Treinamento de um Classificador Neural Binário: Estimativa da Distribuição de Padrões
|
|
- Carolina da Silva Coelho
- 6 Há anos
- Visualizações:
Transcrição
1 Treinamento de um Classificador Neural Binário: Estimativa da Distribuição de Padrões Miguel Antonio Sovierzoski 1, Fernanda Isabel Marques Argoud 2, Fernando Mendes de Azevedo 3 1 Universidade Tecnológica Federal do Paraná (UTFPR) 2 Centro Federal de Educação Tecnológica de Santa Catarina (CEFET-SC) 1,2,3 Instituto de Engenharia Biomédica da Universidade Federal de Santa Catarina (IEB-UFSC) 1 miguelaso@utfpr.edu.br, 2 fargoud@cefetsc.edu.br, 3 azevedo@ieb.ufsc.br Resumo - Com o uso crescente de sistemas de suporte a decisão, principalmente nas Ciências Médicas e Ciências da Saúde, a classificação de padrões torna-se cada vez mais relevante. Este trabalho apresenta uma metodologia para estimar a distribuição de padrões, e insere esta ferramenta nas etapas de treinamento e avaliação do classificador neural binário. A estimativa de distribuição de padrões permite, ao pesquisador, avaliar o contexto do conjunto de padrões, e acompanhar, ao longo do treinamento como o classificador neural está percebendo o conjunto de padrões na forma de distribuição. A condição necessária para estimar a distribuição de padrões, é que seja possível alterar o limiar de decisão do classificador, para analisar o comportamento da sensibilidade e especificidade em função da variável de controle. Independente da natureza dos padrões utilizados ressalta-se que esta metodologia de estimativa da distribuição de padrões aplica-se a qualquer classificador neural com treinamento supervisionado, com duas classes de padrões. A estimativa de distribuição de padrões apresenta-se como uma ferramenta a ser utilizada durante as etapas de treinamento e avaliação do classificador neural para entender como está sendo percebido o conjunto de padrões. Palavras-chave: Classificador, Classificador Neural, Distribuição de Padrões, Desempenho do Classificador. Abstract - Due to the increasing use of decision support systems, especially in Medical Sciences and Health Sciences, the pattern classification is becoming increasingly relevant. This work presents a methodology to estimate the distribution of patterns. This methodology is also inserted into the training and evaluation phases of the binary neural classifier. The estimate of the patterns of the distribution allows the researcher to evaluate the pattern set and the vision of the distribution pattern sets by the neural classifier. In order to estimate the distribution of the patterns, it is needed to change the classifier threshold, to analyze the behavior of the sensitivity and specificity towards the control variable. It is important to emphasize that the given methodology applies to any neural classifier with supervised training possessing two patterns classes. The estimative of distribution patterns presents as a tool to be used during the training and the evaluation phases of the neural classifier, in order to understand how the pattern set is visualized by the neural classifier. Key-words: Classifier, Neural Classifier, Pattern Distribution, Classifier Performance. Introdução Os sistemas de apoio à decisão estão sendo cada vez mais utilizados, em todas as áreas do conhecimento. O classificador neural binário inserese como uma ferramenta neste contexto e o processo para a sua obtenção é uma etapa iterativa com muitos treinamentos e avaliações. Partindo-se do teste-diagnóstico, apresentase, neste trabalho, uma metodologia para estimar a distribuição dos padrões, na percepção do classificador neural. Esta estimativa disponibiliza, para o pesquisador, informações para o entendimento do processo de classificação e a análise da qualidade do conjunto de padrões. Este trabalho apresenta as etapas detalhadas para estimar a distribuição de padrões, e apresenta também o contexto do treinamento e da avaliação do classificador neural. São apresentados os principais resultados do treinamento e da avaliação de um exemplo de classificador neural binário. E finaliza-se o trabalho com as discussões.
