Redes Neuronais (Introdução, perceptrões, e MLP)
|
|
- Benedita Camelo Sintra
- 8 Há anos
- Visualizações:
Transcrição
1 Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N? N S Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca Estudar os processos cogntos -> Lógca, Sstemas Percas Abordagem sub-smbólca Estudar os processos bológcos -> Redes Neuronas FIM
2 Redes neuronas (Perceptrões e MLP) Introdução hstórca Anos 50 prmera sugestão Idea de programar um computador smulando um conjunto de neurónos Anos 60 prmera era Muto trabalho com neurónos smples, também chamados máqunas lneares. Fnal da década de 60 prmero fm Publcação de Perceptrons, de Mns Demonstrada a lmtação dos neurónos smples, Dúdas quanto à possbldade de trenar redes complexas de neurónos. Deslusão: a nestgação nesta área quase parou. Introdução hstórca 986 Rumelhart re-nenta o algortmo de Bac- Propagaton Descoberto em 975 por Werbos, mas quase gnorado Possblta o treno de redes mult-camada Eufora sobre redes neuronas Anos 80 o ressurgr Aparecem noas arqutecutas: os mapas auto-organzados (SOM), Redes de funções de base radal (RBF), redes de Hopfeld, etc, Váras aplcações prátcas Anos 90 a consoldação Uso generalzado de redes neuronas Pontes para outras áreas como a estatístca, processamento de snal, etc 2
3 Redes neuronas (Perceptrões e MLP) Prncpas tpos de redes neuronas Perceptrões smples Perceptrões multcamada (MLP) Quase tudo... Redes de funções de base radal (RBF) Mapas auto-organzados (SOM) Support Vector Machnes (SVM) Outros Hopfeld, Boltzman, ART, Spng Networs, Neural Gas, LVQ, BPTT, BSB, etc. Algumas antagens das redes neuronas MLP para SAD Em problemas de presão, com aprendzagem supersonada a partr de bases de dados Aprendem automatcamente Fazem nterpolações não-lneares São aproxmadores unersas! Dados Rede Presão 3
4 Redes neuronas (Perceptrões e MLP) Inspração e formalzação para redes neuronas Um neuróno (bológco) 4
5 Redes neuronas (Perceptrões e MLP) Funconamento de um neuróno bológco Dendrtes recebem ões atraés das snapses Esses ões são njectados por outros neurónos znhos. Quando mas exctados esterem os znhos, mas ões são njectados O snal eléctrco é propagado até ao núcleo Se o neuróno fôr sufcentemente estmulado, ele própro entra em estado de exctação e começa a estmular os seus znhos Factores que condconam a actação de um neuróno As lgações que tem, ou seja os znhos que escolhe A força da sua lgação a cada um desses esses znhos,.e., a efcênca das snapses. A sua sensbldade,.e., o ponto a partr do qual ele dspara O cérebro humano tem MUITOS ( 0 2 ) neurónos... Modelo matemátco de um neuróno bológco McCullor & Ptts (943) w Entradas w 2 w 3 f s Sada w 4 Neuróno bológco Neuróno artfcal 5
6 Redes neuronas (Perceptrões e MLP) Modelo mas completo Entradas (x ) x x 2 x 3 x Pesos snáptcos ( ) Bas, ou termo constante Função de actação w w 2 w 3 w - Soma () w x ( ) sgn Aprendzagem num neuróno Determnação dos pesos snáptcos Como escolher os? Idea geral: Snapses que ajudam a obter bons resultados deem ser reforçadas Snapses que leam a maus resultados deem ser enfraquecdas 6
7 Redes neuronas (Perceptrões e MLP) Problemas tpo Bologa Se os neurónos da ponta dos dedos ndcam muto calor Actar o neuróno que enconhe o músculo do braço Se um pé ndca peso e o outro não Actar o neuróno responsáel pelo equlíbro Outros problemas Se os dados sobre uma casa (preço, área, anos, etc), são bons Comprar a casa Se os dados sobre um clente (saldo médo, saláro, dada, etc) são bons Conceder crédto Sempre: Dadas umas entradas actar umas saídas Exemplo muto smples Queremos preer se a classe é ou 0. Varáes A B Classe Qual a rede neuronal que resole este exemplo? Varáel B C= 0.5 C= Uma separação possíel Varáel A C= C= 7
