Processamento digital de imagens
|
|
- Leonor Campelo Paranhos
- 6 Há anos
- Visualizações:
Transcrição
1 Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016
2 Reconhecimento de objetos Padrão: arranjo de descritores. Característica descritor. Classe de padrões: família de padrões que compartilham características comuns. Classes de padrões são indicadas como ω 1, ω 2, ω 3,, ω W, onde W é o número de classes. Formas mais comuns de representação de padrões: vetores, strings e árvores. Formas mais comuns de classificação de padrões: estatísticas e por aprendizado de máquina.
3 Reconhecimento de objetos Vetores x = [x 1, x 2,, x n] T Ex: discriminação de flores pelas dimensões de suas pétalas: x = [x 1, x 2 ] T Iris setosa Iris virginica Iris versicolor 2 Largura da pétala Comprimento da pétala
4 Reconhecimento de objetos Classificador de distância mínima. Verificar a distância de um padrão para cada classe com base numa função de decisão. Se d i (x) > d j (x) quadj = 1, 2,, W ; i j, diz-se que o padrão x pertence à classe i. A média dos valores dos padrões da classe é dada por m j = 1 N j A distância para a classe j é dada por x ω j x j d j (x) = x m j = x T m j 1 2 mt j m j
5 Reconhecimento de objetos Classificadores estatísticos ótimos A probabilidade de um padrão x vir da classe ω i é denotada por p(ω i /x). Se o classificador decide padrão x pertence à classe ω j quando, na verdade, ela pertence à classe ω i, ocorre um erro, denotado por L ij O risco condicional médio de atribuir um padrão à classe ω j (para W classes) é dado por W r j (x) = L kj p(ω k /x) Como p(a/b) = p(a)p(b/a)/p(b), k=1 r j (x) = 1 p(x) W L kj p(x/ω k ) p(x/ω k ) é a função densidade de probabilidade da classe ω k. P(ω k ) é a probabilidade de ocorrência de um indivíduo da classe ω k. Como 1/p(x) é comum a todos os valores de r j (x), pode ser retirado da equação sem afetar a ordem de valores. W r j (x) = L kj p(x/ω k ) k=1 k=1
6 Reconhecimento de padrões O classificador que minimiza a perda total média é chamado classificador de Bayes. Ao fator de perda pode ser dado, por exemplo, o valor ZERO, para uma decisão correta, e UM para uma decisão incorreta. A função de risco torna-se, portanto r j (x) = p(x) p(x/ω j )P(ω j ) O classificador de Bayes atribui o padrão x à classe ω i se, para todo j i, p(x) p(x/ω i )P(ω i ) < p(x) p(x/ω j )P(ω j ) p(x/ω i )P(ω i ) > p(x/ω j )P(ω j ) Logo, as funções de decisão podem ser definidas como d j (x) = p(x/ω j )P(ω j ) j = 1, 2,, W Se as classes possuem chances iguais de ocorrer d j (x) = p(x/ω j ) j = 1, 2,, W
7 Reconhecimento de padrões Classificadores bayesianos para classes com distribuição gaussiana. Ex: caso unidimensional p(x/ω j ) = 1 x m j 2 2σ e j 2 P(ω j ) 2πσj Caso n-dimensional onde p(x/ω j ) = m j = 1 N j 1 (2π) n/2 C j 1/2 e 1 2 (x m j ) x ω j x T C 1 (x m j j ) C x = 1 (xx T ) m j m T j N j x ω j A forma exponencial pode ser reduzida por logaritmo d j (x) = ln[p(x/ω j )P(ω j )] = ln p(x/ω j ) + ln P(ω j ) Assim, a função de decisão torna-se d j (x) = ln P(ω j ) 1 2 ln C j 1 2 [(x m j) T C 1 j (x m j )]
8 Reconhecimento de padrões Exemplo de classificador Valores das médias m 1 = 1 4 [ ]T m 2 = 1 4 [ ]T Matrizes de covariância C 1 = C 2 = 1 16 Funções de decisão d 1 (x) = 4x d 2 (x) = 4x 1 + 8x 2 + 8x 3 5.5
9 Reconhecimento de padrões Classificação de padrões por aprendizado de máquina. Tipos de métodos: Não-supervisionado Supervisionado
10 Reconhecimento de padrões Aprendizado não-supervisionado - procedimento genérico 1 Seja H u um conjunto de amostras não-rotuladas. 2 Rotule H u em H t (amostras rotuladas) usando um critério qualquer. 3 Projete um classificador com base nessa partição. 4 Aplique o classificador em H u. Se a classificação for consistente com H t, finalize o aprendizado. 5 Caso contrário, atualize H t e repita o projeto do classificador conforme passo 3.
