Aprendizado de Máquinas. Classificadores Lineares
|
|
- Alexandra Camilo Maranhão
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti
2 Objetivos Introduzir o conceito de classificação linear. LDA Funções Discriminantes Lineares Perceptron SVM 2
3 Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function) precisamos ter: Dados rotulados (supervisão) Conhecer o shape da fronteira Estimar os parâmetros desta fronteira a partir dos dados de treinamento. Nesse caso uma reta. 3
4 Introdução: Idéia Básica Ruim Suponha duas classes Assuma que elas são linearmente separáveis por uma fronteira l(θ) Otimizar o parâmetro θ para encontrar a melhor fronteira. Como encontrar o parâmetro Minimizar o erro no treinamento O ideal é utilizar uma base de validação. Boa 4
5 Introdução Funções discriminantes podem ser mais gerais do que lineares Vamos focar em problemas lineares Mais fácil de compreender Entender a base da classificação linear Diferentemente de métodos paramétricos, não precisamos conhecer a distribuição dos dados Podemos dizer que temos uma abordagem não paramétrica. 5
6 Análise Discriminante Linear LDA (Linear Discriminant Analysis) LDA tenta encontrar uma transformação linear através da maximização da distância entreclasses e minimização da distância intra-classe. O método tenta encontrar a melhor direção de maneira que quando os dados são projetados em um plano, as classes possam ser separadas. Reta ruim Reta 6 boa
7 LDA 7
8 LDA 8
9 LDA Projetar amostras x = w x Maximizar J(w), qual w? 2 2 J(w) = m 1 - m 2 / ( s 1 + s 2 ) J(w) = ( w t S B w ) / ( w t S w w ) d J(w) / d w = 0 => S B w - S w λw = 0 => S B S w -1 w - λw = 0 => w = S W -1 ( m 1 m 2 ) 9
10 LDA Diferença entre PCA e LDA quando aplicados sobre os mesmos dados 10
11 LDA Para um problema linearmente separável, o problema consiste em rotacionar os dados de maneira a maximizar a distância entre as classes e minimizar a distância intra-classe. 11
12 LDA Tutorial 1) Para um dado conjunto de dados, calcule os vetores médios de cada classe μ 1,μ 2 (centróides) e o vetor médio geral,μ. Centroide Classe +1 Centroide Classe -1 Centroide geral 12
13 LDA Tutorial Calcular as médias de cada classe e a total. 13
14 LDA Tutorial Calcular o espalhamento de cada classe S i = SUM{(m-x i )(m-x i ) t } Calcular o espalhamento entre classes (within class) S W = S 1 + S 2 14
15 LDA Tutorial Calcular a inversa de S W Custo??? Finalmente, o vetor projeção w = S W -1 (m 1 m 2 ) Reprojetando os vetores sobre w x 1 = ( x 1 w ) w t x 2 = ( x 2 w ) w t 15
16 LDA Tutorial Para visualizar a transformação, basta aplicar a função discriminante a todos os dados 16
17 LDA Tutorial Taxa de Reconhecimento 17 = 99%
18 Exercício Gere duas distribuições Classifique os dados usado LDA Verifique o impacto da sobreposição das distribuições. 18
19 Tutorial 1/2 x1 = [ ; ; ; ]; x2 = [ ; ; ]; m1 = mean(x1);m2 = mean(x2);m = mean([x1;x2]); S1 = (x1-repmat(m1,size(x1,1),1))'*... (x1-repmat(m1,size(x1,1),1)); S2 = (x2-repmat(m2,size(x2,1),1))'*... (x2-repmat(m2,size(x2,1),1)); S = S1 + S2; w=inv(s)*(m1-m2)'; 19
20 Tutorial 2/2 figure,hold on axis([ ]); plot(x1(:,1),x1(:,2),'bx'); plot(m1(1),m1(2),'bd'); plot(x2(:,1),x2(:,2),'rx'); plot(m2(1),m2(2),'rd'); plot(m(1),m(2),'kd'); plot([w(1) 0],[w(2) 0],'g'); w = w/norm(w); x1l=(x1*w)*w ; x2l=(x2*w)*w'; plot(x1l(:,1),x1l(:,2),'bo'); plot(x2l(:,1),x2l(:,2),'ro'); 20
