INF2981 Anotador de Papéis Semânticos para Português
|
|
- Juan Belo Fortunato
- 6 Há anos
- Visualizações:
Transcrição
1 INF2981 Anotador de Papéis Semânticos para Português Arthur Beltrão Castilho Neto 09 de julho de 2015 Resumo Este trabalho apresenta uma abordagem ao problema de anotação de papéis semânticos no idioma português utilizando um subconjunto de 10 atributos propostos por outros autores e mais 20 atributos de criação própria. O modelo foi gerado usando uma support vector machine (liblienar) com solver padrão e testado na base PropBank.Br apresentando aproximadamente 79,1% de precisão, 79,6% de cobertura e 79,4% de F1 na classificação. 1 Introdução A anotação de papéis semânticos (APS) é uma subárea do processamento de língua natural (PLN) que permite analisar parte do significado de sentenças escritas através da detecção de estruturas de predicador e argumentos. Tais estruturas correspondem a descrições de eventos (normalmente feitas por verbos); seus participantes, como agente e paciente; e circunstâncias, como tempo, local, etc. Esse trabalho da continuidade à dissertação Anotação automática semissupervisionada de papéis semânticos para o português do Brasil [Alva- Manchego 2013], que aborda a tarefa de forma supervisionada atingindo 80,0% de precisão, 79,3% de cobertura e 79,7% de F1; e de forma semissupervisionada atingindo 80,7% de precisão, 80,4% de cobertura e 80,5% de F1. Por não 1
2 considerar significativos os ganhos do aprendizado semissupervisionado este trabalho será focado apenas no aprendizado supervisionado. O corpus escolhido para a tarefa foi o PropBank.Br que é a porção brasileira do corpus Bosque, contento anotações semânticas manualmente revisadas [Afonso et al, 2002]. Neste trabalho apresentamos um Anotador de Papéis Semânticos e o avaliamos em um subconjunto do corpus anotado. O modelo foi gerado usando uma support vector machine (liblienar) com solver padrão atingindo resultados muito próximos aos do estado-da-arte. O restante do trabalho está organizado como a seguir. Seção 2 descreve a tarefa. A seção 3 detalha a base de dados selecionada. A seção 4 relata os experimentos e resultados do trabalho com duas métricas distintas. Na seção 5 está a discussão dos resultados e conclusões e na seção 6 estão as referências bibliográficas. 2 Tarefa A tarefa é a Anotação de Papéis Semânticos (APS) conforme definido pela Shared Task de 2005 da CoNLL. Um papel semântico, em linguística, é a relação que um constituinte sintático tem com um predicado. Tipicamente argumentos semânticos incluem Agente, Paciente, Instrumento, etc. além de argumentos complementares indicando circunstâncias como Local, Tempo, Causa, etc. Reconhecer e etiquetar argumentos semânticos é uma atividade chave para responder a perguntas como Quem, Quando, O que, Onde, Por que, entre outras, nas áreas de Extração da Informação, Perguntas e Respostas, Sumarização, e, em geral, qualquer tarefa de PLN que faça uso de algum tipo de interpretação semântica. A sentença a seguir, extraída do corpus PropBank, serve como exemplo para a anotação de papéis semânticos: [A0 Ele] [ARGM-NEG não] [ARGM-MODAL iria] [V aceitar] [A1 nada de valor] [A2 daqueles que estava escrevendo a respeito]. 2
3 Abaixo são relacionados os papéis para o predicado aceitar conforme definidos pelo esquema de frames do PropBank: V: verbo A0: aceitador A1: coisa aceita A2: aceitado-de A3: atributo AM-MOD: modal AM-NEG: negação De forma geral, trata-se a APS como um problema de classificação, no qual devese predizer uma etiqueta de papel semântico para cada palavra (ou conjunto de palavras) de uma sentença, considerando a sua relação com o verbo. A grande maioria da literatura na área realiza a tarefa em 3 grandes fases que são: identificação do verbo alvo, identificação dos argumentos e classificação dos argumentos. A identificação de argumentos é uma classificação binária que consiste em dizer se um candidato é ou não argumento do verbo, e sua motivação é a economia de tempo de treinamento do próximo classificador. Como neste trabalho estaremos usando um classificador extremamente rápido (liblinear) e como o dataset usado é pequeno, essa fase não será necessária. 3 Dataset O corpus escolhido para a tarefa é o PropBank.Br 1.1 que foi construído sobre a porção de textos brasileiros do corpus Bosque [Afonso et al., 2002], que possui anotação sintática e de dependência corrigidas. Sobre ele é acrescentada uma camada com anotação de argumentos semânticos com os mesmos conceitos do PropBank original, assim como os rótulos empregados. Os textos que compõem o Bosque foram extraídos do jornal Folha de São Paulo e incluem diversos assuntos. O PropBank-Br é disponibilizado em dois formatos: XML e texto plano com colunas (formato da CoNLL). Neste trabalho usaremos a segunda versão. O modelo de anotação do PropBank define um conjunto de argumentos para cada verbo individualmente e não atribui nomes aos mesmos, utilizando, em vez disso, rótulos numerados de A0 a A5. Cada verbo determina a quantidade de argumentos que podem acompanha-lo e seus significados. Além disso, o PropBank 3