2 Metodologia O teste-diagnóstico é uma metodologia de avaliação de desempenho de sistemas classificadores, testes ou exames, muito utilizada nas áreas da Medicina e Ciências da Saúde [1][2]. Supondo a distribuição de duas classes de padrões (doentes e sadios), apresentadas pela figura 1, e um ponto de corte () ou limiar de decisão. Figura 1 Distribuição hipotética de doentes e sadios, perante uma variável de controle ( e um ponto de corte (). Padrões com valores superiores ao ponto de corte são classificados como positivos para a doença, e abaixo do ponto de corte são classificados como negativos para a doença [1][2]. A tabela de contingência (tabela 1) apresenta as relações entre a indicação do especialista (diagnóstico) e o resultado do teste ou exame [1][2]. Tabela 1 Contingência 2x2. indicação do especialista amostra sadio doente resultado positivo FP VP do teste negativo VN FN A classificação dos padrões como verdadeiro positivo (VP) representa acertos do teste, indicando corretamente os casos na distribuição dos doentes com valores superiores ao ponto de corte. Os casos de doentes com valores inferiores ao ponto de corte são classificados como falsos negativos (FN) e representam erros do teste. A classificação dos padrões como verdadeiro negativo (VN) representa acertos do teste, indicando corretamente os casos na distribuição dos sadios com valores inferiores ao ponto de corte. Os casos de sadios com valores superiores ao ponto de corte são classificados como falsos positivos (FP) e representam erros do teste. [1][2] A sensibilidade é o índice de doentes, corretamente indicados pelo teste ou classificador, sendo avaliada pela Equação (1) [1][2]. VP sensibilid ade = 1 [%] (1) VP + FN A especificidade é o índice de sadios, corretamente indicados pelo teste ou classificador, sendo avaliada pela Equação (2) [1][2]. VN especifici dade = 1 [%] (2) VN + FP Se o teste ou classificador permitir alterar o valor do ponto de corte, os indicadores de desempenho podem ser expressos em função desta variável. Da definição da sensibilidade apresentada pela Equação (1), e da distribuição dos doentes da figura 1, pode-se equacionar a sensibilidade em função do ponto de corte (), conforme apresenta a Equação (3). sensibilidade( ) = + (3) Desenvolvendo o numerador e agrupando o denominador, a Equação (3) pode ser melhor representada pela Equação (4). sensibilid ade( ) = 1 (4) Da definição da especificidade apresentada pela Equação (2), e do gráfico da distribuição dos sadios da figura 1, pode-se equacionar a especificidade em função do ponto de corte, conforme apresenta a Equação (5). sadios( especifici dade( ) = (5) sadios( Utilizando as distribuições de padrões da figura 1, e as Equações (4) e (5), obtém-se o comportamento dos índices de desempenho sensibilidade e especificidade para todos os valores da variável de controle, sendo apresentados pela figura 2. Observa-se pela Equação (5) que a especificidade representa a função densidade normalizada da distribuição dos sadios. E observase pela Equação (4) que a sensibilidade representa
3 a diferença entre a unidade e a função densidade normalizada da distribuição dos doentes. perceptron multicamadas, seguido por um elemento discretizador, conforme apresenta a figura 4. O classificador neural binário classifica os padrões em duas classes. X 1 X 2.. Σ φ(.) 1 ld (,1) X n Figura 2 Comportamento da sensibilidade e especificidade em função da variável de controle. As estimativas das distribuições de padrões podem ser obtidas dos gráficos da figura 2, calculando-se a derivada numérica das funções sensibilidade( e especificidade(, sendo apresentadas pela figura 3. Figura 3 Estimativas normalizadas das funções distribuições de padrões, calculadas a partir da derivada numérica da sensibilidade e especificidade em função da variável de controle. Comparando-se as estimativas normalizadas das distribuições de padrões (figura 3) com as distribuições de padrões (figura 1) observam-se comportamentos similares das distribuições, ocorrendo divergências na escala das ordenadas devido à normalização das variáveis. Desta forma, tendo-se as curvas de sensibilidade