21 Tutorial 2 1/3 a = 5*[randn(500,1)+5, randn(500,1)+5]; b = 5*[randn(500,1)+5, randn(500,1)-5]; c = 5*[randn(500,1)-5, randn(500,1)+5]; d = 5*[randn(500,1)-5, randn(500,1)-5]; e = 5*[randn(500,1), randn(500,1)]; Group_X = [a;b;c]; Group_Y = [d;e]; All_data = [Group_X; Group_Y]; All_data_label = []; for k = 1:length(All_data) if k<=length(group_x) All_data_label = [All_data_label; 'X']; else All_data_label = [All_data_label; 'Y']; end end testing_ind = []; for i = 1:length(All_data) if rand>0.8 testing_ind = [testing_ind, i]; end end training_ind = setxor(1:length(all_data), testing_ind); 21
22 Tutorial 2 2/3 [ldaclass,err,p,logp,coeff] = classify(all_data(testing_ind,:),... All_data((training_ind),:),All_data_label(training_ind,:),'linear'); [ldaresubcm,grporder] = confusionmat(all_data_label(testing_ind,:),ldaclass) K = coeff(1,2).const; L = coeff(1,2).linear; f K + [x y]*l; h2 = ezplot(f,[min(all_data(:,1)) max(all_data(:,1)) min(all_data(:,2)) max(all_data(:,2))]); hold on [ldaclass,err,p,logp,coeff] = classify(all_data(testing_ind,:),... All_data((training_ind),:),All_data_label(training_ind,:),'diagQuadratic'); [ldaresubcm,grporder] = confusionmat(all_data_label(testing_ind,:),ldaclass) K = coeff(1,2).const; L = coeff(1,2).linear; Q = coeff(1,2).quadratic; f K + [x y]*l + sum(([x y]*q).* [x y], 2); h2 = ezplot(f,[min(all_data(:,1)) max(all_data(:,1)) min(all_data(:,2)) max(all_data(:,2))]); hold on 22
23 Tutorial 2 3/3 Group_X_testing = []; Group_Y_testing = []; for k = 1:length(All_data) if ~isempty(find(testing_ind==k)) if strcmp(all_data_label(k,:),'x')==1 Group_X_testing = [Group_X_testing,k]; else Group_Y_testing = [Group_Y_testing,k]; end end end plot(all_data(group_x_testing,1),all_data(group_x_testing,2),'g.'); hold on plot(all_data(group_y_testing,1),all_data(group_y_testing,2),'r.'); 23
24 Funções Discriminante Lineares Em geral, uma função discriminante linear pode ser escrita na forma g( x)=w T x+w 0 w é conhecido como o vetor dos pesos e w 0 representa o bias 24
25 Funções Discriminante Lineares é um hiperplano Um hiperplano é Um ponto em 1D Uma reta em 2D Um plano em 3D 25
26 Funções Discriminante Lineares Para duas dimensões, w determina a orientação do hiperplano enquanto w 0 representa o deslocamento com relação a origem 26
27 Perceptron Um classificador linear bastante simples, mas bastante importante no desenvolvimento das redes neuronais é o Perceptron. O perceptron é considerado como sendo a primeira e mais primitiva estrutura de rede neuronal artificial. Concebido por McCulloch and Pits na década de 50. Diferentemente do LDA, o perceptron não transforma os dados para fazer classificação. Tenta encontrar a melhor fronteira linear que separa os dados. 27
28 Perceptron x 1 w 1 x 2 w 2 w n ϕ (.) y x n w 0 A função de ativação normalmente utilizada no perceptron é a hardlim (threshold) y=ϕ ( w i x i +w 0 ) f ( x)={ 1 x 0 } 0 x<0 A função de ativação é responsável por determinar a forma e a intensidade de alteração dos valores transmitido de um neurônio a outro. 28
29 Perceptron: Algoritmo de Aprendizagem 1. Iniciar os pesos e bias com valores pequenos, geralmente no intervalo [ ] 2. Aplicar um padrão de entrada com seu respectivo valor desejado de saída (t i ) e verificar a saída y da rede. 3. Calcular o erro da saída 4. Se e=0, volta ao passo 2 5. Se e<>0, 1. Atualizar pesos 2. Atualizar o bias 6. Voltar ao passo 2 w i =w i old +e x i b=b old +e e=t j a Critério de parada: Todos os padrões classificados corretamente. 29
30 Perceptron: Exemplo Considere o seguinte conjunto de aprendizagem. X t Nesse tipo de algoritmo é importante que os dados sejam apresentados ao algoritmo de treinamento de maneira intercalada (shuffle) 30
31 Perceptron: Exemplo Considere o seguinte conjunto de aprendizagem. X t Nesse tipo de algoritmo é importante que os dados sejam apresentados ao algoritmo de treinamento de maneira intercalada (shuffle) 31
