
8 Trabalho de Conclusão de Curso (TCC) A seguir, relaciona-se informações do Trabalho de Conclusão de Curso (TCC). No ano de 2009, houve uma modificação significativa no trabalho final a ser apresentado.
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 mais6 Conclusões e Trabalhos Futuros
6 Conclusões e Trabalhos Futuros O presente trabalho tem por objetivo analisar o modelo desenvolvido por Jon Kleinberg, o HITS, bem como os seus desdobramentos existentes na literatura e, ainda, desenvolver
Leia maisTrabalho de Conclusão de Curso 2 (TCC 2) Regulamentos, Prazos e Documentos
Trabalho de Conclusão de Curso 2 (TCC 2) Regulamentos, Prazos e Documentos - 2014-1 Prof. Dr. Luiz Eduardo Melo Lima Responsável pelos TCC de Engenharia Mecânica e de Engenharia de Produção Mecânica lelima@utfpr.edu.br
Leia maisRevisão/Mapeamento Sistemático
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação SSC0572 - Computadores, Sociedade e Ética Profissional Revisão/Mapeamento Sistemático Prof. Dr. José Carlos Maldonado PAE: Pedro
Leia maisPRODUTO EDUCACIONAL JARDEL SANTOS CIPRIANO. Orientador: Prof. Dr. Ivan Marcelo Laczkowski
PRODUTO EDUCACIONAL JARDEL SANTOS CIPRIANO Orientador: Prof. Dr. Ivan Marcelo Laczkowski Campo mourão Agosto de 2016 Sumário 1. INTRODUÇÃO... 3 2. DESENVOLVIMENTO DO PRODUTO EDUCACIONAL... 4 2.2 Exemplo
Leia maisSERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DE PERNAMBUCO Centro de Informática Departamento de Sistemas de Computação
SERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DE PERNAMBUCO Centro de Informática Departamento de Sistemas de Computação CONCURSO PÚBLICO PARA DOCENTES DO MAGISTÉRIO SUPERIOR Edital nº 42, de 27 de maio
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisInteligência Artificial
Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação
Leia mais2º/3º Ciência da Computação (CC)
2º/3º Ciência da Computação (CC) Orientações para a disciplina de Atividades Práticas Supervisionadas 2017 TEMA PROPOSTA DO TRABALHO APRESENTAÇÃO DO TRABALHO ATIVIDADES PRÁTICAS SUPERVISIONADAS (APS) I.
Leia maisProgramação Estruturada Aula - Introdução a Linguagem de Programação
Programação Estruturada Aula - Introdução a Linguagem de Programação Prof. Flávio Barros flavioifma@gmail.com www.flaviobarros.com.br ORGANIZAÇÃO BÁSICA DE UM COMPUTADOR 2 ORGANIZAÇÃO BÁSICA DE UM COMPUTADOR
Leia maisTCC EM SISTEMAS DA INFORMAÇÃO
Aula 1-Análise Crítica do Projeto TCC Versão: LR 2015.08.13 Apresentar as regras da disciplina. Oque deve ser desenvolvido como produto final; Os eixos de pesquisa da área de conhecimento da Informática.
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
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 maisMINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA INSTITUTO FEDERAL DO NORTE DE MINAS GERAIS CAMPUS MONTES CLAROS 1 PERÍODO
6.4 Matriz Curricular do Curso de Ciência da Computação 6.4.1 Componentes curriculares obrigatórios 1 PERÍODO Teórica Prática Hora-aula Horas Cálculo I 6 2 8 144 120 - Geometria Analítica e Vetores - Dados
Leia maisCURSO DE CIÊNCIA DA COMPUTAÇÂO (65C) HABILITAÇÃO: BACHARELADO TURNO: DIURNO (a partir de 2014)
CURSO DE CIÊNCIA DA COMPUTAÇÂO (65C) HABILITAÇÃO: BACHARELADO TURNO: DIURNO (a partir de 2014) Equivalência 1 o Período 24 créditos 360 horas MAT154 Cálculo I 04 60 ------- MAT154E MAT155 Geometria Analítica
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
Leia maisMATRIZ CURRICULAR BACHARELADO EM ENGENHARIA DA COMPUTAÇÃO. 1º Período
MATRIZ CURRICULAR BACHARELADO EM ENGENHARIA DA COMPUTAÇÃO 1º Período Código Disciplina CHT 1 CHP 2 CH Total Pré-requisitos Dados I 40 40 80 - Cálculo I 80-80 - Fundamentos da Computação 40-40 - Fundamentos