4 define um conjunto de argumentos opcionais comuns a todos os verbos, os ArgM, que são expressões indicando tempo, local, modo, etc. A Tabela 1 apresenta uma lista com todos os argumentos do PropBank.Br. Etiqueta A0 A1 A2...A5 AM-ADV AM-CAU AM-DIR AM-DIS AM-EXT AM-LOC AM-MNR AM-NEG AM-PNC AM-PRD AM-REC AM-TMP Descrição Tipicamente o agente prototípico Tipicamente o paciente prototípico Não se pode generalizar Modificador adverbial Causa Direção Marcador discursivo Extensão Lugar Maneira Negação Propósito Predicação secundária Recíproco, referenciando outro argumento Temporal Tabela 1: lista completa de argumentos do PropBank.Br Conforme mencionado anteriormente estaremos usando os arquivos do corpus no formato de texto plano com colunas. Na versão 1.1 são disponibilizados dois arquivos de dados: o de constituintes, que, além dos atributos comuns, possui anotação da árvore sintática e o de dependência, que contém anotação de árvore de dependência e de função gramatical, mas não árvores sintáticas. Cada coluna contém algum tipo de anotação, associando uma etiqueta a cada palavra. A Tabela 2 apresenta os atributos presentes nos dois arquivos, a Figura 1 apresenta um exemplo de uma sentença anotada do arquivo de constituintes e a Figura 2 uma sentença do arquivo de dependência. Nome Descrição Const. Dep. ID Contador de tokens que inicia em 1 para cada nova Sim Sim sentença FORM Forma da palavra ou sinal de pontuação Sim Sim LEMMA Lema gold-standard da FORM Sim Sim GPOS Etiqueta part-of-speech gold-standard Sim Sim FEAT Atributos morfológicos gold-standard Sim Sim 4
5 CLAUSE Orações em formato início-fim Sim Não FCLAUSE Orações com informação de tipo em formato iníciofim Sim Não SYNT Árvore sintática gold-standard completa Sim Não PARENT Identificador do pai, 0 no caso de ser raiz Não Sim FUNC Função gramatical Não Sim PRED# Identificador do predicado alvo na sentença Sim Não PRED? Indica se esse token é ou não o predicado alvo Não Sim PRED Predicado alvo da sentença Sim Sim ARG Papel semântico do argumento Sim Sim Tabela 2: Colunas representando os atributos de cada token nos arquivos propbank.br 1.1 ID FORM LEMMA GPOS FEAT CLAUSE FCLAUSE SYNT PRED# PRED ARG 1 Agora agora ADV - (S* (FCL* (FCL(ADVP*) - - (AM-TMP*) 2, - PU - * * * - - * 3 os o ART M P * * (CU(NP* - - (A0* 4 soldados soldado N M P * * *) - - * 5 e e CONJ-C - * * * - - * 6 a o ART F S * * (NP* - - * 7 polícia polícia N F S * * *)) - - *) 8 estão estar V-FIN PR 3P IND * * (VP* - - * 9 trabalhando trabalhar V-GER - * * *) 1 trabalhar (V*) 10 juntos junto ADV M P * * (ADVP*) - - (AM-MNR*) 11 para para PRP - * * (PP* - - (AM-PNC* 12 prender prender V-INF - (S* (ICL* (ICL(VP*) - - * 13 os o ART M P * * (NP* - - * 14 traficantes traficante N M P *) *) *))) - - *) PU - *) *) *) - - * Figura 1: Sentença anotada do PropBank.Br 1.1, arquivo de constituintes, no formato plano de colunas. 5
6 ID FORM LEMMA GPOS FEAT PARENT FUNC PRED? PRED ARG 1 Agora agora adv - 9 ADVL - - AM-TMP 2,, pu - 8 PU os o art M P 4 >N soldados soldado n M P 8 SUBJ - - A0 5 e e conj-c - 4 CO a o art F S 7 >N polícia polícia n F S 4 CJT estão estar v-fin PR 3P IND 0 STA trabalhando trabalhar v-ger - 8 MV Y trabalhar - 10 juntos junto adv M P 9 ADVL - - AM-MNR 11 para para prp - 9 ADVL - - AM-PNC 12 prender prender v-inf - 11 P< os o art M P 14 >N traficantes traficante n M P 12 ACC pu - 8 PU Figura 2: Sentença anotada do PropBank.Br 1.1, arquivo de dependência, no formato plano de colunas Quanto a composição do corpus, o PropBank.Br além de ser pequeno é desbalanceado, possuindo muito mais exemplos para argumentos do tipo A0 e A1 do que para os demais. Para o Propbank.Br 1.1 adotamos o mesmo padrão de divisão entre Treino e Teste que era usado no 1.0, designando cerca de 95,5% dos exemplos para Treino e 4,5% para Teste. A Tabela 3 apresenta a distribuição das etiquetas nos conjuntos de Treino e Teste. Treinamento Teste Total Sentenças Tokens Verbos Diferentes Argumentos A A A A A A AM-ADV AM-CAU AM-DIR AM-DIS AM-EXT
7 AM-LOC AM-MNR AM-NEG AM-PNC AM-PRD AM-REC AM-TMP Tabela 3: distribuição das etiquetas nos conjuntos de Treino e Teste 4 Experimentos Os experimentos foram conduzidos seguindo uma sequência de 7 subtarefas, onde a saída de uma é a entrada da seguinte. Um esquema com o pipeline das subtarefas é apresentado na Figura 3. Figura 3: Esquema de funcionamento do sistema 4.1 Merge dos arquivos de constituintes e dependência Essa subtarefa consiste em unificar os dois arquivos do Propbank.Br 1.1 de forma a ter todas as informações Golden em um lugar só. Isso é importante pois iremos usar informações da árvore sintática e também da árvore de dependência para derivar nosso conjunto de atributos. 7
8 Figura 4: Sentenças originais do arquivo de constituintes (esquerda) e dependência (direita) O novo token será composto das seguintes colunas, mantidas na forma original e explicadas na Tabela 2, ID, FORM, LEMMA, GPOS, FEAT, CLAUSE, FCLAUSE, SYNT, PARENT, FUNC, PRED. A última coluna, ARG, será usada a informação do arquivo de dependência, porém formatada semelhante ao arquivo de constituintes, ou seja, AM-TMP será transformado em (AM-TMP*). Essa conversão se faz necessária pela opção de avaliar o trabalho usando o script oficial da competição. Durante a pesquisa foi averiguado que o script não funciona se o início ( e final *) dos argumentos não estiverem marcados. A Figura 4 e a Figura 5 ilustram esse processo. Figura 5: Formato do token após processo de unificação. 8