32 Perceptron: Exemplo Nesse exemplo, vamos inicializar os pesos e bias com 0, ou seja, w =(0,0) e b = 0 Apresentando o primeiro padrão (x 1 ) a rede: ( y=hard lim [0,0 ] [ 2 2] +0 ) =hard lim(0 )=1 Calcula-se o erro e=t i y=0 1= 1 Como o erro é diferente de 0, atualizam se os pesos e o bias W=W old +e x i =[ 0,0]+( 1 [2,2 ])=[ 2, 2 ] b=b old +e= 0+( 1)= 1 32
33 Apresentando o segundo padrão (x 2 ) a rede: ( y=hard lim [ 2, 2] [ 2 ] 2 +( 1) ) Calcula-se o erro e=t i y=1 1=0 =hard lim(7)=1 Como o erro é 0, os pesos e o bias não precisam ser atualizados. Apresentando o terceiro padrão (x 3 ) a rede: ( y=hard lim [ 2, 2 ] [ 2 ] 2 +( 1) ) Calcula-se o erro e=t i y=0 0=0 =hard lim( 1)=0 Como o erro é 0, os pesos e o bias não precisam ser atualizados. Apresentando o quarto padrão (x 4 ) a rede: ( y=hard lim [ 2, 2] [ 1 ] 1 +( 1 ) ) =hard lim( 1)=0 Calcula-se o erro e=t i y=1 0=1 W=W old +e x i =[ 2, 2]+(1[ 1,1 ])=[ 3, 1 ] b=b old +e= 1+1=0 33
34 Perceptron: Exemplo O processo acaba quando todos os padrões forem classificados corretamente. Para esse exemplo, os pesos finais são w=[-1,-3] e b = 2. 34
35 Determinando a fronteira No caso bi-dimensional, a fronteira de decisão pode ser facilmente encontrada usando a seguinte equação y= W 1 x b W 2 Considere o seguinte exemplo, w = [1.41, 1.41], b = Escolha duas coordenadas x, para então encontrar os y s correspondentes x=[-3,3] Efeito do bias diferente de zero. Para x = -3, y = 2.74 Para x = 3, y =
36 SVM Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento de padrões nos últimos 15 anos. Tem sido largamente utilizado com sucesso para resolver diferentes problemas. 36
37 SVM - Introdução Como vimos anteriormente, o perceptron é capaz de construir uma fronteira se os dados forem linearmente separáveis. A B Mas qual a fronteira que deve ser escolhida?? 37
38 SVM - Introdução Suponha que a fronteira escolhida é a A. Como ela está bem próxima da classe azul, seu poder de generalização é baixo Note que um novo elemento (dados não usados no treimamento), bem próximo de um azul será classificado erroneamente. 38
39 SVM - Introdução Escolhendo a fronteira B, podemos notar que o poder de generalização é bem melhor. Novos dados são corretamente classificados, pois temos uma fronteira mais distante dos dados de treinamento. 39
40 Maximização da Margem O conceito por traz do SVM é a maximização da margem, ou seja, maximizar a distância da margem dos dados de treinamento Distância Pequena Distância Grande Hiperplano ótimo: Distância da margem para o exemplo da classe positiva é igual a distância da margem para o exemplo da classe negativa. 40
41 Vetores de Suporte São os exemplos da base de treinamento mais próximos do hiperplano. O hiperplano é definido unicamente pelos vetores de suporte, os quais são encontrados durante o treinamento. Minimização de uma função quadrática Alto custo computacional. 41
42 SVM: Decisão f ( x)= i α i y i K ( x,x i )+b A função de decisão pode ser descrita pela fórmula acima, na qual, K é a função de kernel, α e b são os parâmetros encontrados durante o treinamento, x i e y i são os vetores de características e o label da classe respectivamente. 42
43 Soft Margin Mesmo para dados que não podem ser separados linearmente, o SVM ainda pode ser apropriado. Isso é possível através do uso das variáveis de folga (parâmetro C). Para um bom desempenho, os dados devem ser quase linearmente separáveis 43
44 Soft Margin Quanto maior o número de variáveis de folga (C), mais outliers serão descartados. Se C for igual a zero, temos um problema linearmente separável. 44