Leia maisREGULAMENTAÇÃO DO TRABALHO DE CONCLUSÃO DE CURSO (TCC I E II) DO CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
REGULAMENTAÇÃO DO TRABALHO DE CONCLUSÃO DE CURSO (TCC I E II) DO CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO I APRESENTAÇÃO E CARACTERIZAÇÃO ART 1º. Considera-se Trabalho de Conclusão de Curso as atividades
Leia maisORIENTAÇÕES SOBRE O TC (TRABALHO DE CURSO)
ORIENTAÇÕES SOBRE O TC (TRABALHO DE CURSO) 1. O que é Trabalho de Curso (TC) no curso de graduação da FDSM a partir do 2º semestre de 2019? O Trabalho de Curso (TC) na FDSM, no formato Monografia, é fruto
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais MLP: Modelos Avançados - Acelerando o Back-Propagation Modelos: Rprop, Quick-Prop, Cascade-Correlation Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando
Leia maisAprendizagem de Máquina - 2. Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aprendizagem de Máquina - 2 Prof. Júlio Cesar Nievola PPGIa - PUCPR Inteligência versus Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha Comportamento
Leia maisKDD E MINERAÇÃO DE DADOS:
KDD E MINERAÇÃO DE DADOS: Prof. Ronaldo R. Goldschmidt Instituto Militar de Engenharia Seção de Engenharia de Computação (SE/8) ronaldo.rgold@ime.eb.br / ronaldo.rgold@gmail.com Coleta de dados em vários
Leia maisPlano de Trabalho Docente 2017 Ensino Técnico
Plano de Trabalho Docente 2017 Ensino Técnico Plano de Curso nº 160 aprovado pela portaria Cetec nº 138 04/10/2012 Etec Sylvio de Mattos Carvalho Código: 103 Município: Matão Eixo Tecnológico: Informação
Leia maisMetodologia da Pesquisa em Sistemas de Informação. Aula 3. Projeto de Pesquisa. Revisão Sistemática. Profa. Fátima L. S. Nunes
Metodologia da Pesquisa em Sistemas de Informação Aula 3 Projeto de Pesquisa Revisão Sistemática Profa. Fátima L. S. Nunes Metodologia Pesquisa SI- 1 Como elaborar um projeto? Roteiro 1) Escolha do tema
Leia maisIA - TensorFlow. Paulo Cotta
IA - TensorFlow Paulo Cotta Jabá Sou voluntário do GDG Trabalho na Stefanini como Engineer ML e DL Tenho à Startup Koffee More Gosto de repassar conhecimento Faço parte do Candangos do Cerrado IA Professor
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia mais1. DADOS DE IDENTIFICAÇÃO:
1. DADOS DE IDENTIFICAÇÃO: Curso: Bacharelado em Sistemas de Informação Disciplina: Introdução à Inteligência Artificial Professor: Msc. Mirthys Marinho do Carmo PLANO DE CURSO Código: SIF23 E-mail: mirthysmcmelo@gmail.com
Leia maisPLATAFORMA DE APOIO AO TREINAMENTO PARA A OLIMPÍADA BRASILEIRA DE INFORMÁTICA
PLATAFORMA DE APOIO AO TREINAMENTO PARA A OLIMPÍADA BRASILEIRA DE INFORMÁTICA Área Temática: Educação Autor(es): Lucas Padilha 1, Lucas Fernando Didur (PIBIS Fundação Araucária) 2, Tony Alexander Hild
Leia maisMatriz Curricular Curso de Licenciatura em Computação Habilitação: Licenciatura em Computação
Matriz Curricular Curso de Licenciatura em Habilitação: Licenciatura em LC101 Leitura e produção textual 30-10 40 2 - LC102 Informática e sociedade 30-10 40 2 - LC103 Inglês básico 50-10 60 3-1º LC104
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGMATE - Licenciatura em Matemática 0. Disciplinas Obrigatórias FGGMATE.090 Filosofia da Educação Matemática FGGMATE.00 Fundamentos de Cálculo FGGMATE.00 Fundamentos de Matemática Elementar
Leia maisTrabalho Prático 2 Mundo dos Blocos Alocação Dinâmica / Listas Encadeadas
Disciplina: Algoritmos e Estrutura de Dados I CIC / 9 Trabalho Prático Mundo dos Blocos Alocação Dinâmica / Listas Encadeadas Valor:,5 pontos (5% da nota total) Documentação não-latex: -, pontos Impressão
Leia maisUniversidade Federal de Uberlândia Faculdade de Matemática Colegiado do curso de Estatística