e especificidade, pode-se calcular as suas derivadas, obtendo-se as estimativas normalizadas das distribuições dos padrões, em relação a variável de controle. Como os conjuntos de padrões são conhecidos, pode-se desnormalizar os gráficos estimados. Um método mais robusto para estimar as distribuições de padrões, também aplicado durante o processo de validação cruzada, é efetuar o levantamento do histograma de valores de saída da RNA e do valor de saída do classificador neural, em relação ao ponto de corte, para as classes do conjunto de padrões de validação. O Classificador Neural Binário é implementado por uma rede neural artificial do tipo Figura 4 Topologia de um classificador neural binário, constituído por uma RNA Perceptron Multicamadas seguida por um discretizador booleano controlado pelo limiar de decisão (ld). A RNA utiliza a função logística como função de ativação (φ(.)) do neurônio da camada de saída, possuindo uma imagem contínua e fechada entre e 1 [3][4]. O elemento discretizador efetua a comparação entre o valor de saída da RNA e o limiar de decisão (ld), apresentando uma saída com valores booleanos para o classificador neural. A variável limiar de decisão do classificador neural binário corresponde a variável de controle do testediagnóstico, e o ponto de corte é um valor específico do limiar de decisão. O treinamento da RNA utiliza o algoritmo de retropropagação do erro (backpropagation) [3][4]. É um algoritmo de gradiente descendente que minimiza o erro médio quadrático entre o valor de saída da rede neural e o valor desejado de saída, para o conjunto de padrões de treinamento. Consiste basicamente nos seguintes passos: 1) inicializar os pesos sinápticos da rede neural; 2) propagar pela rede neural o conjunto de padrões de treinamento; 3) avaliar o erro médio quadrático entre o valor de saída da rede neural e o valor desejado de saída, para todos os padrões do conjunto de treinamento; 4) retro-propagar o erro na saída da rede neural ajustando os pesos sinápticos; 5) retornar para o segundo passo para executar outra época de treinamento. [3][4] O processo de validação cruzada adaptado para a aplicação nas redes neurais consiste em utilizar dois conjuntos de padrões: um conjunto de padrões para realizar o treinamento da rede neural e outro conjunto de padrões para realizar a validação da rede neural. Aplicando o conjunto de padrões de treinamento observa-se no processo de treinamento a convergência do algoritmo. Aplicando o conjunto de padrões de validação observa-se a aprendizagem da rede neural e a época de
4 treinamento com a melhor generalização. Para a avaliação numérica do treinamento e da generalização da rede neural foi utilizado a fórmula do erro médio quadrático, conforme apresenta as Equações (6) e (7). [3] classificador com discriminação ideal (FN= e FP=, => sensibilidade=1 e especificidade=1). N 1 t 2 ξ ( et) =. ( d ( n) y ( n) ) (6) T 2. N t t t n = 1 Onde: d t (n) é a saída desejada para o padrão de treinamento n, y t (n) é a saída da RNA para o respectivo padrão, N t é o número de padrões do conjunto de treinamento e ξ T (et) é o erro de treinamento da época et. N 1 v 2 ξ ( et) =. ( d ( n) y ( n) ) (7) V 2. N v v v n = 1 Onde: d v (n) é a saída desejada para o padrão de validação n, y v (n) é a saída da RNA para o respectivo padrão, N v é o número de padrões do conjunto de validação e ξ V (et) é o erro de validação ou aprendizagem da época de treinamento et. A avaliação do desempenho do classificador neural pode ser realizada durante a fase de treinamento da RNA. Ao final da época de treinamento é aplicado o conjunto de padrões de validação e alterado o valor do limiar de decisão pela faixa permitida de valores, obtendo-se os valores dos indicadores estatísticos (VP(et,ld), VN(et,ld), FP(et,ld) e FN(et,ld)) em função da época de treinamento (et) e do limiar de decisão (ld). Com estes dados, que expressam o comportamento do classificador neural, são gerados os gráficos de sensibilidade e especificidade em função da época de treinamento e do limiar de decisão, resultando em um gráfico semelhante ao da figura 2. Este procedimento integrado