8 Redes neuronas (Perceptrões e MLP) A solução A B Sgn() f ( x ) sgn( A B 0.5) actação A separação entre os locas onde é posto e negato será sempre um hperplano! = w x + w 2 x 2 - θ = 0 x 2 = w /w 2 x + θ/ w 2 x 0 sgn( x) x 0 Outro exemplo,5 0,5 0 -, ,75-0,5-0,25 0 0,25 0,5 0,75,25-0,5 - -,5 8
9 Redes neuronas (Perceptrões e MLP) Mas outro exemplo Qual o classfcador de A B Classe Qual a rede neuronal que resole este exemplo? que corre mal Perceptrão (um neuróno solado) 9
10 Redes neuronas (Perceptrões e MLP) Perceptrão smples O perceptrão é o exemplo mas smples de uma rede neuronal x w - Consste num únco neuróno x 2 x 3 w 2 w 3 w w 0 sgn() Permte classfcar sem erro duas classes lnearmente separáes x Regra de classfcação Se x(t) = [-, x (t),, x n (t)] T, W(t)= [, w (t),, w n (t)] T então (t) = W(t) T.x(t) x Classe C corresponde a Classe C 2 corresponde a - C A equação do hperplano é dada por (t) = 0 A regra de classfcação é C 2 w x +w 2 x 2 - x 2 se W(t) T.x(t) 0 então x(t) C se W(t) T.x(t) < 0 então x(t) C 2 0
11 Redes neuronas (Perceptrões e MLP) Algortmo de aprendzagem Dado um ector x Se (W(t) T x 0 x C ) (W(t) T x < 0 x C 2 ) então W(t+) = W(t) senão Se (W(t) T x 0 x C 2 ) então W(t+) = W(t) - (t) x senão W(t+) = W(t) + (t) x Onde (t) é o rtmo de aprendzagem Escolher outro x e repetr o processo Algortmo de aprendzagem (redes bnáras) Consderando: Uma sére de ectores x como sendo uma sére x(t) Uma função d(t) que ndca se o dado pertence a uma classe ou outra T Obtém-se uma forma mas elegante: Regra delta (bnára) t W d t t. xt t t d t t. x t sgn W se se erro x x t t C C 2
12 Redes neuronas (Perceptrões e MLP) Exemplo x W -x W 0 x x Questão Só é possíel resoler problemas de classfcação lnearmente separáes? Por exemplo, pode resoler-se o problema de duas classes com uma únca aráel, representado pela fgura abaxo? C C 0 C - 2
13 Redes neuronas (Perceptrões e MLP) Nota Se o número de aráes for maor do que o número de exemplos de treno o problema de classfcação é sempre lnearmente separáel Consequênca: Dado um número sufcentemente grande de característcas, SE houer poucos dados (e estes forem ndependentes), é SEMPRE possíel usar um perceptrão smples. A superfíce de separação tende para o dscrmnante lnear de Fsher Mult-Laer Perceptrons (MLP) Feed-Forward Networs wth Error Bacpropagaton Redes Multcamada com Retropropagação do erro 3
14 Redes neuronas (Perceptrões e MLP) Modelo de cada neuróno x x 2 x 3 w w 2 w 3 w - () x em que () pode ser a função snal a função sgmode a função tangente hperbólca Modelo das lgações entre neurónos Os alores de saída de uns neurónos são usados como entradas nos neurónos da camada segunte Coném ter funções de aalação dferencáes Aprendzagem Supersonada É necessáro um algortmo de aprendzagem para ajustar os pesos snáptcos Varáes (ou camada de Entrada) Camada nsíel (ou camada escondda) Camada nsíel Camada De saída Error Bac-Propagaton (BP) é o mas comum (ou pelo menos mas smples ) 4