9 4.2 Parse das árvores sintáticas Esse subtarefa constrói uma árvore sintática a partir das anotações contidas na coluna SYNT. As regras são simples: Cada ( inicia um novo constituinte na árvore abaixo do nó atual, cada ) fecha um constituinte e atualiza o nó atual para o pai, Figura 6: Exemplo de construção de árvore sintática o texto é usado para nomear a etiqueta do constituinte no nó atual, e os * são a indicação de folha, colocando a informação da coluna FORM como filho do constituinte atual. A Figura 6 ilustra esse processo. 4.3 Parse das árvores de dependência Esse subtarefa constrói uma árvore de dependência a partir das anotações contidas na coluna PARENT. Cada palavra é apontada para a palavra cujo ID corresponde ao número do PARENT, com exceção do valor zero que indica a raiz. A Figura 7 ilustra o processo. Figura 7: Exemplo de construção de árvore de dependência 9
10 4.4 Extração e binarização de atributos Nosso melhor modelo foi obtido a partir de um subconjunto de 10 atributos dos propostos por Alva-Manchego em sua dissertação de mestrado, além de 20 outros atributos de criação própria. Abaixo é apresentada a lista com todos esses atributos, onde os em negrito são de criação própria: DepPath: caminho de etiquetas POS na árvore de dependência entre o token a ser classificado e o verbo alvo. DepPOSChild1, 2, 3: etiquetas POS dos 3 primeiros filhos do token na árvore de dependência. DepPOSGrandparent: etiqueta POS do avô do token na árvore de dependência. DepPOSLeftSibling1, 2, 3: etiquetas POS dos 3 primeiros irmãos a esquerda na árvore de dependência. DepPOSParent: etiqueta POS do pai do token na árvore de dependência. DepPOSRightSibling1, 2, 3: etiquetas POS dos 3 primeiros irmãos a direita na árvore de dependência. Feat: atributos morfológicos gold-standard conforme informação presente na coluna 5 do dataset. Form: palavra conforme escrita na coluna 2. LeftPOS1, 2, 3: POS das 3 primeiras palavras a esquerda. LeftPhraseType: categoria sintática (NP, VP, etc.) do irmão esquerdo. Lemma: lema gold-standard conforme informação da coluna 3. PartialPath: caminho na árvore sintática desde o constituinte a ser anotado até o primeiro ancestral comum com o verbo alvo. PassiveVoice: verdadeiro se o verbo alvo faz parte de uma composição do verbo ser com outro verbo no particípio (POS=V-PCP). Path: caminho na árvore sintática desde o verbo alvo até o constituinte a ser anotado passando pelo primeiro ancestral comum entre os dois. PhraseType: categoria sintática (NP, VP, etc.) do constituinte. POS: etiqueta part-of-speech gold-standard presente na coluna 4. Predicate: lema do verbo alvo, conforme informação da coluna 11. RightPOS1, 2, 3: POS das 3 primeiras palavras a direita. 10
11 RightPhraseType: categoria sintática (NP, VP, etc.) do irmão direito. PropositionID: É gerado um identificador sequencial para cada sentença a ser treinada/classificada, tentando passar uma ideia de contexto entre os exemplos da mesma sentença. Como todos os atributos do sistema são categóricos faz-se necessário um processo de binarização dos atributos antes de envia-los para o classificador. A binarização transforma um atributo categórico, digamos cores, em um vetor binário esparso onde cada posição indica a presença ou não de uma determinada cor. Logo no conjunto {vermelho, azul, verde} a cor azul pode ser representada como {0, 1, 0}. Nesse trabalho a binarização é atingida através do uso de um dicionário para cada atributo desse tipo. Figura 8: binarização de atributos categóricos 4.5 Treino e Teste O treino e classificação são feitos usando um classificador SVM (liblinear) com solver padrão. O arquivo de entrada do classificador é gerado a partir da binarização dos atributos conforme descrito anteriormente. O tempo de treino gira em torno de 13 segundos e o modelo resultante possui cerca de 124mil features binárias. 11
12 4.6 Avaliação A avaliação de resultados usa o script oficial da ConLL de 2005 para a Shared Task de SRL. Esse script calcula o desempenho em termos de precisão, cobertura e f1, cujo as fórmulas estão a seguir: etiquetas certas Precisão = etiquetas atribuídas etiquetas certas Cobertura = total etiquetas F1 = 2 Precisão Cobertura Precisão + Cobertura Foram usados como baseline e estado-da-arte os sistemas propostos por Alva- Manchego em sua dissertação. Os resultados são comparados na Tabela 4 e detalhados na Tabela 5. Sistema Precisão Cobertura F1 Manchego - Semi-supervisionado (2013) 80,70% 80,40% 80,50% Manchego - Supervisionado (2013) 80,00% 79,30% 79,70% Este trabalho 79,08% 79,62% 79,35% Projeto de Aprendizado de Máquina 1 69,80% 68,70% 69,20% Baseline 64,60% 40,90% 50,10% Tabela 4: resultados comparativos com baseline e estado-da-arte usando script da CoNLL no conjunto de teste Etiquetas Corretos Excedentes Faltantes Precisão Cobertura F1 Global ,08 79,62 79,35 A ,45 86,29 88,80 A ,27 88,89 89,08 A ,92 79,69 73,91 A ,00 0,00 0,00 A ,00 40,00 57,14 AM-ADV ,00 45,00 51,43 AM-CAU ,00 100,00 100,00 AM-DIR ,00 0,00 0,00 AM-DIS ,54 80,00 69,57 AM-EXT ,00 0,00 0,00 12