de treinamento da RNA e de avaliação do desempenho do classificador neural é melhor detalhado em [5]. A curva ROC (receiver operating characteristics) é considerada a figura de mérito da avaliação de sistemas classificadores aplicados principalmente nas áreas das Ciências Médicas e Ciências da Saúde [6]. Representa a relação entre a sensibilidade e a especificidade do classificador, e é obtida a partir dos gráficos de sensibilidade e especificidade em função da variável de controle. A figura 5 apresenta a curva ROC [7][8]. O principal índice da análise ROC é a área sob a curva (AUC Area Under the ROC Curve), variando de,5, para um classificador que não consegue discriminar os padrões, até 1, para um Figura 5 Curva ROC, com o eixo das abscissas representando a sensibilidade e o eixo das ordenadas representando (1 especificidade). A área abaixo da diagonal tracejada representa um classificador sem poder de discriminação de padrões. Resultados São apresentados os principais resultados do treinamento de um classificador neural binário com as estimativas das distribuições de padrões em três épocas diferentes: durante a aprendizagem, na melhor aprendizagem e na especialização da RNA. Os gráficos da avaliação do erro de treinamento e aprendizado de um treinamento de RNA são apresentados na Figura 6. Figura 6 Comportamento do erro de treinamento (azul) e aprendizado (vermelho) da RNA em função das épocas do treinamento. O erro de treinamento, avaliado ao final de cada época do algoritmo de treinamento, de acordo com a equação 6, apresenta um comportamento exponencial decrescente, indicando a convergência do algoritmo de treinamento. O erro de aprendizado é avaliado de forma semelhante, de acordo com a equação 7, com os padrões do conjunto de validação. O erro de aprendizagem com menor valor corresponde à época de treinamento com a melhor
5 generalização pela RNA. A partir desta época, o treinamento começa a especializar a RNA na identificação dos padrões do conjunto de treinamento, iniciando a perda da generalização e aumentando o erro para os padrões do conjunto de validação. Observa-se, na figura 6, que a melhor generalização para este treinamento da RNA ocorreu na época 13, com um erro mínimo de aprendizagem de,138. Para a avaliação do classificador neural fazse o levantamento dos gráficos de sensibilidade e especificidade em função do limiar de decisão do classificador e da época de treinamento. A figura 7 apresenta gráficos de sensibilidade e especificidade em diferentes épocas de treinamento: durante a aprendizagem (época 31), na melhor aprendizagem/generalização (época 131) e na especialização (época 41). Observa-se um crescimento lento e contínuo no comportamento da sensibilidade, mesmo na fase de especialização da rede neural. Na especificidade observa-se um espalhamento da abrangência com diminuição de valor para limiar de decisão baixo e médio. distribuição, diminuindo o desempenho do classificador. Ambas as distribuições possuem um espalhamento residual que altera o seu comportamento com as épocas de treinamento. Na época 41 devido ao maior espalhamento dos conjuntos de padrões ocorre um aumento da concentração residual para valores baixos de limiar de decisão ( a,2), diminuindo o desempenho do classificador. Figura 8 Estimativas das distribuições de padrões, obtidas com a derivada numérica da sensibilidade e especificidade, para as épocas: e 41 do treinamento. Figura 7 Gráfico de sensibilidade (azul) e especificidade (vermelho) em função do limiar de decisão do classificador, com passo de,2, para as épocas: e 41do treinamento. As estimativas das distribuições de padrões obtidas a partir da derivada numérica das funções da figura 7 são apresentadas na figura 8. Observam-se as duas concentrações dos padrões e seus espalhamentos nas respectivas épocas de treinamento. A medida que o treinamento evolui, a estimativa da distribuição de um dos padrões movimenta-se para limiares de decisão mais elevados, e aumenta-se o espalhamento desta Figura 9 Estimativas da distribuição de padrões, obtidas pelo levantamento do histograma de saída da RNA, para as épocas: e 41 do treinamento.