45 Mapeamento não Linear A grande maioria dos problemas reais não são linearmente separáveis. A pergunta então é: Como resolver problemas que não são linearmente separáveis com um classificador linear? Projetar os dados em um espaço onde os dados são linearmente separáveis. Espaço de entrada x i ϕ ( x i ) Espaço de características 45
46 Mapeamento não Linear Projetar os dados em outra dimensão usando uma função de kernel (kernel trick). Encontrar um hiperplano que separe os dados nesse espaço. Em qual dimensão esses dados seriam linearmente separáveis? ϕ ( x)=( x,x 2 ) 1D 2D 46
47 Kernel Trick A função que projeta o espaço de entrada no espaço de características é conhecida como Kernel Baseado no teorema de Cover Dados no espaço de entrada são transformados (transf. não linear) para o espaço de características, onde são linearmente separáveis. O vetor ϕ ( x i ) representa a imagem induzida no espaço de características pelo vetor de entrada 47
48 Exemplo 48
49 Exemplo 49
50 Kernel Trick Permite construir um hiperplano no espaço de característica sem ter que considerar o próprio espaço de características de forma explícita. Toda vez que um produto interno entre vetores deve ser calculado, utiliza-se o kernel. Uma função de kernel deve satisfazer o teorema de Mercer para ser válida. 50
51 Exemplos de Kernel 51
52 Tomada de Decisão SVM são classificadores binários, ou seja, separam duas classes. Entretanto, a grande maioria dos problemas reais possuem mais que duas classes. Como utilizar os SVMs nesses casos? Pairwise, um-contra-todos 52
53 Pairwise Consiste em treinar classificadores pairwise e arranjá-los em uma árvore A competição se dá nos níveis inferiores, e o ganhador chegará ao nó principal da árvore. Número de classificadores para q classes = q(q-1)/2. 53
54 Um-Contra-Todos Aqui, o número de classificadores é igual a q. Treina-se um classificador c i para a primeira classe, usando-se como contra exemplos as outras classes, e assim por diante. Para se obter a decisão final pode-se utilizar uma estratégia de votos. 54
55 Exercício Utilizar a ferramente LibSVM para realizar classificação usando SVM. 55
Uma 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 mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia 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 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 maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisHalliday & Resnick Fundamentos de Física
Halliday & Resnick Fundamentos de Física Mecânica Volume 1 www.grupogen.com.br http://gen-io.grupogen.com.br O GEN Grupo Editorial Nacional reúne as editoras Guanabara Koogan, Santos, Roca, AC Farmacêutica,
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 maisMáquina de Vetores Suporte
Máquina de Vetores Suporte André Ricardo Gonçalves andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Sumário 1 Máquina de Vetores Suporte p. 3 1.1 Teoria da Aprendizado Estatístico.......................
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
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 maisObjetivos. em termos de produtos internos de vetores.
Aula 5 Produto interno - Aplicações MÓDULO 1 - AULA 5 Objetivos Calcular áreas de paralelogramos e triângulos. Calcular a distância de um ponto a uma reta e entre duas retas. Determinar as bissetrizes
Leia maisPesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
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 mais2.1. Construção da Pista
2 Malha de Controle Para que se possa controlar um dado sistema é necessário observar e medir suas variáveis de saída para determinar o sinal de controle, que deve ser aplicado ao sistema a cada instante.
Leia maisProgramação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.
Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.