11 Reconhecimento de padrões Exemplo: algoritmo k-means 1 Escolha o número de classes para vetores x i de N características, i = 1, 2,, N amostras. 2 Escolha m 1, m 2,, m k como aproximações iniciais para os centros das classes. 3 Classifique cada amostra x i usando, por exemplo, um classificador de distância mínima. 4 Recalcule as médias m j usando o resultado de 3. 5 Se as novas médias são consistentes, finalize o algoritmo. Caso contrário, repita o passo 3 com as novas médias obtidas.
12 Reconhecimento de padrões Algoritmo knn: k vizinhos mais próximos 1 O padrão pertencerá à classe que tiver, dentre k vizinhos mais próximos desse padrão, a maior quantidade de representantes.
13 Reconhecimento de Padrões Neurônio artificial x 1 w 1 Polarização b Entradas Função de Ativação x 2 w 2 Σ f Output y x 3 w 3 Pesos Função de ativação sigmóide: f (x) = e βx
14 Aprendizado supervisionado Redes de perceptrons de múltiplas camadas Input layer Hidden layer Output layer x 1 x 2 Saída x 3 x 4
Aula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
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 maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisCap. 4 - Probabilidade
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 4 - Probabilidade APOIO: Fundação de Apoio à Pesquisa
Leia maisMineração de Dados. Modelos Descritivos. Descoberta de agrupamentos
Mineração de Dados Descoberta de agrupamentos Modelos Descritivos tarefa de geração de um modelo descritivo consiste (em grande parte) em analisar os dados do domínio (entradas) e sugerir uma partição
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 maisEstatística Aplicada. Árvore de Decisão. Prof. Carlos Alberto Stechhahn PARTE II. Administração. p(a/b) = n(a B)/ n(b)
Estatística Aplicada Administração p(a/b) = n(a B)/ n(b) PARTE II Árvore de Decisão Prof. Carlos Alberto Stechhahn 2014 1. Probabilidade Condicional - Aplicações Considere que desejamos calcular a probabilidade
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME 1 Conceitos básicos Naive Bayes K-vizinhos mais
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisDEPARTAMENTO DE ESTATÍSTICA PLANO DE ENSINO FICHA N.º 1
DEPARTAMENTO DE ESTATÍSTICA PLANO DE ENSINO FICHA N.º 1 Departamento de Estatística Setor de Ciências Exatas Disciplina: Elementos Básicos para Estatística Código: CE065 Natureza: Semestral Carga Horária:
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
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 maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisTeoria das Probabilidades
Capítulo 2 Teoria das Probabilidades 2.1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento
Leia maisAnálise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão.
A.X. Falcão p.1/17 Análise de Imagens Aula 20: Sistemas com Múltiplos Classificadores (Fusão) Prof. Alexandre Xavier Falcão afalcao@ic.unicamp.br. IC - UNICAMP A.X. Falcão p.2/17 Roteiro da Aula Sistemas
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisCódigos convolucionais
Códigos convolucionais Luis Henrique Assumpção Lolis 29 de novembro de 2013 Luis Henrique Assumpção Lolis Códigos convolucionais 1 Conteúdo 1 Introdução e definição 2 Diagrama de árvores, de treliça e
Leia maisINTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO. Lamartine N. F. Guimarães.
INTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO Lamartine N. F. Guimarães. Roteiro Inteligência Computacional: Problemas. Os BEOWULFS do IEAv. Possibilidades de Paralelismo. Redes neurais:
Leia maisM08. Introdução a Técnicas de Data Mining DM
M08. Introdução a Técnicas de Data Mining DM 3 - CLASSIFICAÇÃO E PREDIÇÃO LNCC/MCT - 15/01/2008 Custódio Gouvêa Lopes da Motta custodio.motta@ufjf.edu.br www.dcc.ufjf.br Agradecimentos: CNPq, LNCC, UFJF,
Leia maisConceitos básicos, probabilidade, distribuição normal e uso de tabelas padronizadas
Conceitos básicos, probabilidade, distribuição normal e uso de tabelas padronizadas Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Alguns conceitos População: é o conjunto de todos
Leia maisCLASSIFICADORES BAEYSIANOS
CLASSIFICADORES BAEYSIANOS Teorema de Bayes 2 Frequentemente, uma informação é apresentada na forma de probabilidade condicional Probabilidade de um evento ocorrer dada uma condição Probabilidade de um
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisMétodos Estatísticos Básicos
Aula 7 - Probabilidade condicional e independência Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Probabilidade condicional Seja (Ω, A, P) um espaço de probabilidade. Se
Leia mais1 Distribuição Uniforme
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 03 Aula 8 Professor: Carlos Sérgio UNIDADE 4 - Distribuições Contínuas (Notas de Aula) Distribuição Uniforme
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância Variáveis Contínuas 10/13 1 / 1 Esperança Definição 2.1:(Valor Esperado
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia mais3 NOÇÕES DE PROBABILIDADE
3 NOÇÕES DE PROILIDDE 3.1 Conjuntos Um conjunto pode ser considerado como uma coleção de objetos chamados elementos do conjunto. Em geral denota-se conjunto por letras maiúsculas,, C,... e a sua representação
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
Leia maisVariáveis Aleatórias. Prof. Tarciana Liberal Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Tarciana Liberal Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja
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 mais2 Teoria da Informação
2 Teoria da Informação Neste capítulo apresentamos alguns conceitos básicos sobre Teoria da Informação que utilizaremos durante este trabalho. 2.1 Alfabeto, texto, letras e caracteres Um alfabeto Σ = (σ
Leia maisProcessamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
Leia maisMatriz de Referência da área de Matemática Ensino Médio
Matriz de Referência da área de Matemática Ensino Médio C1 Utilizar o conhecimento sobre números e suas representações em situações relacionadas a operações matemáticas, grandezas e unidades de medidas.
Leia maisCódigos de bloco. Instituto Federal de Santa Catarina Curso superior de tecnologia em sistemas de telecomunicação Comunicações móveis 2
Instituto Federal de Santa Catarina Curso superior de tecnologia em sistemas de telecomunicação Comunicações móveis 2 Códigos de bloco Prof. Diego da Silva de Medeiros São José, maio de 2012 Codificação
Leia maisMétodos Quantitativos para Ciência da Computação Experimental. Jussara Almeida DCC-UFMG 2013
Métodos Quantitativos para Ciência da Computação Experimental Jussara Almeida DCC-UFMG 2013 Revisão de Probabilidade e Estatística Concentrado em estatística aplicada Estatística apropriada para medições
Leia maisProbabilidade Condicional e Independência
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-13 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 17/08/2011 Probabilidade
Leia maisTeoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada.
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Preparado a partir do texto: Rangel, Socorro. Teoria do Grafos,
Leia maisExperiências Aleatórias. Espaço de Resultados. Acontecimentos
Experiências Aleatórias. Espaço de Resultados. Acontecimentos Experiência Aleatória É uma experiência em que: não se sabe exactamente o resultado que se virá a observar; conhece-se o universo dos resultados
Leia maisTeoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
Leia maisCapítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos. Computação Gráfica - Vol. 2 - Cap. 6
Capítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos 1 Capítulo 6 6.1. Segmentação 6.2. Tipos de características 6.3. Descritores de forma 6.4. Reconhecimento de Padrões em Imagens
Leia maisMEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
Leia maisIntrodução à probabilidade e estatística I
Introdução à probabilidade e estatística I Variáveis Aleatórias Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Probabilidade Daqui por diante utilizaremos
Leia maisVariáveis Aleatórias. Prof. Tarciana Liberal Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Tarciana Liberal Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja
Leia maisEduardo Camponogara. DAS-9003: Introdução a Algoritmos
Caminhos Mínimos entre Todos os Vértices 1/ 48 Caminhos Mínimos entre Todos os Vértices Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-9003: Introdução
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisINTRODUÇÃO À PROBABILIDADE
INTRODUÇÃO À PROBABILIDADE Foto extraída em http://www.alea.pt Profª Maria Eliane Universidade Estadual de Santa Cruz USO DE PROBABILIDADES EM SITUAÇÕES DO COTIDIANO Escolhas pessoais Previsão do tempo
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisNome: N o : Espaço reservado a classificações
ESTATÍSTICA I 2 o Ano/Gestão 1 o Semestre Época Normal Duração: 2 horas 1 a Parte Teórica N o de Exame: abcde 03.Jan.11 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação: 8 valores).
Leia maisLista de Exercícios 4
Introdução à Teoria de Probabilidade. Informática Biomédica. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 30 de maio de 2007. Lista de Exercícios 4 são difíceis, são bem mais difíceis.