6 As estimativas das distribuições de padrões obtidas pelo levantamento do histograma na saída da RNA para os padrões de validação são apresentadas na figura 9. Nos histogramas foram definidas faixas de valores para concentração dos padrões, isto justifica as diferenças visuais entre os gráficos da figura 8 e da figura 9. Observam-se comportamentos semelhantes nas estimativas das distribuições de padrões nas duas representações. As curvas ROC para as respectivas épocas de treinamento do classificador neural são apresentadas na figura 1. Da figura 1 para a figura 1 percebe-se um suave aumento da especificidade para valores baixos e médios da sensibilidade. E da figura 1 para a figura 1 observa-se um suave decréscimo da sensibilidade para valores baixos e médios da especificidade. Discussão e Conclusões Observou-se empiricamente que o índice AUC máx ocorre em épocas próximas da época do menor erro de aprendizagem, que corresponde a estratégia da parada antecipada do treinamento da rede neural. Na maioria dos treinamentos foi observado que o índice AUC máx ocorre em épocas posteriores a época de menor erro de aprendizagem. Este comportamento deve-se as diferentes ferramentas e critérios de avaliação entre a rede neural artificial e o classificador neural binário. Ao longo do treinamento foi observado o comportamento das distribuições, que na fase inicial de treinamento da RNA estão quase totalmente superpostas e ocorrendo um afastamento gradativo e um aumento do espalhamento ao longo do treinamento. Referências [1] Medronho RA, Carvalho DM, Bloch KV, Luiz RR, Werneck GL. Epidemiologia, São Paulo, Atheneu; 24. [2] Massad E, Menezes RX, Silveira PSP, Ortega NRS. Métodos Quantitativos em Medicina, Manole; 24. [3] Haykin S. Neural Networks: A Comprehensive Foundation, Prentice Hall; [4] Rojas R. Neural Networks: A Systematic Introduction, Springer; Figura 1 Curvas ROC do classificador para as épocas: e 41 do treinamento. O comportamento do índice AUC ao longo do treinamento é apresentado pela Figura 11, ocorrendo um aumento crescente do índice na fase de aprendizagem, o valor máximo e um decréscimo constante na fase da especialização da RNA. [5] Sovierzoski MA, Argoud FIM, Azevedo FM. Evaluation of ANN Classifiers During Supervised Training with ROC Analysis and Cross Validation. Proceedings of the 1 st International Conference on BioMedical Engineering and Informatics, 28 May 3-31, Sanya. China: p [6] Mazurowski MA, Habas PA, Zurada JM, Lo JY, Baker JA, Tourassi GD. Training neural network classifiers for medical decision making: The effects of imbalanced datasets on classification performance. Neural Networks 28 21: [7] Eberhart RC, Dobbins RW. Neural Network PC Tools: A Practical Guide, USA, Academic Press; 199. Figura 11 Comportamento do índice AUC ao longo do treinamento, com AUC máx =,914 na época 17 de treinamento. [8] Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters 26 27:
3 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 maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisBoas Maneiras em Aprendizado de Máquinas
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Boas Maneiras em Aprendizado de Máquinas David Menotti www.inf.ufpr.br/menotti/ci171-182 Boas Maneiras Agenda Introdução Métricas
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisProbabilidades em Biomedicina: Uma Aplicação da Regra de Bayes
Probabilidades em Biomedicina: Uma Aplicação da Regra de Bayes Introdução Os seguintes parágrafos foram retirados do artigo Uncertainty and Decisions in Medical Informatics, de P. Szolovitz, publicado
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Desempenho de Classificação. Classificação IV: Avaliação de Classificadores
SCC0173 Mineração de Dados Biológicos Classificação IV: Avaliação de Classificadores Créditos O material a seguir consiste de adaptações e extensões dos originais: gentilmente cedidos pelo rof. André C..