Leia maisProf. Fernando Carneiro Rio de Janeiro, Outubro de 2015
Ga - retas e planos na solução de problemas 1 GA - Retas e planos na solução de problemas Prof. Fernando Carneiro Rio de Janeiro, Outubro de 2015 1 Reta concorrente a duas retas dadas Este tipo de problema
Leia maisIMPLEMENTAÇÃO DO FREx_SVM: MÁQUINAS DE VETOR SUPORTE PARA CLASSIFICAÇÃO EM MÚLTIPLAS CLASSES
IMPLEMENTAÇÃO DO FREx_SVM: MÁQUINAS DE VETOR SUPORTE PARA CLASSIFICAÇÃO EM MÚLTIPLAS CLASSES Aluno: Aarão Irving Manhães Marins Orientador: Marley Maria Bernardes Rebuzzi Vellasco Introdução A máquina
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 maisAs variáveis de rotação
Capítulo 10 Rotação Neste capítulo vamos estudar o movimento de rotação de corpos rígidos sobre um eixo fixo. Para descrever esse tipo de movimento, vamos introduzir os seguintes conceitos novos: -Deslocamento
Leia maisMOVIMENTO EM UMA LINHA RETA
MOVIMENTO EM UMA LINHA RETA MOVIMENTO EM UMA LINHA RETA Objetivos de aprendizagem: Descrever o movimento em uma linha reta em termos de velocidade média, velocidade instantânea, aceleração média e aceleração
Leia maisAlgoritmos geométricos
Algoritmos geométricos introdução a conceitos básicos de geometria computacional que serão abordados de forma mais avançada na disciplina Computação Gráfica disciplina de computação gráfica arquitetura
Leia maisInterpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Leia maisMetas/ Objetivos Conceitos/ Conteúdos Aulas Previstas
DEPARTAMENTO DE MATEMÁTICA E INFORMÁTICA DISCIPLINA: Matemática A (11º Ano) METAS CURRICULARES/CONTEÚDOS... 1º Período (15 de setembro a 16 de dezembro) Metas/ Objetivos Conceitos/ Conteúdos Aulas Previstas
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisCinemática Inversa de Manipuladores
Cinemática Inversa de Manipuladores 1998Mario Campos 1 Introdução Cinemática Inversa Como calcular os valores das variáveis de junta que produzirão a posição e orientação desejadas do órgão terminal? 1998Mario
Leia maisAula 12. Ângulo entre duas retas no espaço. Definição 1. O ângulo (r1, r2 ) entre duas retas r1 e r2 se define da seguinte maneira:
Aula 1 1. Ângulo entre duas retas no espaço Definição 1 O ângulo (r1, r ) entre duas retas r1 e r se define da seguinte maneira: (r1, r ) 0o se r1 e r são coincidentes, Se as retas são concorrentes, isto
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisSOLUÇÃO ANALÍTICA E NUMÉRICA DA EQUAÇÃO DE LAPLACE
15 16 SOLUÇÃO ANALÍTICA E NUMÉRICA DA EQUAÇÃO DE LAPLACE 3. Todos os dispositivos elétricos funcionam baseados na ação de campos elétricos, produzidos por cargas elétricas, e campos magnéticos, produzidos
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 maisDivisão e Conquista. Norton T. Roman. Apostila baseada nos trabalhos de Cid de Souza, Cândida da Silva e Delano M. Beder
Divisão e Conquista Norton T. Roman Apostila baseada nos trabalhos de Cid de Souza, Cândida da Silva e Delano M. Beder Divisão e Conquista Construção incremental Ex: Consiste em, inicialmente, resolver
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisProf. MSc. David Roza José 1/27
1/27 Splines e Interpolação por Partes - A Objetivos: Compreender que splines minimizam oscilações ao ajustar polinômios de menor ordem a partições do domínio; Aprender a desenvolver um código para procurar
Leia maisRetas e círculos, posições relativas e distância de um ponto a uma reta
Capítulo 3 Retas e círculos, posições relativas e distância de um ponto a uma reta Nesta aula vamos caracterizar de forma algébrica a posição relativa de duas retas no plano e de uma reta e de um círculo
Leia maisREGRESSÃO E CORRELAÇÃO
Vendas (em R$) Disciplina de Estatística 01/ Professora Ms. Valéria Espíndola Lessa REGRESSÃO E CORRELAÇÃO 1. INTRODUÇÃO A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem
Leia maisMétodos de Física Teórica II Prof. Henrique Boschi IF - UFRJ. 1º. semestre de 2010 Aulas 3 e 4 Ref. Butkov, cap. 8, seção 8.3
Métodos de Física Teórica II Prof. Henrique Boschi IF - UFRJ 1º. semestre de 2010 Aulas 3 e 4 Ref. Butkov, cap. 8, seção 8.3 Equações de Poisson e Laplace Vimos na aula passada o método de separação de
Leia maisDeterminação de raízes de polinômios: Método de Briot-Ruffini-Horner
Determinação de raízes de polinômios: Método de Briot-Ruffini-Horner Marina Andretta/Franklina Toledo ICMC-USP 29 de outubro de 2012 Baseado no livro Cálculo Numérico, de Neide B. Franco Marina Andretta/Franklina
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisEquação Geral do Segundo Grau em R 2
8 Equação Geral do Segundo Grau em R Sumário 8.1 Introdução....................... 8. Autovalores e autovetores de uma matriz real 8.3 Rotação dos Eixos Coordenados........... 5 8.4 Formas Quadráticas..................