13 AM-LOC ,38 65,52 62,30 AM-MNR ,50 33,33 35,29 AM-NEG ,30 100,00 95,45 AM-PNC ,00 50,00 44,44 AM-PRD ,00 20,00 22,22 AM-TMP ,42 65,91 63,04 Tabela 5: resultados detalhados da avaliação pelo script CoNLL 4.7 Matriz de confusão A seguir apresentamos a matriz de confusão sobre os dados de treino, gerada pelo script da competição, como mostra a Figura 9. As linhas representam as etiquetas corretas e as predições estão distribuídas pelas colunas : : A : A : A : A : A : A : ADV : CAU : DIR : DIS : EXT : LOC : MED : MNR : NEG : PNC : PRD : REC : TMP Figura 9: Matriz de confusão dos dados de treino. 5 Conclusões O resultado que obtivemos no sistema está muito próximo ao estado-da-arte, e acreditamos que seja possível ultrapassa-lo muito em breve, usando apenas aprendizado supervisionado. Como trabalho futuro pretendemos criar uma lista com expressões multi-palavra (MWEs) verbais, extraídas automaticamente a partir dos corpora Floresta e Chave, 13
14 e utiliza-la na confecção de novos atributos que podem melhorar o desempenho do sistema como um todo. Além disso, conforme podemos ver na matriz de confusão, existe uma certa ambiguidade entra as classes AM-LOC e AM-TMP, que pretendemos endereçar através de novos atributos. Por fim pretendemos também incorporar informações da WordNet.Br em nosso dataset e ver como o sistema desempenha com mais essa fonte de conhecimento. 6 Referências Alva-Manchego, F. E. (2013). Anotação automática semissupervisionada de papéis semânticos para o português do Brasil. Dissertação de mestrado, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo. Chang, Chih-Chung e Lin, Chih-Jen (2011). LIBSVM: A library for support vector machines. ACM Transactions on Intelligent Systems and Technology Volume 2, número 3, página 27:1-27:27. Fonseca, E. R. (2013). Uma abordagem conexionista para anotação de papéis semânticos. Dissertação de mestrado, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo. Gildea, D. e Jurafsky, D. (2002). Automatic labeling of semantic roles. Computational Linguistics Volume 28, número 3, páginas Llu ıs M`arquez, Xavier Carreras, Kenneth C.Litkowski, Suzanne Stevenson (2008). Semantic Role Labeling: An Introduction to the Special Issue. Computational Linguistics Volume 34, Número 2, páginas Rong-En Fan, Kai-Wei Chang, Cho-Jui Hsieh, Xiang-Rui Wang e Chih-Jen Lin (2008). LIBLINEAR: A library for large linear classication. Journal of Machine Learning Research Volume 9, páginas Surdeanu et al. (2011). Learning to Rank Answers to Non-Factoid Questions from Web Collections. Computational Linguistics - Volume 37, número 2, páginas Xue, N. e Palmer, M. (2004). Calibrating Features for Semantic Role Labeling. In 2004 Conference on Empirical Methods in Natural Language Processing, páginas 88-94, Barcelona, Spain. ACL. 14
6 Atributos. A dívida da empresa subiu.
6 Atributos Para buscar o sentimento de um texto automaticamente precisamos encontrar boas pistas ao longo do discurso. Uma grande variedade de palavras e expressões possui conotação positiva ou negativa,
Leia maisÍndice. Classificação de textos para o ensino de português como segunda língua. Índice. technology from seed
Classificação de textos para o ensino de português como segunda língua Pedro Santos Curto Conclusões, Contribuições e Trabalho futuro 1 2 Motivação Aplicações e escala da classificação de textos Motivação
Leia maisAnálise Sintática de Frases utilizando Gramáticas Livres de Contexto Probabilísticas
Universidade de São Paulo Mestrado em Ciência da Computação Instituto de Matemática e Estatística Disciplina MAC5725 Lingüística Computacional Análise Sintática de Frases utilizando Gramáticas Livres de
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisO tratamento da partícula se para fins de anotação de papéis semânticos
O tratamento da partícula se para fins de anotação de papéis semânticos Magali Sanches Duran, Sandra Maria Aluísio Núcleo Interinstitucional de Linguística Computacional ICMC Universidade de São Paulo
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Leia maisPROTÓTIPO PARA SUMARIZAÇÃO AUTOMÁTICA DE TEXTOS ESCRITOS EM LÍNGUA PORTUGUESA ALEXANDRE BUSARELLO JOYCE MARTINS
PROTÓTIPO PARA SUMARIZAÇÃO AUTOMÁTICA DE TEXTOS ESCRITOS EM LÍNGUA PORTUGUESA ALEXANDRE BUSARELLO JOYCE MARTINS Roteiro Introdução Objetivos Fundamentação Teórica Especificação Implementação Operacionalidade
Leia maisDESENVOLVIMENTO DE UM PARSER DE CONECTORES TEXTUAIS E SUA APLICAÇÃO PARA ANÁLISE DE. Leonardo Zilio(Letras/UFRGS) Rodrigo Wilkens(PPG-Comp/UFRGS)
DESENVOLVIMENTO DE UM PARSER DE CONECTORES TEXTUAIS E SUA APLICAÇÃO PARA ANÁLISE DE GÊNEROS TEXTUAIS Leonardo Zilio(Letras/UFRGS) Rodrigo Wilkens(PPG-Comp/UFRGS) IX ELC Porto Alegre 08 de Outubro de 2010
Leia maisBuscador Online do CINTIL-Treebank. Patricia Nunes Gonçalves & António Branco Universidade de Lisboa
Buscador Online do CINTIL-Treebank Patricia Nunes Gonçalves & António Branco Universidade de Lisboa Abstract This paper describes the CINTIL-Treebank Online Searcher, a freely available online service
Leia maisBuscador Online do CINTIL-Treebank Patricia Nunes Gonçalves, António Branco
Buscador Online do CINTIL-Treebank Patricia Nunes Gonçalves, António Branco Faculdade de Ciências da Universidade de Lisboa Abstract This paper describes the CINTIL-Treebank Online Searcher, a freely available