Leia maisAprendizagem de Máquina. Redes Neurais Artificiais (RNAs)
Aprendizagem de Máquina Redes Neurais Artificiais (RNAs) Plano de Aula Introdução Motivação Biológica Perceptron Superfície de Decisão Descida do Gradiente Redes Multicamadas (Multilayer) Retropropagação
Leia maisCurso de Data Mining
Curso de Data Mining Sandra de Amo Curvas Roc Uma curva ROC (Receiver Operating Characteristic) é um enfoque gráfico que permite visualizar os trade-offs entre as taxas de positivos verdadeiros e positivos
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisAvaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
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 maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia maisEstudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
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 maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisAula 9. Prof. Adilson Gonzaga
Aula 9 Prof. Adilson Gonzaga Mapeamento Atribuir uma Instância a uma classe. Cada Instância é mapeada para um elemento do conjunto de Rótulos de Classe {p,n} p positivo n negativo Atribui uma Instância
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisPredição de propriedades termodinâmicas de equilíbrio líquido-vapor com uso de redes neurais
https://eventos.utfpr.edu.br//sicite/sicite2017/index Predição de propriedades termodinâmicas de equilíbrio líquido-vapor com uso de redes neurais RESUMO Lucas Rodrigues da Silva lucsil@alunos.utfpr.edu.br
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
Leia maisCONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS
CONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS Marco Antonio Ferreira Finocchio 1 (Prof. Mestre em Engenharia Elétrica, Universidade Tecnológica Federal
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisModelagem empírica de funções multivariáveis por redes neurais artificiais
[~][/~][~][/~][~] [/~][ Blucher Proceedings Modelagem empírica de funções multivariáveis por redes neurais artificiais Cansian, A. B. M. 1* ; Costa, A. O. S. 2 ; Costa Jr, E. F. C. 2 1 Curso de Graduação
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C.. L. F. de Carvalho Monitor: Valéria Carvalho lanejamento e Análise de Experimentos rincipais tópicos Estimativa do erro artição dos dados Reamostragem
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas II Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisLista 2 Sistemas Inteligentes (INE5633) 2014s2
Lista 2 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina 1. (Baseado em questão do POSCOMP 2009) Considere a árvore minimax abaixo representando um jogo, onde queremos maximizar
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) 2016/ PPGCA PPGCA/UTFPR -- CAIA003
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia 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 maisClassificação de dados em modelos com resposta binária via algoritmo boosting e regressão logística
Classificação de dados em modelos com resposta binária via algoritmo boosting e regressão logística Gilberto Rodrigues Liska 1 5 Fortunato Silva de Menezes 2 5 Marcelo Ângelo Cirillo 3 5 Mario Javier Ferrua
Leia maisPROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS
PROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO 1. Você recebeu do fiscal o seguinte material: (a) Este caderno, com o enunciado das 20 (vinte) questões
Leia maisUNIVERSIDADE FEDERAL DO RIO DE JANEIRO CENTRO DE CIÊNCIAS DA SAÚDE INSTITUTO DE ESTUDOS EM SAÚDE COLETIVA DISCIPLINA: MÉTODO EPIDEMIOLÓGICO
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO CENTRO DE CIÊNCIAS DA SAÚDE INSTITUTO DE ESTUDOS EM SAÚDE COLETIVA DISCIPLINA: MÉTODO EPIDEMIOLÓGICO Validade em Estudos Epidemiológicos II Universidade Federal do
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores. Estimativa da Acurácia. Introdução. Estimativa da Acurácia
Roteiro PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores Introdução Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisRegressão Linear. Fabrício Olivetti de França. Universidade Federal do ABC
Regressão Linear Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Overfitting 2. Treino e Validação 3. Baseline dos modelos 1 Overfitting Overfit Em muitos casos, a amostra de dados coletada
Leia maisProjeto da Disciplina
Projeto da Disciplina Germano C. Vasconcelos Centro de Informática - UFPE Germano C.Vasconcelos 1 Objetivo Realizar um estudo experimental sobre a aplicação de modelos de redes neurais em um problema do
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
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 maisProjetos finais. Grupo 3
Projetos finais Grupo 3 Integrantes Laez Barbosa da Fonseca Filho 8586902 laez.filho@usp.br Caetano Mastroianni Dieguez 7210164 caetano.dieguez@usp.br Lais Harumi Fukujima Aguiar 8587142 lais.aguiar.br@ieee.org
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia mais2284-ELE/5, 3316-IE/3
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem Supervisionada 2 Os vários algoritmos de Aprendizagem
Leia maisRedes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
PREDIÇÃO DA SÉRIE TEMPORAL DE MACKEY-GLASS UTILIZANDO REDE NEURAL ARTIFICIAL APLICADA À BIOMÉDICA Luís Augusto Mesquita de Castro, Leiliane Borges Cunha, Antonio da Silva Silveira, Rejane de Barros Araújo
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisGENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES
GENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES Igor Amazonas de Andrade 1 Mosar Faria Botelho 2 Selma Regina Aranha
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisAPRENDIZADO EM MODELOS CONEXIONISTAS
APRENDIZADO EM MODELOS CONEXIONISAS Aprendizado é o processo pelo qual os parâmetros (os pesos das coneões entre os neurônios) de uma rede neural são austados através de uma forma continuada de estímulo
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia mais