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisReconhecimento facial utilizando Fisherfaces. Disciplina: Reconhecimento de padrões Professor: André Tavares da Silva Mestrando: Márcio Koch
Reconhecimento facial utilizando Fisherfaces Disciplina: Reconhecimento de padrões Professor: André Tavares da Silva Mestrando: Márcio Koch Márcio Koch, maio 2014 Pauta Apresentação Analise das Componentes
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisTransformações de Visualização 2D: Clipping. Antonio L. Bajuelos Departamento de Matemática Universidade de Aveiro
Transformações de Visualização 2D: Clipping Antonio L. Bajuelos Departamento de Matemática Universidade de Aveiro 1 Clipping (recorte) Qualquer procedimento que identifica porções de uma figura que estão
Leia mais3.6 Erro de truncamento da interp. polinomial.
3 Interpolação 31 Polinômios interpoladores 32 Polinômios de Lagrange 33 Polinômios de Newton 34 Polinômios de Gregory-Newton 35 Escolha dos pontos para interpolação 36 Erro de truncamento da interp polinomial
Leia maisAnálise de algoritmos
Análise de algoritmos Recorrências Conteúdo Introdução O método mestre Referências Introdução O tempo de execução de um algoritmo recursivo pode frequentemente ser descrito por uma equação de recorrência.
Leia maisBusca Binária. Aula 05. Busca em um vetor ordenado. Análise do Busca Binária. Equações com Recorrência
Busca Binária Aula 05 Equações com Recorrência Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Idéia: Divisão e Conquista Busca_Binária(A[l...r],k) 1:if r < lthen 2: index = 1
Leia maisResolução de problemas com apenas restrições lineares de igualdade
Resolução de problemas com apenas restrições lineares de igualdade Marina Andretta ICMC-USP 14 de outubro de 2014 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de outubro de 2014 1 / 22
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 8 11/2014 Distribuição Normal Vamos apresentar distribuições de probabilidades para variáveis aleatórias contínuas.
Leia maisComposição de Funções
Composição de Funções Existem muitas situações em que uma função depende de uma variável que, por sua vez, depende de outra, e assim por diante. Podemos dizer, por exemplo, que a concentração de monóxido
Leia maisEXAME ENSINO PROFISSIONAL
AGRUPAMENTO DE ESCOLAS DE OLIVEIRA DE FRADES EXAME ENSINO PROFISSIONAL Disciplina: Física e Química Módulo: F1 Tipo de Prova: Escrita Duração: 90 minutos Ano letivo: 2012/2013 Conteúdos Objetivos Estrutura
Leia mais6.1 equações canônicas de círculos e esferas
6 C Í R C U LO S E E S F E R A S 6.1 equações canônicas de círculos e esferas Um círculo é o conjunto de pontos no plano que estão a uma certa distância r de um ponto dado (a, b). Desta forma temos que
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 maisAutovalores e Autovetores
Autovalores e Autovetores Maria Luísa B. de Oliveira SME0300 Cálculo Numérico 24 de novembro de 2010 Introdução Objetivo: Dada matriz A, n n, determinar todos os vetores v que sejam paralelos a Av. Introdução
Leia maisAula Distância entre duas retas paralelas no espaço. Definição 1. Exemplo 1
Aula 1 Sejam r 1 = P 1 + t v 1 t R} e r 2 = P 2 + t v 2 t R} duas retas no espaço. Se r 1 r 2, sabemos que r 1 e r 2 são concorrentes (isto é r 1 r 2 ) ou não se intersectam. Quando a segunda possibilidade
Leia maisCálculo Numérico / Métodos Numéricos. Solução de equações polinomiais Briot-Ruffini-Horner
Cálculo Numérico / Métodos Numéricos Solução de equações polinomiais Briot-Ruffini-Horner Equações Polinomiais p = x + + a ( x) ao + a1 n x n Com a i R, i = 0,1,, n e a n 0 para garantir que o polinômio
Leia maisResolução de sistemas de equações lineares: Método dos Gradientes Conjugados
Resolução de sistemas de equações lineares: Método dos Gradientes Conjugados Marina Andretta/Franklina Toledo ICMC-USP 24 de março de 2015 Baseado no livro Cálculo Numérico, de Neide B. Franco Marina Andretta/Franklina
Leia maisTópicos em Mineração de Dados
Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores
Leia maisUnidade II PESQUISA OPERACIONAL. Profa. Ana Carolina Bueno
Unidade II PESQUISA OPERACIONAL Profa. Ana Carolina Bueno Programação linear É um subitem da programação matemática. É um dos modelos utilizados em pesquisa operacional. Consiste em otimizar (maximizar
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisG1 de Álgebra Linear I Gabarito
G1 de Álgebra Linear I 2013.1 6 de Abril de 2013. Gabarito 1) Considere o triângulo ABC de vértices A, B e C. Suponha que: (i) o vértice B do triângulo pertence às retas de equações paramétricas r : (