15 Redes neuronas (Perceptrões e MLP) Exemplo XOR () Problema que não pode ser resoldo com uma só camada Funções de actação step H(x)= x 0 x x 2 w 3 w 32 3 w w 54 4 w 42 w 30 w 40 w 53 4 w 50 5 Uma solução possíel: w 30 = 0.5 w 3 =.0 w 32 = -.0 w 40 = 0.5 w 4 = -.0 w 42 =.0 w 50 = 0.5 w 53 =.0 w 54 =.0 Exemplo XOR (2) Implementação em Excel x x Entradas A 0 B Neuróno Bas Peso Peso 2 Soma Saída 3 0,5 - -, ,5-0,5 5 0,5 0,5 Outra arqutectura possíel x x 2 3 5
16 Redes neuronas (Perceptrões e MLP) Funções de actação() No neuróno de saída Problema de classfcação 2 alores de saída (p.ex. Heasde) Problema de regressão alores de saída de - a + (p.ex. recta) Nos neuróno nterores Etar saturação Valores de saída lmtados Monótonas Dferencáes Varações suaes Funções de actação (2) e,2 0,8 0,6 0,4 0, Sgmode = =5 =0 e e 0,8 0,6 0,4 0, , ,4-0,6-0,8 - Tangente hperbólca e e 6
17 Redes neuronas (Perceptrões e MLP) Como encontrar os pesos mágcos? Algortmo de treno da rede Ajusta os pesos snáptcos de modo a que a rede, dadas umas entradas, produza o resultado pretenddo Idea base: tentata e erro Inca-se com pesos aleatóros. Se der o resultado certo (ganda sorte) não mexe! Se der um resultado errado faz um ajusteznho Alternata: resoler um sstema de m equações a n ncógntas Exemplo de função de saída de uma rede de 2 camadas: f ( x) f ( x, x 2,..., x ) n w S e ( j w j x j ) Conceto de superfíce de erro Erro Dferença entre o que a rede produz à saída, e o que ela dea produzr Erro médo Erro médo para um conjunto de dados Superfíce de erro Varação do erro médo quando os pesos se alteram Homens por tarefa Lucro obtdo x x 2 w 3 30 w 3 32 w4 w w 5 w5 Presão 7 Erro = -2 } Os mesmos Dados Outros erros Dferentes pesos 7
18 Redes neuronas (Perceptrões e MLP) Consequêncas de ajustar os pesos Mudanças dos pesos => deslocações pela superfíce de erro Exemplo a dmensão ( peso) Error Surface Local Mnma 8.0 Er ror w 0 w * Global Mnma Weght Space W W 36 Author: Angshuman Saha 8
19 Redes neuronas (Perceptrões e MLP) Snas numa rede multcamada Snas de função que se propagam desde os neurónos de entrada até às saídas. Snas de erro que se propagam de uma saída para as entradas (camada a camada), atraés da rede. Snas de função Snas de erro Algortmo de bacpropagaton Função de custo: erro médo da rede a n 2 N jo N e n 2 j n n erro nstantâneo erro médo em que O representa os neurónos de saída e N o número total de exemplos 9
20 Redes neuronas (Perceptrões e MLP) Neuróno da camada de saída - d (n) Valor desejado (n) Saídas dos neurónos anterores j (n) w j (n) (.) - (n) (n) Saídas da rede e (n) Erro Aplcação do método do gradente w j w e n n e n e n n d n. d n n j j n n n n em que (n) é defndo como produto do gradente local pelo erro e é dado por d. n e n e - j d w j j Regra delta 20
21 Redes neuronas (Perceptrões e MLP) Neuróno de um nó da camada escondda d (n) N j (n) w j - (n) (.) (.) (n) (n) Neuróno "" w N w N 2 w 2 (.) (n) (n) (.) 2 (n) - (n) - (n) - 2 (n) d (n) d 2 (n) e (n) e (n) e 2 (n) Aplcação do método do gradente w j w n n n n n n n wj e n e n n d e n j n n j w d d. d n n w j n n. d. n d d d j n j n 2
22 Redes neuronas (Perceptrões e MLP) Regra delta A regra de aprendzagem pode ser descrta por w j n n em que (n) é o gradente local dado por j d n e n. d d n d n w para os neurónos de saída para os neurónos nsíes Função de aalação: Sgmode Para a camada de saída n d n o no n o n Derada da sgmode: Y(-Y) Para as camadas nsíes n n n n w 22
23 Redes neuronas (Perceptrões e MLP) Generalzação da regra delta Rumelhart (986) propôs a regra n w n n n w j j j nclundo um termo de momento em que é a constante de momento e é posta. Exemplo Sejam as funções A Rede Neuronal x x x x