Leia maisObjetivos. Frequência Relativa X Probabilidade. Probabilidade. 1. Definições: Experimento Espaço Amostral Evento Probabilidade
Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática DI Laboratório de Pesquisas em Redes Multimidia LPRM Objetivos 1. Definições: Experimento Espaço Amostral Evento
Leia maisMistura de modelos. Marcelo K. Albertini. 31 de Julho de 2014
Mistura de modelos Marcelo K. Albertini 31 de Julho de 2014 2/11 Mistura de modelos Ideia básica Em vez de aprender somente um modelo, aprender vários e combiná-los Isso melhora acurácia Muitos métodos
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 maisEstatística Básica. Probabilidade. Renato Dourado Maia. Instituto de Ciências Agrárias. Universidade Federal de Minas Gerais
Estatística Básica Probabilidade Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Probabilidade Condicional Dados dois eventos A e B, a probabilidade condicional
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisProbabilidade. Experiências aleatórias
Probabilidade Experiências aleatórias 1 Experiências aleatórias Acontecimento: Qualquer colecção de resultados de uma experiência. Acontecimento elementar: Um resultado que não pode ser simplificado ou
Leia maisMétodo dos Mínimos Quadrados
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 1998/99 Método dos Mínimos Quadrados Objectivos: Estimação de valores pelo método dos mínimos quadrados. PROBLEMAS 1 Determine
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia mais3 INTERVALOS DE CONFIANÇA
3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisDiagnóstico Médico de Imagem Auxiliado por Computador
Diagnóstico Médico de Imagem Auxiliado por Computador Fundamentos de Sistemas Multimídia Flávio Luiz Seixas 2005 Agenda Agenda: Sistemas CAD Telemedicina Princípios da Tomografia Computadorizada Processamento
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 3 de março de 2016 Transformação e filtragem de imagens
Leia maisVariáveis Aleatórias. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Luiz Medeiros Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja um
Leia maisV - Reconhecimento de Padrões
V - Reconhecimento de Padrões António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Reconhecimento de Padrões 1. Caracterização de Sinais e Imagem 2. Técnicas de Classificação
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisIntrodução ao Reconhecimento de Padrões e aplicações em problemas de Bioinformática
ao Reconhecimento de Padrões e aplicações em problemas de Bioinformática fabricio@utfpr.edu.br UTFPR-CP Grupo de Pesquisa em Bioinformática e Reconhecimento de Padrões bioinfo-cp@utfpr.edu.br Curso de
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisMétodo dos Mínimos Quadrados
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 2004/2005 Método dos Mínimos Quadrados PROBLEMAS 1 Determine a aproximação dos mínimos quadrados aos pontos por: x 1 3 4 6 8
Leia maisRECONHECIMENTO DE PADRÕES(MIM) Faculdade de Ciências da Universidade do Porto Hugo Pedro Proença (DI-UBI), 10/04/2010
RECONHECIMENTO DE PADRÕES(MIM) Faculdade de Ciências da Universidade do Porto Hugo Pedro Proença (DI-UBI), 10/04/2010 Página da Disciplina http://www.di.ubi.pt/~hugomcp/pr Slides Fichas de Exercícios Conjuntos
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisNEANDERWIN. Algumas características do processador Neander são:
NEANDERWIN O NeanderWin é um simulador da máquina Neander, definida no livro do Raul F. Weber (UFRGS), Fundamentos de Arquitetura de Computadores, Ed. Sagra Luzzatto. A máquina original foi estendida aqui
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 12 Prof. Dr. Sylvio Barbon Junior Sumário - Árvore Geradora Mínima - Teorema pare reconhecer arestas seguras; - Algoritmo de Prim; - Algoritmo
Leia mais1.4.2 Probabilidade condicional
M. Eisencraft 1.4 Probabilidades condicionais e conjuntas 9 Portanto, P(A B) = P(A)+P(B) P(A B) (1.2) Para eventos mutuamente exclusivos, P(A B) = e P(A)+P(B) = P(A B). 1.4.2 Probabilidade condicional
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 11 de novembro de 2016 Fluxo óptico Usado para estimar
Leia maisPROBABILIDADE E ESTATÍSTICA. Aula 2 Professor Regina Meyer Branski
PROBABILIDADE E ESTATÍSTICA Aula 2 Professor Regina Meyer Branski Probabilidade 1. Conceitos básicos de probabilidade 2. Probabilidade condicional 3. Eventos Dependentes e Independentes 4. Regra da Multiplicação
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia mais