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisTranslação e Rotação Energia cinética de rotação Momentum de Inércia Torque. Física Geral I ( ) - Capítulo 07. I. Paulino*
ROTAÇÃO Física Geral I (1108030) - Capítulo 07 I. Paulino* *UAF/CCT/UFCG - Brasil 2012.2 1 / 25 Translação e Rotação Sumário Definições, variáveis da rotação e notação vetorial Rotação com aceleração angular
Leia maisProgramação Linear. (2ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016
Programação Linear (2ª parte) Informática de Gestão 61020 Maria do Rosário Matos Bernardo 2016 Conteúdos Representação e resolução gráfica dos problemas de programação linear Problema de minimização Problema
Leia mais1 A Equação Fundamental Áreas Primeiras definições Uma questão importante... 7
Conteúdo 1 4 1.1- Áreas............................. 4 1.2 Primeiras definições...................... 6 1.3 - Uma questão importante.................. 7 1 EDA Aula 1 Objetivos Apresentar as equações diferenciais
Leia maisSME Cálculo Numérico. Lista de Exercícios: Gabarito
Exercícios de prova SME0300 - Cálculo Numérico Segundo semestre de 2012 Lista de Exercícios: Gabarito 1. Dentre os métodos que você estudou no curso para resolver sistemas lineares, qual é o mais adequado
Leia maisBANCO DE EXERCÍCIOS - 24 HORAS
BANCO DE EXERCÍCIOS - HORAS 9º ANO ESPECIALIZADO/CURSO ESCOLAS TÉCNICAS E MILITARES FOLHA Nº GABARITO COMENTADO ) A função será y,5x +, onde y (preço a ser pago) está em função de x (número de quilômetros
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisy ds, onde ds é uma quantidade infinitesimal (muito pequena) da curva C. A curva C é chamada o
Integral de Linha As integrais de linha podem ser encontradas em inúmeras aplicações nas iências Eatas, como por eemplo, no cálculo do trabalho realizado por uma força variável sobre uma partícula, movendo-a
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia mais2 - f: R R: y = x 2 Classicação: Nem injetora, nem sobrejetora.
Apostila de Métodos Quantitativos - UERJ Professor: Pedro Hemsley Funções: f: X Y : Associa a cada elemento do conjunto X um único elemento do conjunto Y. Existem tres tipos especícos de funções: Sobrejetora,
Leia maisProgramação Linear. (3ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016
Programação Linear (3ª parte) Informática de Gestão 61020 Maria do Rosário Matos Bernardo 2016 Conteúdos Excel Solver Instalação do Solver Resolução de problemas de programação linear Problema de minimização
Leia maisCálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015
Cálculo Numérico Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 1 Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de
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 maisCÁLCULO I. 1 A Função Logarítmica Natural. Objetivos da Aula. Aula n o 22: A Função Logaritmo Natural. Denir a função f(x) = ln x;
CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida Aula n o 22: A Função Logaritmo Natural Objetivos da Aula Denir a função f(x) = ln x; Calcular limites, derivadas e integral envolvendo a função
Leia maisModelagem Cinemática de Robôs Industriais. Prof. Assoc. Mário Luiz Tronco
Modelagem Cinemática de Robôs Industriais Prof. Assoc. Mário Luiz Tronco Transformação direta de coordenadas 1 2... N Variáveis de junta Variáveis cartesianas Transformação inversa de coordenadas Transformação
Leia maisPARTE I EQUAÇÕES DE UMA VARIÁVEL REAL
PARTE I EQUAÇÕES DE UMA VARIÁVEL REAL. Introdução Considere f uma função, não constante, de uma variável real ou complexa, a equação f(x) = 0 será denominada equação de uma incógnita. EXEMPLO e x + senx
Leia maisFunções Hiperbólicas:
Funções Hiperbólicas: Estas funções são parecidas as funções trigonométricas e possuem muitas aplicações como veremos ao longo da disciplina. Definiremos primeiro as funções seno hiperbólico e cosseno
Leia maisDECISÕES ESTRATÉGICAS DE CURTO PRAZO: Programação Linear
DECISÕES ESTRATÉGICAS DE CURTO PRAZO:! O que é?! Como a pode ajudar na maximização da lucratividade?! Como a pode ajudar na minimização dos custos?! Como determinar um mix de produção através da Programação
Leia maisÁlgebra Linear Exercícios Resolvidos
Álgebra Linear Exercícios Resolvidos Agosto de 001 Sumário 1 Exercícios Resolvidos Uma Revisão 5 Mais Exercícios Resolvidos Sobre Transformações Lineares 13 3 4 SUMA RIO Capítulo 1 Exercícios Resolvidos
Leia maisEncontre um valor aproximado para 3 25 com precisão de 10 5 utilizando o método da bissecção.