24 Redes neuronas (Perceptrões e MLP) Exemplo (cont) x x 2 w w 2 w 0 sgmode() - - w w w w 42 w sgmode() w 3 3 sgmode() 3 w 32 w 30 w 40 4 sgmode() 4 x x 2 w ()= (- ) w 2 w w 2 w 20 ()= 2 (- 2 ) w 22 2 w 3 3 w w w 4 2 w 42 w 40 4 ()= 3 (- 3 ) ()= 4 (- 4 ) e 3 e 4 Exemplo (cont) x =0 x 2 = sgmode() sgmode() 0 3 / / /2 0 0 /2 sgmode() sgmode() x =0 w ()= (- ) w 0 w 2 w 3 3 w w ()= 3 (- 3 ) e 3 /2 x 2 = w 2 w 22 w 20 2 ()= 2 (- 2 ) 2 w 42 w 4 w 40 4 ()= 4 (- 4 ) e 4 -/2 24
25 Redes neuronas (Perceptrões e MLP) Problemas com o BacProp É um método de gradente, logo sujeto a mínmos locas Infelzmente é normal haer mutos mínmos locas... É lento Soluções Váras ncalzações Város alores para o momento Város métodos de optmzação dos parâmetros No SAS Múltplas corrdas, e escolhe o melhor Optmzação por quas-newton, Laenberg-Marquadt, gradente conjugado... Regras prátcas (rules of thumb) Tentar prmero com perceptrão smples Uma camada escondda resole qualquer problema mas: Aumentar gradualmente o nº de neurónos e r erfcando a dmnução do erro Se o nº de neurónos crescer muto, tentar com 2 camadas esconddas Sempre: Váras ncalzações, e áros momentos 25
26 Redes neuronas (Perceptrões e MLP) Redes Neuronas Bblografa 26
Redes Neuronais (Introdução, perceptrões, e MLP)
Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N? N S Intelgênca Artfcal Usar o homem
Leia maisCap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
Leia maisSistemas de Apoio à Decisão Redes neuronais (MLP) V 1.2, V.Lobo, EN/ISEGI, 2010
Sstemas de Apoo à Decsão Redes neuronas (MLP) V., V.Lobo, EN/ISEGI, Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conunto
Leia maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
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 maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisAS COMPONENTES SIMÉTRICAS INSTANTÂNEAS E A MÁQUINA SIMÉTRICA
CAPÍTULO 5 A COMPONENTE IMÉTICA INTANTÂNEA E A MÁQUINA IMÉTICA 5. INTODUÇÃO O emprego das componentes smétrcas nstantâneas permte a obtenção de modelos mas smples que aqueles obtdos com a transformação
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisINTRODUÇÃO SISTEMAS. O que é sistema? O que é um sistema de controle? O aspecto importante de um sistema é a relação entre as entradas e a saída
INTRODUÇÃO O que é sstema? O que é um sstema de controle? SISTEMAS O aspecto mportante de um sstema é a relação entre as entradas e a saída Entrada Usna (a) Saída combustível eletrcdade Sstemas: a) uma
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
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 maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisPARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD
PARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD Thalles S. Torch, Mlton R. Romero e Evandro M. Martns 3 Depto. de Eng. Elétrca,
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisUMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC)
UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC) ANDRÉA T. R. BARBOSA, GLORIA M. CURILEM SALDÍAS, FERNANDO M. DE AZEVEDO Hosptal São Vcente
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia 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 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 maisSinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.
Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só
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 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 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 maisAula 23 Perceptrons, Lei de Hebb e o aprendizado de Rosenblatt Prof. Dr. Alexandre da Silva Simões
Aula 3 Perceptrons, Le e Hebb e o aprenzao e Rosenblatt Prof. Dr. Alexanre a Slva Smões Organzação Introução Perceptron Dscrmnaor lnear Poer e representação Arqutetura o perceptron Trenamento Por que trenar
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisALGORITMO E PROGRAMAÇÃO
ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
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 maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisIMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA
IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA José R. Campos 1, Anna D. P. Lotufo 1, Carlos R. Mnuss 1, Mara L. M. Lopes 1 1 UNESP, Ilha Soltera, Brasl, jrcampos8@gmal.com,
Leia maisAGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.
AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC 88040-900 andrey@nf.ufsc.br
Leia maisANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES
ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES GENIVAL PAVANELLI ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO
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 maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisRESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS
Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
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 mais3. CIRCUITOS COM AMPOP S UTILIZADOS NOS SAPS
3 CICUITOS COM AMPOP S UTILIZADOS NOS SAPS 3. CICUITOS COM AMPOP S UTILIZADOS NOS SAPS - 3. - 3. Introdução Numa prmera fase, apresenta-se os crcutos somadores e subtractores utlzados nos blocos de entrada
Leia maisEnergia de deformação na flexão
- UNIVERSIDADE FEDERAL FLUMINENSE ESCOLA DE ENGENHARIA INDUSTRIAL METALÚRGICA DE VOLTA REDONDA PROFESSORA: SALETE SOUZA DE OLIVEIRA BUFFONI DISCIPLINA: RESISTÊNCIA DOS MATERIAIS Energa de deformação na
Leia mais(note que não precisa de resolver a equação do movimento para responder a esta questão).
Mestrado Integrado em Engenhara Aeroespacal Mecânca e Ondas 1º Ano -º Semestre 1º Teste 31/03/014 18:00h Duração do teste: 1:30h Lea o enuncado com atenção. Justfque todas as respostas. Identfque e numere
Leia mais5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline
594585- Pscologa Conexonsta Antono Roque Aula 6 A Adalne Poucos meses aós a ublcação do teorema da convergênca do Percetron or Rosenblatt, os engenheros da Unversdade de Stanford Bernard Wdrow (99 ) e
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 maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisSISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA
SISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA EDUARDO DE A. SODRÉ, DEPT Dvsão de Estudos do Sstema de Transmssão, CHESF Rua Delmro Gouvea, 333 Bon, Cep: 50761
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
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 maisPropagação da incerteza do MDA no cálculo de classes de declive.