Leia maisVerificação automática de substantivos compostos através de reconhecimento de padrões sintáticos
Universidade Federal do Rio Grande do Sul Grupo de Processamento de Linguagens Naturais Projeto Expressões Multipalavras Verificação automática de substantivos compostos através de reconhecimento de padrões
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisCursos Científico-humanísticos de Ciências e Tecnologias e de Línguas e Humanidades. PORTUGUÊS 11.º Ano Matriz do teste Comum
Direção de Serviços da Região Norte Cursos Científico-humanísticos de Ciências e Tecnologias e de Línguas e Humanidades PORTUGUÊS 11.º Ano Matriz do teste Comum 1. Informação O presente documento visa
Leia maisIntrodução à Programação
Introdução à Programação Linguagens de Programação: sintaxe e semântica de linguagens de programação e conceitos de linguagens interpretadas e compiladas Engenharia da Computação Professor: Críston Pereira
Leia maisCompiladores I Prof. Ricardo Santos (cap 1)
Compiladores I Prof. Ricardo Santos (cap 1) Compiladores Linguagens de programação são notações que permitem descrever como programas devem executar em uma máquina Mas, antes do programa executar, deve
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 mais5 Experimentos Conjunto de Dados
Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto
Leia maisIdentificação de Autoria de Textos através do uso de Classes Linguísticas da Língua Portuguesa
Identificação de Autoria de Textos através do uso de Classes Linguísticas da Língua Portuguesa Paulo Júnior Varela 1, Edson J. R. Justino 2, Luiz E. S. Oliveira 3 1 Universidade Tecnológica Federal do
Leia maisAnálise de Sentimentos em Notícias Utilizando Dicionário Léxico e Aprendizado de Máquina
Análise de Sentimentos em Notícias Utilizando Dicionário Léxico e Aprendizado de Máquina Ana Carolina Bras Costa 1, Êmile Cunha Lopes 1 1 Departamento de Informática Universidade Federal do Maranhão (UFMA)
Leia maisCompiladores. Conceitos Básicos
Compiladores Conceitos Básicos Processadores de Linguagem De forma simples, um compilador é um programa que recebe como entrada um programa em uma linguagem de programação a linguagem fonte e o traduz
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisFunções gramaticais: Complemento e adjunto. Luiz Arthur Pagani (UFPR)
Funções gramaticais: Complemento e adjunto (UFPR) 1 1 Tradição gramatical termos essenciais termos acidentais: intaxe: um adjunto é um `elemento opcional', enquanto um complemento é um `elemento obrigatório'.[2,
Leia maisProcessamento de Linguagem Natural
Processamento de Linguagem Natural Prof. Dr. Silvio do Lago Pereira Departamento de Tecnologia da Informação Faculdade de Tecnologia de São Paulo Introdução Processamento de de linguagem natural (PLN)
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisFerramenta de apoio a identificação de eventos utilizando Linguagem Natural. Aluno: Ricardo Tomelin Orientador: Everaldo Artur Grahl
Ferramenta de apoio a identificação de eventos utilizando Linguagem Natural Aluno: Ricardo Tomelin Orientador: Everaldo Artur Grahl Roteiro 1. Introdução 2. Objetivos 3. Análise Essencial de Sistemas 4.
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Pré-processamento de documentos Organização e Recuperação de Informação(GSI521) Introdução O pré-processamento de
Leia maisCOLÉGIO ALMIRANTE TAMANDARÉ
Língua Portuguesa: Interpretação de texto. CONTEÚDOS APS 4º BIMESTRE/2016 2º ANO Gramática: Unidade 20 Adjetivo: concordância; Unidade 21 Aumentativo e diminutivo (páginas 190 a 209). Linguagens: A letra
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisNo arquivo Exames e Provas podem ser consultados itens e critérios de classificação de provas e testes intermédios desta disciplina.
INFORMAÇÃO-PROVA PORTUGUÊS Novembro de 2016 Prova 639 12.º Ano de Escolaridade (Decreto-Lei n.º 139/2012, de 5 de julho) O presente documento divulga informação relativa à prova de exame final nacional
Leia maisCurso de Línguas e Humanidades
ESCOLA SECUNDÁRIA MANUEL TEIXEIRA GOMES Departamento de Línguas [Românicas e Clássicas] Docente: Luís Pinto Salema Prova Escrita de Latim A 11.º Ano de Escolaridade Curso de Línguas e Humanidades Informação
Leia maisProcesso de Admissão de Novos Estudantes Conteúdos programáticos para candidatos que ingressarão no. 3º ano do Ensino Médio MATEMÁTICA
Processo de Admissão de Novos Estudantes 2017 Conteúdos programáticos para candidatos que ingressarão no 3º ano do Ensino Médio MATEMÁTICA HABILIDADES CONTEÚDOS Identificar padrões numéricos ou princípios
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisUNIVERSIDADE DE PERNAMBUCO UPE CAMPUS MATA NORTE ESCOLA DE APLICAÇÃO PROFESSOR CHAVES TESTE SELETIVO Anexo IV PROGRAMAS
Anexo IV PROGRAMAS 6º ANO DO ENSINO FUNDAMENTAL (antiga 5ª série) Língua Portuguesa 1. LEITURA, COMPREENSÃO E PRODUÇÃO DE TEXTOS, CONTEÚDOS GRAMATICAIS. 1.1. Leitura e compreensão de diferentes tipos de
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisAnálise Estruturada. Modelagem de Software Prof. Flávio de Oliveira Silva, Ph.D.
Análise Estruturada Análise estruturada Proposta a partir de 1975 por vários autores (Constantine, Tom DeMarco, Yourdon, Gane & Sarson) Caiu em desuso com os modelos orientados a objetos Entretanto...