1 a) Mostre que f (x) = x cos x possui uma raiz no intervalo [0, 1]. b) Prove que essa raiz é única. c) Sem executar o método, preveja o número de iterações que o algoritmo da bissecção utilizaria para
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisPosição relativa entre retas e círculos e distâncias
4 Posição relativa entre retas e círculos e distâncias Sumário 4.1 Distância de um ponto a uma reta.......... 2 4.2 Posição relativa de uma reta e um círculo no plano 4 4.3 Distância entre duas retas no
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maiso que há de comum entre... -a regra de Cramer para resolver equações lineares; -o algoritmo de Euclides para achar mdc;
Soluções de equações polinomiais o que há de comum entre... -a regra de Cramer para resolver equações lineares; -o algoritmo de Euclides para achar mdc; -o cálculo do número mínimo de cédulas ou moedas
Leia maisAnálise Discriminante
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Análise Discriminante Análise Discriminante 1 Análise discriminante - A
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisREDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio
REDES NEURAIS Sistema Nervoso 2 O que é? É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos Engloba o cérebro Sua unidade fundamental é o neurônio Se diferencia
Leia mais5 Análise de Sensibilidade
MAC-35 - Programação Linear Primeiro semestre de 00 Prof. Marcelo Queiroz http://www.ime.usp.br/~mqz Notas de Aula 5 Análise de Sensibilidade Neste capítulo consideramos o problema de programação linear
Leia maisMaldição da dimensionalidade
EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS Maldição da dimensionalidade 2 Maldição da dimensionalidade (ou Curse of dimensionality) Termo que se refere a vários fenômenos que surgem na análise de dados em espaços
Leia maisAGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE
AGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500 Planificação Anual /Critérios de avaliação Disciplina: Matemática 8º ano Ano letivo 2016/2017 Início
Leia maisLista Dentre os conjuntos a seguir, distingua quais são intervalos, representando-os com as notações adotadas.
UFPR - Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Matemática MA - Números e Funções Reais - PROFMAT Prof. Zeca Eidam Lista Equações e inequações. Prove que: a) x 0 b) x = 0
Leia maisAnálise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão.
A.X. Falcão p.1/17 Análise de Imagens Aula 20: Sistemas com Múltiplos Classificadores (Fusão) Prof. Alexandre Xavier Falcão afalcao@ic.unicamp.br. IC - UNICAMP A.X. Falcão p.2/17 Roteiro da Aula Sistemas
Leia maisLISTA DE EXERCÍCIOS 5 Algoritmos Estruturas de Controle - Seleção
Informática Aplicada Campus Angicos Professor: Araken de Medeiros Santos LISTA DE EXERCÍCIOS 5 Algoritmos Estruturas de Controle - Seleção Descreva um algoritmo para os seguintes problemas utilizando estruturas
Leia maisRedes Neurais Artificiais. Everton Gago
Redes Neurais Artificiais Everton Gago Como vai ser? O que é RNA? Conglomerado de neurônios!?!? Neurônio: Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3
Leia maisAula 3 A Reta e a Dependência Linear
MÓDULO 1 - AULA 3 Aula 3 A Reta e a Dependência Linear Objetivos Determinar a equação paramétrica de uma reta no plano. Compreender o paralelismo entre retas e vetores. Entender a noção de dependência
Leia mais