Universidade Federal de Uberlândia Faculdade de Matemática Colegiado do curso de Estatística Normas para o Trabalho de Conclusão de Curso TCC do Curso de Bacharelado em Estatística Uberlândia 2012 Sumário
Leia maisCONTEÚDOS PROGRAMÁTICOS
i. e x e FACULDADE ESTADUAL DE FILOSOFIA, CIÊNCIAS E LETRAS CONTEÚDOS PROGRAMÁTICOS CURSO: MATEMÁTICA DISCIPLINA: INFORMÁTICA APLICADA À EDUCAÇÃO SÉRIE: 4ª CARGA HORÁRIA: 72 HORAS PROFESSOR: Maria Ivete
Leia maisAMBIENTE DIDÁTICO GRÁFICO PARA A COMPREENSÃO DE LÓGICA DE PROGRAMAÇÃO. Rodrigo Ferreira da Silva
AMBIENTE DIDÁTICO GRÁFICO PARA A COMPREENSÃO DE LÓGICA DE PROGRAMAÇÃO Rodrigo Ferreira da Silva rodrigoferreira2002@hotmail.com Klaus Schlünzen Junior klaus@prudente.unesp.br Universidade Estadual Paulista
Leia maisCIÊNCIA DA COMPUTAÇÃO
CURSO G R A D E C U R R I C U L A R HÍBRIDO + CIÊNCIA DA COMPUTAÇÃO 1 OBJETIVOS DO CURSO Ciência da Computação Você aprende junto a pesquisadores e próximo do mercado de trabalho. As empresas participam
Leia maisINFORMÁTICA (PC-SP / ESCRIVÃO / VUNESP / 2014)
INFORMÁTICA (PC-SP / ESCRIVÃO / VUNESP / 2014) 81. No sistema operacional Windows 7, em sua configuração padrão, deseja-se organizar os arquivos de maior interesse, de modo que eles possam ser vistos a
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 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 maisO Uso de Redes Neurais Artificiais na Detecção de Pele em Imagens Digitais visando o Reconhecimento de Gestos
O Uso de Redes Neurais Artificiais na Detecção de Pele em Imagens Digitais visando o Reconhecimento de Gestos João Ricardo Bittencourt (UNISINOS) jrbitt@netu.unisinos.br Fernando Santos Osório (UNISINOS)
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGMATE - Licenciatura em Matemática 0. Disciplinas Obrigatórias FGGMATE.090 Filosofia da Educação Matemática FGGMATE.00 Fundamentos de Cálculo FGGMATE.00 Fundamentos de Matemática Elementar
Leia maisDesenvolvimento de Ferramentas no igeom: Utilizando a Geometria Dinâmica no Ensino
Desenvolvimento de Ferramentas no igeom: Utilizando a Geometria Dinâmica no Ensino Presencial e à Distância Seiji Isotani Orientador: Leônidas de Oliveira Brandão Defesa de Mestrado Departamento de Ciência
Leia maisTCC EM SISTEMAS DA INFORMAÇÃO. Aula 1-Análise Crítica do Projeto TCC
Aula 1-Análise Crítica do Projeto TCC OBJETIVO DESTA AULA Nesta primeira aula estaremos apresentando todas as regras da disciplina. Explicaremos o que deve ser desenvolvido como produto final, bem como
Leia maisAlgoritmos Fundamento e Prática
Everton Coimbra de Araújo Algoritmos Fundamento e Prática 3 a Edição Ampliada e Atualizada Visual Books Sumário Prefácio... 15 Introdução... 17 Capítulo 1 - Os Cursos de Informática e Computação... 23
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisTrabalho 2 - Detalhamento
Trabalho 2 - Detalhamento Clodoaldo A. M. Lima, Sarajane M. Peres 7 de outubro de 2015 Programa de Pós-Graduação em Sistemas de Informação Mestrado acadêmico - EACH - USP http://ppgsi.each.usp.br Clodoaldo
Leia maisPlano de Trabalho Docente Ensino Técnico
Plano de Trabalho Docente 2016 Ensino Técnico Plano de Curso nº 246 aprovado pela portaria Cetec nº 181 de 26/09/2013 Etec Paulino Botelho Código: 091 Município: São Carlos Eixo Tecnológico: Gestão e Negócios
Leia maisSistemas de Informação Campus de Três Lagoas
Resultados da Autoavaliação Institucional - 1º/2018 Sistemas de Informação Campus de Três Lagoas UFMS CPTL TODOS OS CURSOS (PERCEPÇÃO GERAL) Coordenações de Curso Meta-Avaliação Disciplinas Desempenho
Leia maisEmentário das disciplinas do curso de Engenharia de Software
Ementário das disciplinas do curso de Engenharia de Software Currículo 1 C201 Introdução à Engenharia CH Teórica 10 CH Prática 10 CH Total 20 cr 1 Introdução aos conceitos básicos e às aplicações de engenharia.