Leia maisTipos de Gráficos. Saiba qual o tipo de gráfico representa melhor os seus dados no Excel 2007
Tipos de Saiba qual o tipo de gráfico representa melhor os seus dados no Excel 2007 Site Tecmundo Por http://www.tecmundo.com.br/1745-saiba-qualtipo-de-grafico-representa-melhor-os-seus-dadosno-excel-2007.htm
Leia maisMotivação e objectivos. Trabalho relacionado. Arquitectura. Contribuições. Avaliação. Conclusões
Extracção e classificação de entidades mencionadas Diogo Correia de Oliveira L 2 F - Spoken Language Systems Laboratory 1 L 2 F - Spoken Language Systems Laboratory 2 Motivação (1 / 3) Identificação e
Leia maisProcesso de Admissão de Novos Estudantes Conteúdos programáticos para candidatos que ingressarão no. 1º ano do Ensino Médio MATEMÁTICA
Processo de Admissão de Novos Estudantes 2016 Conteúdos programáticos para candidatos que ingressarão no 1º ano do Ensino Médio MATEMÁTICA CONTEÚDOS Efetuar cálculos com números reais envolvendo as operações
Leia mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisEspecificações e limites de planilha e de pasta de trabalho
Página 1 de 5 Excel > O que há de novo Especificações e limites do Microsoft Excel Ocultar tudo Neste artigo Especificações e limites da planilha e da pasta de Especificações e limites de cálculo Especificações
Leia maisIntrodução ao Processamento de Línguas Naturais. SCC5908 Introdução ao Processamento de Língua Natural. Thiago A. S. Pardo
/0/0 Introdução ao Processamento de Línguas Naturais SCC5908 Introdução ao Processamento de Língua Natural Thiago A. S. Pardo Dilemas no Brasil Como lidar com a interdisciplinaridade Linda no papel, complicada
Leia maisAnotação de papéis semânticos na prática. Magali Sanches Duran Pós-Doc USP-ICMC-NILC
Anotação de papéis semânticos na prática Magali Sanches Duran Pós-Doc USP-ICMC-NILC Organização do Minicurso Três módulos: Anotação de corpus Anotação de papéis semânticos Anotação usando a ferramenta
Leia maisProcessamento da Consulta. Processamento da Consulta
Processamento da Consulta Equipe 05 Adriano Vasconcelos Denise Glaucia Jose Maria Marcigleicy Processamento da Consulta Refere-se ao conjunto de atividades envolvidas na extra de dados de um banco de dados.
Leia maisMETODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Marcelo Zaniboni 1, Osvaldo Severino Junior 2 1: Universitário do curso de Ciência da Computação, Faculdade
Leia maisINFORMAÇÃO DE EXAME A NÍVEL DE ESCOLA EQUIVALENTE A NACIONAL Secundário - 1.ª e 2.ª FASES CÓDIGO: 847
2015/2016 ANO DE ESCOLARIDADE: 11.º ANO DURAÇÃO DO EXAME: 120 minutos TOLERÂNCIA: 30 minutos INFORMAÇÃO DE EXAME A NÍVEL DE ESCOLA EQUIVALENTE A NACIONAL Secundário - 1.ª e 2.ª FASES CÓDIGO: 847 DISCIPLINA:
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisConstrução de Compiladores Aula 16 - Análise Sintática
Construção de Compiladores Aula 16 - Análise Sintática Bruno Müller Junior Departamento de Informática UFPR 25 de Setembro de 2014 1 Introdução Hierarquia de Chomsky Reconhecedores Linguagens Livres de
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 maisProva de Aferição de Matemática e Estudo do Meio
Prova de Aferição de Matemática e Estudo do Meio Prova 26 2.º Ano de Escolaridade Decreto-Lei n.º 17/2016, de 4 de abril Critérios de Classificação 11 Páginas 2016 Prova 26 CC Página 1/ 11 CRITÉRIOS DE
Leia maisOlimpíada Brasileira de Robótica
Olimpíada Brasileira de Robótica Instruções gerais - Uso da Planilha de Pontos INTRODUÇÃO A planilha de pontos foi criada para agilizar o processo de escolha das equipes campeãs do prêmio principal da
Leia maisDADOS DO COMPONENTE CURRICULAR
DADOS DO COMPONENTE CURRICULAR Nome: Inglês Instrumental Curso: Licenciatura em Ciências Biológicas Período: Optativa Carga Horária total: 50h Pré-requisito: não possui EMENTA Conscientização do processo
Leia maisConservatório de Música Calouste Gulbenkian de Braga INFORMAÇÃO- Prova de Equivalência à Frequência Disciplina: Inglês 2016
Conservatório de Música Calouste Gulbenkian de Braga INFORMAÇÃO- Prova de Equivalência à Frequência Disciplina: Inglês 2016 Prova 21 3º Ciclo/ 9º Ano de escolaridade Decreto-Lei n.º 139/2012, de 5 de julho
Leia maisAgrupamento de Escolas de Cabeceiras de Basto
Agrupamento de Escolas de Cabeceiras de Basto Escola Básica e Secundária de Cabeceiras de Basto Telefone 253 662 338 * Fax 253 662 826 Informação de Exame de Recuperação de Módulo em Atraso Curso Profissional
Leia mais3.º Ciclo do Ensino Básico (Decreto Lei n.º 3/2008, de 7 de janeiro)
INFORMAÇÃO PROVA DE EQUIVALÊNCIA À FREQUÊNCIA Espanhol Maio de 2015 Prova 15 - Escrita 3.º Ciclo do Ensino Básico (Decreto Lei n.º 3/2008, de 7 de janeiro) 1. Introdução O presente documento dá a conhecer
Leia maisLista de Exercícios. Av. Trabalhador São-carlense, 400. centro. São Carlos - SP cep Brasil.
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Ciências de Computação Disciplina de Organização de Arquivos Profa. Dra. Cristina Dutra de Aguiar Ciferri Lista
Leia maisDesenvolvimento da Pesquisa
Desenvolvimento da Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Modelo de Processo de Pesquisa Estratégias de Pesquisa
Leia maisGerência de Configuração: Terminologia. Leonardo Gresta Paulino Murta
Gerência de Configuração: Terminologia Leonardo Gresta Paulino Murta leomurta@ic.uff.br Item de configuração Agregação de hardware e/ou software que será passível de gerência de configuração e tratado
Leia maisUniversidade Estadual da Paraíba - UEPB Curso de Licenciatura em Computação
Universidade Estadual da Paraíba - UEPB Curso de Licenciatura em Computação Análise Semântica Disciplina: Compiladores Equipe: Luiz Carlos dos Anjos Filho José Ferreira Júnior Compiladores Um compilador
Leia maisGERÊNCIA DE DADOS SEMI ESTRUTURADOS - XPATH. Prof. Angelo Augusto Frozza, M.Sc.