Propagação da ncertea do MDA no cálculo de classes de declve. Gonçalves, Gl; Santos, Jorge Resumo Em dversas áreas de aplcação dos Sstemas de Informação Geográfca (SIG) é necessáro classfcar a superfíce
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisEsta aula: Conceitos fundamentais: bipolos, tensão e corrente Geradores de tensão e de corrente Convenções Transferência de energia Resistores
Esta aula: Concetos fundamentas: bpolos, tensão e corrente Geradores de tensão e de corrente Conenções Transferênca de energa Resstores TEORA DE CRCUTOS Crcuto elétrco: Coleção de dspostos elétrcos conectados
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisAnálise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas
Análse de Projectos ESAPL / IPVC Taxas Equvalentes Rendas Taxas Equvalentes Duas taxas e, referentes a períodos dferentes, dzem-se equvalentes se, aplcadas a um mesmo captal, produzrem durante o mesmo
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
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 maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisCÁLCULO DO ALUNO EQUIVALENTE PARA FINS DE ANÁLISE DE CUSTOS DE MANUTENÇÃO DAS IFES
MIISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR DEPARTAMETO DE DESEVOLVIMETO DA EDUCAÇÃO SUPERIOR TECOLOGIA DA IFORMAÇÃO CÁLCULO DO ALUO EQUIVALETE PARA FIS DE AÁLISE DE CUSTOS DE MAUTEÇÃO DAS IFES
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisRAE-eletrônica ISSN: 1676-5648 rae@fgv.br. Escola de Administração de Empresas de São Paulo. Brasil
RAE-eletrônca ISSN: 676-5648 rae@fgv.br Escola de Admnstração de Empresas de São Paulo Brasl Gumarães, Ináco Andrusk; Chaves Neto, Anselmo RECONHECIMENTO DE PADRÕES: METODOLOGIAS ESTATÍSTICAS EM CRÉDITO
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 maisPREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH
PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;
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 maisCAPITULO 02 LEIS EXPERIMENTAIS E CIRCUITOS SIMPLES. Prof. SILVIO LOBO RODRIGUES
CAPITULO 0 LEIS EXPEIMENTAIS E CICUITOS SIMPLES Prof SILVIO LOBO ODIGUES INTODUÇÃO PONTIFÍCIA UNIVESIDADE CATÓLICA DO IO GANDE DO SUL Destnase o segundo capítulo ao estudo das les de Krchnoff e suas aplcações
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 maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTIPLA PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS
UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTILA ARA A REVISÃO DO TEMO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS Alessandra Memar avanell Unversdade Federal do araná UFR rograma de ós-graduação
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 maisTermodinâmica dos Sistemas Abertos Sistemas heterogêneos: Potencial Químico. Grandezas Molares.
Termoâmca dos Sstemas Abertos Sstemas heterogêneos: Potencal Químco. Grandezas Molares. A aplcação da função Energa Lvre de Gbbs aos sstemas de um únco componente permte a construção dos Dagramas de Fases
Leia maisUniversidade Federal do Rio Grande do Norte Centro de Tecnologia Programa de Pós-Graduação em Engenharia Elétrica e de Computação
Unversdade Federal do Ro Grande do Norte Centro de Tecnologa Programa de Pós-Graduação em Engenhara Elétrca e de Computação IDENTIFICAÇÃO NÃO LINEAR USANDO UMA REDE FUZZY WAVELET NEURAL NETWORK MODIFICADA
Leia maisUniversidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S
Unversdade Federal da Baha Insttuto de Físca Departamento de Físca da Terra e do Meo Ambente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 013 1 Prefáco Esta apostla é destnada
Leia maisHansard OnLine. Guia Unit Fund Centre
Hansard OnLne Gua Unt Fund Centre Índce Págna Introdução ao Unt Fund Centre (UFC) 3 Usando fltros do fundo 4-5 Trabalhando com os resultados do fltro 6 Trabalhando com os resultados do fltro Preços 7 Trabalhando
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 maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisRastreando Algoritmos
Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos
Leia maisLista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.
Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta
Leia maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisFísica. Física Módulo 1 Vetores, escalares e movimento em 2-D
Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,
Leia maisConteúdo 4 - Impulsos elétricos e fenômenos biológicos
Conteúdo 4 - Impulsos elétrcos e fenômenos bológcos 4.1 Introdução Os seres vvos, em sua grande maora, são compostos majortaramente por água. A água é uma materal que na presença de certos sas se comporta
Leia mais