Aprendizagem de Máquina
|
|
- Maria de Fátima Henriques Beppler
- 6 Há anos
- Visualizações:
Transcrição
1 Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade da aprendzagem, mas... É geralmente muto restrtva Redes Bayesanas (Bayesan Belef Networks ou smplesmente Bayes Nets) descrevem a ndependênca condconal entre subconjuntos de varáves. Mestrado em Informátca Aplcada Pontfíca Unversdade Católca do Paraná (PUCPR) Mestrado em Informátca Aplcada Aprendzagem de Máquna 2 Introdução Introdução Redes Bayesanas descrevem a dstrbução de probabldade que rege conjunto de varáves especfcando: Naïve Bayes: Assume que todas as varáves são condconalmente ndependentes dado o valor da varável alvo. Um conjunto de suposções de ndependênca condconal Um conjunto de probabldades condconas Redes Bayesanas: Assume ndependênca condconal para subconjuntos de varáves. É uma solução ntermedára entre Bayes Ótmo e Naïve Bayes. Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 4
2 Independênca Condconal Independênca Condconal Defnção: X é condconalmente ndependente de Y dado Z se a dstrbução de probabldades regendo X é ndependente do valor de Y dado o valor de Z, sto é: ( x, y j, z k ) P( X = x Y = y j, Z = z k ) = P( X = x Z = z k ) mas resumdamente escrevemos P ( X Y, Z ) = P( X Z ) Exemplo: Trovão é condconalmente ndependente da Chuva dado o Relâmpago P (Trovão Chuva, Relâmpago) = P (Trovão Relâmpago) Naïve Bayes usa ndependênca condconal para justfcar: P( X Y, Z ) = P( X Y, Z ) P( Y Z ) = P( X Z ) P( Y Z ) Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 6 Um rede Bayesana representa a dstrbução de probabldade conjunta para um conjunto de varáves. A Fgura a segur representa a dstrbução conjunta de probabldades das varáves booleanas Storm, Lghtnng, Thunder, ForestFre, Campfre e BusTourGroup. Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 8
3 Redes Bayesanas Redes Bayesanas A Rede Bayesana representa um conjunto de declarações condconalmente ndependentes. Cada nó é declarado ser condconalmente ndependente de seus não descendentes dados seu predecessor medato. Drected acyclc graph A rede representa um conjunto de declarações condconalmente ndependentes Cada nó é declarado ser condconalmente ndependente de seus não descendentes dados seu predecessor medato. Drected acyclc graph Mestrado em Informátca Aplcada Aprendzagem de Máquna 9 Mestrado em Informátca Aplcada Aprendzagem de Máquna 10 Consdere o nó Campfre: Campfre é condconalmente ndependente de seus não descendentes Lghtnng e Thunder dados seus pas medatos Storm e BusTourGroup Isto sgnfca que as varáves Lghtnng e Thunder não fornecem nformações adconas sobre Campfre A tabela mostra as probabldades condconas assocadas a varável Campfre. O valor do campo esquerdo superor expressa: P(Campfre=True Storm=True,BusTourGroup=True) = 0.4 Mestrado em Informátca Aplcada Aprendzagem de Máquna 11 Mestrado em Informátca Aplcada Aprendzagem de Máquna 12
4 Redes Bayesanas Inferênca em Redes Bayesanas Como podemos nferr (as probabldades) os valores de uma ou mas varáves da rede a partr de valores observados de outras? Representa a dstrbução de probabldades conjuntas sobre todas as varáves, e.g. P(Storm, BusTourGroup,..., ForestFre) Em geral, n P( y1,..., y ) = P( y Parents ( Y )) n = 1 onde Parents(Y ) representa os predecessores medatos de Y no grafo. Então, a dstrbução conjunta é nteramente defnda pelo grafo mas P (y Parents(Y )) Redes Bayesanas contém todas nformações necessáras para esta nferênca Se somente uma varável possur valor desconhecdo, é fácl nfer la Em geral, é um problema NP dfícl Mestrado em Informátca Aplcada Aprendzagem de Máquna 13 Mestrado em Informátca Aplcada Aprendzagem de Máquna 14 Inferênca em Redes Bayesanas Na prátca pode ter sucesso em mutos casos: Métodos exatos de nferêncas funconam bem para algumas estruturas de rede. Métodos Monte Carlo smulam a rede aleatoramente para calcular soluções aproxmadas Aprendzagem Redes Bayesanas Dversas varantes desta tarefa de aprendzagem A estrutura da rede pode ser conhecda ou desconhecda Exemplos de trenamento podem fornecer valores de todas as varáves da rede ou somente algumas Se a estrutura for conhecda e todas as varáves observadas, então, é tão fácl quanto o trenamento de um classfcador Naïve Bayes Mestrado em Informátca Aplcada Aprendzagem de Máquna 15 Mestrado em Informátca Aplcada Aprendzagem de Máquna 16
5 Aprendzagem Redes Bayesanas Aprendzagem Redes Bayesanas Supondo a estrutura conhecda e varáves parcalmente observáves, e.g. observar ForestFre, Storm, BusTourGroup, Thunder mas não Lghtnng, Campfre,... Smlar ao trenamento de redes neuras com undades esconddas De fato, pode aprender tabelas de probabldade condconal da rede, usando gradente ascendente Faça w jk ndcar uma entrada na tabela de probabldade condconal para a varável Y na rede w jk = P (Y = y j Parents(Y ) = a lsta u k de valores) E.g. se Y = Campfre então u k deve ser < Storm = T, BusTourGroup = F> Converge para rede h que maxmza localmente P(D h) Mestrado em Informátca Aplcada Aprendzagem de Máquna 17 Mestrado em Informátca Aplcada Aprendzagem de Máquna 18 Aprendzagem Redes Bayesanas Aprendzagem Redes Bayesanas Executa o gradente ascendente repetdamente 1. atualzando todos w jk usando dados de trenamento D w jk w jk + η 2. então, re normalze w jk para assegurar j d D P ( y, u h j w jk k d) w jk = 1 0 w 1 jk Algortmo EM também pode ser utlzado repetdamente: 1. calcular probabldades de varáves não observadas assumndo h 2. calcular novo w jk para maxmzar E [ln P (D h)] onde D agora nclu tanto as probabldades observadas quanto as calculadas para varáves não observadas Quando a estrutura não é conhecda... Algortmos usam busca gulosa (greedy search) para adconar / subtrar bordas e nós Tema de pesqusa atvo Mestrado em Informátca Aplcada Aprendzagem de Máquna 19 Mestrado em Informátca Aplcada Aprendzagem de Máquna 20
6 Resumo Combna conhecmento prévo com dados observados Impacto do conhecmento prévo (quando correto!) serve para reduzr a complexdade da amostra Área de pesqusa atva: Estender de varáves booleanas para valores reas Dstrbuções parametrzadas ao nvés de tabelas Estender para prmera ordem ao nvés de sstemas proposconas Métodos de nferênca mas efetvos Mestrado em Informátca Aplcada Aprendzagem de Máquna 21
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Redes Bayesianas Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisIntrodução a Processos Estocásticos:Exercícios
lvroexerccos 2017/3/19 11:24 page #1 Introdução a Processos Estocástcos:Exercícos Luz Antono Baccalá Escola Poltécnca da USP Departamento de Engenhara de Telecomuncações e Controle 2016 lvroexerccos 2017/3/19
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisResolução das Questões Objetivas
COMISSÃO PERMANENTE DE SELEÇÃO COPESE PRÓ-REITORIA DE GRADUAÇÃO PROGRAD CONCURSO PISM III - TRIÊNIO 2008-2010 Prova de Matemátca Resolução das Questões Objetvas São apresentadas abaxo possíves soluções
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisJogos. Jogos. Jogo. Jogo. Óptimo alvo investigação
Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos
Leia mais3 Seleção de Variáveis Baseada em Informação Mútua sob Distribuição de Informação Uniforme (MIFS-U)
3 Seleção de Varáve Baeada em nformação Mútua ob trbução de nformação Unforme MFS-U 3.1 Seleção de Varáve de Entrada para Problema de Clafcação A eleção de varáve de entrada deempenha um mportante papel
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisXIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!
ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros
Leia maisThe Correlated Equilibrium q Nathan Canen
The Correlated Equlbrum Nathan Canen Introdução Consderemos o jogo estátco de nformação completa representado na forma normal: J1 O F O J2 F 2,1) 0,0) 0,0) 0) 1,2) Os equlíbros de Nash são os perfs de
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!
ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisMETOLOGIA. 1. Histórico
METOLOGIA A Sondagem da Construção Cvl do RS é uma sondagem de opnão empresaral realzada mensalmente e fo crada pela Confederação Naconal da Indústra (CNI) com o apoo da Câmara Braslera da Indústra da
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisMáquinas de Vetores Suportes
Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO Monografa fnal de curso sob orentação do Prof. Raul Fonseca Neto Juz de Fora, MG feverero de 004 Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia mais2 Fundamentos Teóricos
Fundamentos Teórcos 2 Fundamentos Teórcos 2. Aprendzado de Máquna Aprendzado de Máquna é uma área de Intelgênca Artfcal cuo obetvo é o desenvolvmento de técncas computaconas sobre o aprendzado bem como
Leia maisPROBABILIDADES E INFERÊNCIA BAYESIANA
PROBABILIDADES E INFERÊNCIA BAYESIANA CT25 Probabldade como Extensão de LP UM SISTEMA SEMÂNTICO BASEADO EM LP E PROBABILIDADES Idéa: herdar proposções de Lógca Proposconal (mas não o modelo de nferênca),
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia maisMáquinas Estocásticas e suas Aproximações Baseadas na Mecânica Estatística
Unversdade de São Paulo Insttuto de Cêncas Matemátcas e de Computação Máqunas Estocástcas e suas Aproxmações Baseadas na Mecânca Estatístca Redes Neuras 2006 Prof. Dr. Zhao Lang Grupo: Fabríco Breve João
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Não Supervsonada Alessandro L. Koerch Aprendzagem não supervsonada Algortmos de agrupamento (Clusterng) Seqüencas Herárqucos Baseados na otmzação de funções
Leia maisFAAP APRESENTAÇÃO (1)
ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,
Leia maisSELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE
SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP, NO PÓLO GESSEIRO DO ARARIPE Jáder da Slva Jale Joselme Fernandes Gouvea Alne Santos de Melo Denns Marnho O R Souza Kléber Napoleão Nunes de
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisModelagem do Transistor Bipolar
AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
Leia maisLei das Malhas (KVL) Lei dos Nós (KCL)
Le das Malhas (KL) Le dos Nós (KCL) Electrónca Arnaldo Batsta 5/6 Electrónca_omed_ef KCL (Krchhoff Current Law) Nó é o ponto de lgação de dos ou mas elementos de crcuto amo é uma porção do crcuto contendo
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisBC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011
BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia mais2 Modelos de Otimização sob Incerteza 2.1. Introdução
2 Modelos de Otmzação sob Incerteza 2.. Introdução Modelos de programação matemátca são comumente utlzados para solução de problemas de programação da produção, de logístca, de schedulng e de planejamento
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisEM (Dempster, Laird, Rubin: 1977)
EM (Dempster, Lard, Rubn: 1977) Algortmo teratvo para localzação do(s) parâmetro(s) que maxmza(m) a função de verossmlhança p(x ) Dos passos por teração Passo E: cálculo do valor esperado de uma certa
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia maisCAPÍTULO 6 ESTRATÉGIA ÓTIMA DE OFERTA DE PREÇOS
CAPÍTULO 6 ESTRATÉGIA ÓTIMA DE OFERTA DE PREÇOS 6.1 INTRODUÇÃO Como vsto no Capítulo 1, se um mercado apresenta competção perfeta não á brecas que possam ser exploradas pelos agentes, nem espaço é dexado
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisSNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GAT 23 14 a 17 Outubro de 2007 Ro de Janero - RJ GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT AVALIAÇÃO
Leia maisExtração Automática de Redes Bayesianas: Proposta de Algoritmo utilizando Abordagem Probabilística
IV Workshop de Informátca aplcada à Saúde CBComp 2004 Relatos de Pesqusa Extração Automátca de Redes Bayesanas: Proposta de Algortmo utlzando Abordagem Probablístca C. Koehler, Departamento de Informátca,
Leia mais