GERÊNCIA DE DADOS SEMI ESTRUTURADOS - XPATH Prof. Angelo Augusto Frozza, M.Sc. XPATH (XML PATH LANGUAGE) Linguagem para navegação na estrutura de um documento XML semelhante a navegação em diretórios DOS
Leia maisComparação de métodos de fingerprints para o rastreio virtual de inibidores da 5α-redutase
Pedro Rafael Mendes Reis Comparação de métodos de fingerprints para o rastreio virtual de inibidores da 5α-redutase Dissertação de Mestrado em Química Farmacêutica Industrial, orientada pela Doutora Cândida
Leia mais5 Usando as Representações de Design Rationale
5 Usando as Representações de Design Rationale Como mencionamos anteriormente, representar design rationale em uma linguagem formal usando o modelo formal dos artefatos nos permite atribuir semântica ao
Leia maisCapítulo1. Capítulo2. Índice A LÍNGUA E A LINGUAGEM O PORTUGUÊS: uma língua, muitas variedades... 15
Capítulo1 Capítulo2 A LÍNGUA E A LINGUAGEM............................................. 9 Linguagem: aptidão inata.............................................. 10 Funções.............................................................
Leia maisINFORMAÇÃO DE PROVA EQUIVALENTE A EXAME NACIONAL
INFORMAÇÃO DE PROVA EQUIVALENTE A EXAME NACIONAL Espanhol Continuação (Bienal)- Prova Escrita Prova 847 2016 Duração da Prova: 120 minutos. Tolerância: 30 minutos 11º Ano de Escolaridade (Decreto-lei nº
Leia maisExcelência acadêmica para a vivência dos valores humanos e cristãos. Admissão de Alunos CONTEÚDOS PROGRAMÁTICOS 9º ANO ENSINO FUNDAMENTAL II
Excelência acadêmica para a vivência dos valores humanos e cristãos. Admissão de Alunos 2018 CONTEÚDOS PROGRAMÁTICOS 9º ANO ENSINO FUNDAMENTAL II CIÊNCIAS 1. O CORPO HUMANO 1.1 Células procariotas e eucariotas.
Leia maisVerbLexPor: um recurso léxico com anotação de papéis semânticos para o português
Proceedings of Symposium in Information and Human Language Technology. Natal, RN, Brazil, November 4 7, 2015. c 2015 Sociedade Brasileira de Computação. VerbLexPor: um recurso léxico com anotação de papéis
Leia maisProblemas de Escrita. Graça Nunes Thiago Pardo
Problemas de Escrita Graça Nunes Thiago Pardo Qual é o problema? A transformada de Hough é um algoritmo muito conhecido em visão computacional, mas a sua aplicação em alguns sistemas de tempo real é proibitiva,
Leia maisIntrodução. 3 º Ciclo do Ensino Básico (Decreto-Lei n.º 3/2008, de 7 de janeiro)
INFORMAÇÃO PROVA LÍNGUA ESTRANGEIRA I INGLÊS Escrita e Oral 2016 Prova 21 3 º Ciclo do Ensino Básico (Decreto-Lei n.º 3/2008, de 7 de janeiro) Introdução O presente documento divulga informação relativa
Leia maisProf. Adriano Maranhão COMPILADORES
Prof. Adriano Maranhão COMPILADORES LINGUAGENS: INTERPRETADAS X COMPILADAS Resumo: Linguagem compilada: Se o método utilizado traduz todo o texto do programa, para só depois executar o programa, então
Leia maisClassificação de Relações Abertas utilizando Similaridade entre Estruturas Gramaticais
Classificação de Relações Abertas utilizando Similaridade entre Estruturas Gramaticais George C. G. Barbosa 1, Daniela Barreiro Claro 1 1 FORMAS - Grupo de Pesquisa em Formalismos e Aplicações Semânticas
Leia maisINFORMAÇÃO PROVA DE EQUIVALÊNCIA À FREQUÊNCIA
INFORMAÇÃO PROVA DE EQUIVALÊNCIA À FREQUÊNCIA INGLÊS Prova 06 2015 ------------------------------------------------------------------------------------------------------------------------------- 2º Ciclo
Leia maisCONTEÚDOS: Os conteúdos abordados serão os mesmos da prova escrita.
MATRIZ DA PROVA ESCRITA OBJECTIVOS ESPECÍFICOS: O aluno. compreende globalmente um texto autêntico; selecciona informação relevante; aplica vocabulário pertinente e variado; usa correctamente estruturas
Leia maisMétodos de Ordenação Parte 3
Estrutura de Dados II Métodos de Ordenação Parte 3 Prof a Márcio Bueno ed2tarde@marciobueno.com / ed2noite@marciobueno.com Material baseado nos materiais do Prof. Robson Lins Classificação em Memória Primária
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisVERSÃO DE TRABALHO. Exame Final Nacional de Inglês Prova ª Fase Ensino Secundário º Ano de Escolaridade Continuação bienal
Exame Final Nacional de Inglês Prova 0.ª Fase Ensino Secundário 07.º Ano de Escolaridade Continuação bienal Decreto-Lei n.º 9/0, de de julho Critérios de Classificação 8 Páginas Prova 0/.ª F. CC Página
Leia maisSEMÂNTICA PARTE 3 ANÁLISE SEMÂNTICA 14/06/2012. SCC5908 Tópicos em Processamento de Língua Natural. Até agora, significado da sentença
SEMÂNTICA PARTE 3 SCC5908 Tópicos em Processamento de Língua Natural Thiago A. S. Pardo ANÁLISE SEMÂNTICA Até agora, significado da sentença Rhumba closed. e Closing(e) Closed(e,Rhumba) 2 1 ANÁLISE SEMÂNTICA
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisAlgoritmos e Programação
ESTADO DE MATO GROSSO SECRETARIA DE ESTADO DE CIÊNCIA E TECNOLOGIA UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA ELÉTRICA
Leia maisMATERIAL DE APOIO PARA ELABORAÇÃO DE TRABALHOS DE CONCLUSÃO DE CURSO DE GRADUAÇÃO (TCC) PARA OS CURSOS DE GRADUAÇÃO EM ODONTOLOGIA
Faculdade de Odontologia Biblioteca Malvina Vianna Rosa MATERIAL DE APOIO PARA ELABORAÇÃO DE TRABALHOS DE CONCLUSÃO DE CURSO DE GRADUAÇÃO (TCC) PARA OS CURSOS DE GRADUAÇÃO EM ODONTOLOGIA Este documento
Leia maisPROVA DE CONHECIMENTOS ESPECÍFICOS
Nesta PROVA DE CONHECIMENTOS ESPECÍFICOS, nas questões objetivas de a, que valem dez pontos dois pontos para cada questão, marque, em cada uma, a única opção correta, de acordo com o respectivo comando.