Leia maisAMBIENTE VIRTUAL DE APRENDIZAGEM
AMBIENTE VIRTUAL DE APRENDIZAGEM SafeAssign (Ferramenta Antiplágio) Neste tutorial, vamos mostrar a funcionalidade do SafeAssign, ferramenta antiplágio do ambiente virtual de aprendizagem Blackboard. O
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 maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia mais3 Processo de Teste. 3.1.Visão Geral do Processo
3 Processo de Teste Nesse capítulo será apresentado um processo de teste que foi desenvolvido para que diminua o retrabalho e o esforço gasto no processo de teste tradicional. Inicialmente é mostrada uma
Leia maisGUIA RÁPIDO DO e-livro. Iniciando
GUIA RÁPIDO DO e-livro Iniciando 1. Crie uma estante pessoal para guardar automaticamente um arquivo com seus realces e anotações realizadas durante a leitura. Suas anotações não serão salvas, a menos
Leia maisA MINERAÇÃO DE DADOS APLICADA A AVALIAÇÃO DA INFLUENCIA DA MEDIAÇÃO DO TUTOR NOS CURSOS DE GRADUAÇÃO EM EAD DO CEAR/ UEG
A MINERAÇÃO DE DADOS APLICADA A AVALIAÇÃO DA INFLUENCIA DA MEDIAÇÃO DO TUTOR NOS CURSOS DE GRADUAÇÃO EM EAD DO CEAR/ UEG Noeli Antônia Pimental Vaz 1, Pollyana dos Reis Fanstone 2, Neyde Maria da Silva
Leia maisComparação de softwares científicos utilizando perfis de desempenho: automatização dos cálculos pela planilha perfis.xls
Comparação de softwares científicos utilizando perfis de desempenho: automatização dos cálculos pela planilha perfis.xls Pedro Augusto Munari Jr Instituto de Ciências Matemáticas e de Computação Universidade
Leia maisUniversidade Estadual de Feira de Santana Departamento de Ciências Exatas. Clone do MatLab. João Carlos Nunes Bittencourt. Feira de Santana, 2008
1 Universidade Estadual de Feira de Santana Departamento de Ciências Exatas Clone do MatLab João Carlos Nunes Bittencourt Feira de Santana, 2008 2 SUMÁRIO 1 Introdução... 6 2 Desenvolvimento... 7 2.1 Rotina
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 maisELABORAÇÃO DE REFERENCIAL TEÓRICO PARA VERIFICAÇÃO DE ADULTERAÇÕES DO TIPO CÓPIA E COLA EM FOTOGRAFIAS DIGITAIS.
ELABORAÇÃO DE REFERENCIAL TEÓRICO PARA VERIFICAÇÃO DE ADULTERAÇÕES DO TIPO CÓPIA E COLA EM FOTOGRAFIAS DIGITAIS. Ana Elisa Schmidt; Tiago TORRESANI Orientadora IFC-Camboriú; Aluno do Curso de Tecnologia
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisREGRAS PARA SUBMISSÃO ATENÇÃO! 1 Áreas Temáticas
REGRAS PARA SUBMISSÃO Para enviar seu Resumo Expandido você deverá preencher todos os Dados do Trabalho, selecionar a modalidade de apresentação, Área temática, inserir o título do trabalho, Palavras-chave
Leia maisLinguagens de Programação
Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Computação e Automação Linguagens de Programação Professor Responsável: Luiz Affonso Henderson Guedes de Oliveira Prof.
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 maisRickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso
Detecção de Réplicas de Sítios Web em Máquinas de Busca Usando Aprendizado de Máquina Rickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso Universidade Federal de Minas Gerais LATIN
Leia maisAvaliação de atividades de programação submetidas em MOOC com emprego de técnicas de visualização
III Workshop de Ensino em Pensamento Computacional, Algoritmos e Programação VI Congresso Brasileiro de Informática na Educação Avaliação de atividades de programação submetidas em MOOC com emprego de
Leia maisIntrodução. Estrutura de Dados II Prof Jairo Francisco de Souza
Introdução Estrutura de Dados II Prof Jairo Francisco de Souza Conteúdo Programático Parte 1 Manipulação de arquivos Ordenação, arquivos em série e sequências, classificação externa, arquivos de acesso
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS 5ª Série Banco de Dados I Ciência da Computação A Atividade Prática Supervisionada (ATPS) é um procedimento metodológico de ensino-aprendizagem desenvolvido por meio
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisFundamentos de programação
Fundamentos de programação Aula Introdutória Edson Moreno edson.moreno@pucrs.br http://www.inf.pucrs.br/~emoreno Apresentação Disciplina: Fundamentos de Programação Horário: 2 E0E1, 4E0E1, 6CD Professor:
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia mais