Leia mais4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
Leia maisOBJETO DIRETO E OBJETO INDIRETO EM UM LIVRO DIDÁTICO: GRAMÁTICA NORMATIVA VS. GRAMÁTICA EXPLICATIVA/GERATIVA
OBJETO DIRETO E OBJETO INDIRETO EM UM LIVRO DIDÁTICO: GRAMÁTICA NORMATIVA VS. GRAMÁTICA EXPLICATIVA/GERATIVA Jessé Pantoja SERRÃO (G-UFPA) Antônia Fernanda de Souza NOGUEIRA (UFPA) 120 Resumo Este artigo
Leia maisX Y Z A B C D
29) A seguinte tabela verdade corresponde a um circuito combinatório de três entradas e quatro saídas. Obtenha a tabela de programação para o circuito em um PAL e faça um diagrama semelhante ao apresentado
Leia maisCompiladores I Prof. Ricardo Santos (cap 3 Análise Léxica: Introdução, Revisão LFA)
Compiladores I Prof. Ricardo Santos (cap 3 Análise Léxica: Introdução, Revisão LFA) Análise Léxica A primeira fase da compilação Recebe os caracteres de entrada do programa e os converte em um fluxo de
Leia maisTransformada de Discreta de Co senos DCT
Transformada de Discreta de Co senos DCT O primeiro passo, na maioria dos sistemas de compressão de imagens e vídeo, é identificar a presença de redundância espacial (semelhança entre um pixel e os pixels
Leia maisComparação dos algoritmos sequencial e paralelo para contagem de palavras e contexto
Comparação dos algoritmos sequencial e paralelo para contagem de palavras e contexto Eduardo Delazeri Ferreira, Francieli Zanon Boito, Aline Villavicencio 1. Introdução 1 Instituto de Informática - Universidade
Leia mais847- ESPANHOL (NÍVEL- CONTINUAÇÃO 10.º/ 11.º ANO)
847- ESPANHOL (NÍVEL- CONTINUAÇÃO 10.º/ 11.º ANO) FORMAÇÃO ESPECÍFICA 1ª/2ª FASE 1.INTRODUÇÃO O presente documento visa divulgar as características do Exame de Espanhol a nível de escola a realizar em
Leia maisClassificação: Árvores de Decisão e k-nn. Eduardo Raul Hruschka
Classificação: Árvores de Decisão e k-nn Eduardo Raul Hruschka Árvores de Decisão Métodos para aproximar funções discretas, representadas por meio de uma árvore de decisão; Árvores de decisão podem ser
Leia maisSISTEMA GUARDIÃO. Manual de Usuário
SISTEMA GUARDIÃO Manual de Usuário Resumo Neste documento é apresentada uma breve descrição das funcionalidades e da utilização do sistema integrado de detecção de anomalias em redes GUARDIÃO. Versão 1.0
Leia maisELABORAÇÃO DE DICIONÁRIO ELETRÔNICO Mauro Rebello 1, Violeta de San Tiago Dantas Barbosa Quental 2.
DL - DEPARTAMENTO DE LETRAS ELABORAÇÃO DE DICIONÁRIO ELETRÔNICO Mauro Rebello 1, Violeta de San Tiago Dantas Barbosa Quental 2. 1 Aluno do curso de Letras da PUC-Rio 2 Professora e pesquisadora da área
Leia maisIMPLEMENTAÇÃO E RESOLUÇÃO DE MODELOS MATEMÁTICOS UTILIZANDO A PLANILHA EXCEL
IMPLEMENTAÇÃO E RESOLUÇÃO DE MODELOS MATEMÁTICOS UTILIZANDO A PLANILHA EXCEL 1. INTRODUÇÃO Este tutorial apresenta, passo-a-passo, o processo de implementação e resolução de modelos matemáticos na planilha
Leia maisClassificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Leia maisAula de Hoje. Processamento Estatístico da Linguagem Natural. Bottom-Up Filtering. Ambiguidade. Combinando Top-Down e Bottom-Up
Processamento Estatístico da Linguagem Natural Aula 19 Professora Bianca (Sala 302 Bloco E) bianca@ic.uff.br http://www.ic.uff.br/~bianca/peln/ Aula de Hoje Cap. 13 Jurafsky & Martin Parsing Sintático
Leia mais5 Metodologia e limitações de trabalho
5 Metodologia e limitações de trabalho Para atender os objetivos de nossa investigação, será realizado um estudo baseado em corpus. O corpus utilizado é o NILC-São Carlos 1, que contém textos brasileiros
Leia maisExtração de Alvos em Comentários de Notícias em Português baseada na Teoria da Centralização
Proceedings of Symposium in Information and Human Language Technology. Natal, RN, Brazil, November 4 7, 2015. c 2015 Sociedade Brasileira de Computação. Extração de Alvos em Comentários de Notícias em
Leia maisSEQUÊNCIA DIDÁTICA PODCAST ÁREA CIÊNCIAS DA NATUREZA I MATEMÁTICA - ENSINO MÉDIO
SEQUÊNCIA DIDÁTICA PODCAST ÁREA CIÊNCIAS DA NATUREZA I MATEMÁTICA - ENSINO MÉDIO Título do Podcast Área Segmento Duração Progressão Geométrica Ciências da Natureza I Matemática Ensino médio 5min34seg Habilidades:
Leia maisAvaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS
http://dx.doi.org/10.12702/viii.simposfloresta.2014.131-592-1 Avaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS Juliana Tramontina 1, Elisiane
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 15 Árvores de Decisão Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso.
Leia mais