Aprendizagem de Máquina
|
|
- Benedicto Ventura Sá
- 6 Há anos
- Visualizações:
Transcrição
1 Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte
2 Introdução Support Vector Machnes SVM Método supervsonado de aprendzagem para problemas de: Classfcação Regressão Duas deas prncpas Assumndo classes lnearmente separáves, aprende hperplanos de separação com margem máma. Epande a entrada para um espaço de alta dmensonaldade para ldar com casos não-lnearmente separáves.
3 Hperplano de Separação Conjunto de trenamento: (,y ), =1,2,,N; y {+1,-1} Hperplano: w+b=0 É completamente determnado por (w,b) onde =( 1, 2,, d ), w=(w 1, w 2,, w d ), w=(w 1 1 +w w d d ) produto escalar
4 Margem Máma De acordo com um teorema da teora de aprendzagem, de todas as possíves funções de decsão lneares aquela que mamza a margem do conjunto de trenamento mnmzará o erro de generalzação. Isso se tvermos dados o sufcente e assumndo que os dados não são rudosos!
5 Margem Máma w w+b<0 w+b>0 w+b=0 Obs 1: com c constante, as funções de decsão (w,b) e (cw, cb) são as mesmas. Obs 2: mas as margens, meddas pela saída da função w+b não são as mesmas se pegarmos (cw, cb). Defnção: margem geométrca: a margem dada pela função de decsão canônca, que é quando c=1/ w Estratéga: 1. Precsamos mamzar a margem geométrca! 2. Sujeta a restrção que os eemplos de trenamento sejam classfcados corretamente.
6 Margem Máma De acordo com Obs1, podemos mpor que a saída da função para os pontos mas prómos sejam +1 e 1 nos dos lados da função de decsão. Isso remove a lberdade da escala. Indcando o eemplo postvo mas prómo como + e o negatvo mas prómo como -, sto é: w b 1 e w b 1 Calculando a margem geométrca (que deve ser mamzada): 1 2 ( w w b w w w b w ) 1 2 w ( w b w b) 1 w e as restrções:. w b 1 w b 1 para para y y 1 1 y ( w b) 1 0 para todo
7 Margem Máma Dado um conjunto de trenamento com eemplos lnearmente separáves (, y ), =1,2,,N; y {+1,-1} w+b<1 w+b>1 Mnmze w 2 Sujeto a w+b=-1 w+b=1 w+b=0 y ( w b) 1 0, 1,.. N Este é um problema de programação quadrátca tendo como restrções desgualdades lneares.
8 Vetores de Suporte Os eemplos de trenamento que estverem mas prómos da função de separação são chamados de vetores de suporte. Qual é a saída da função de decsão para estes eemplos (pontos)?
9 Resolvendo Construa e mnmze o Lagrangano: Tre as dervadas com respeto a w e b, guale-os a 0 Os multplcadores de Lagrange são chamados de varáves dual Cada eemplo de trenamento tem uma varável dual assocada. N b y b L N 1,... 0, restrção com respeto a 1) ) ( ( 2 1 ),, ( 1 2 w w w 0 1) ) ( ( : 0 ),, ( 0 ),, ( 1 1 b y cond KKT y b b L y b L N N w w w w w parametros são epressos como uma combnação lnear dos pontos de trenamento. Somente SVs terão I dferente de zero.
10
11 Resolvendo Então, w N 1 y SV y Colocando de volta no Lagrangano para obter a formulação dual mamse: W ( ) subject to : N 1 y 1 2 y 0, 0, 1,... N O dual resultante é resolvdo para usando um QP solver: N, j1 j y j j N 1 b não aparece no dual, então ele é determnado separadamente a partr das restrções ncas. Dados entram somente na forma de produto escalar!
12 Classfcando Novos Eemplos Uma vez encontrados os parâmetros (*, b*) resolvendo a otmzação quadrátca sobre os eemplos de trenamento, o SVM está pronto para ser usado para classfcar novos eemplos. Dado um novo ponto (eemplo), sua aflação a classe é sgn[f(, *, b*)], onde f * * * * N * * * * (,, b ) w b y b y b 1 SV Dados entram somente na forma de produto escalar
13 Solução A solução do SVM,.e. do problema de programação quadrátca com desgualdades lneares como restrções tem a propredade nteressante de que os dados entram somente na forma de produto escalar! Produto escalar: dado =( 1, 2,, n ) e y=(y 1,y 2,,y n ), então o produto escalar de e y é y=( 1 y y n y n ). Isto é nteressante, pos nos permte tornar os SVMs não-lnear sem complcar o algortmo veja prómo slde.
14 Transforma () SVMs Não Lneares
15 SVMs Não Lneares O algortmo lnear depende somente de, portanto o algortmo transformado depende somente de ()( ) Use a função kernel K(,y) tal que K(,y)= ()(y)
16 Kernels Eemplo 1: pontos,y no espaço de característcas 2D, transformado para espaço de característcas 3D Eemplo 2: onde que corresponde a este kernel tem dmensão nfnta. Nem toda a função pode ser um kernel! A função deve obedecer o Teorema de Mercer. Para testar uma nova nstânca : ) ( ) ( ) ( ), ( mplca, 2 ) ( se ; ; y y y y K y y ) ), ( ( ) ( 1 b K y sgn f SV } 2 / ep{ ), ( 2 2 y y K (quadrado do produto escalar)
17 Kernel Trck Eemplo1: como separar lnearmente estes eemplos de duas classes? Solução: Elevando para uma dmensão lnearmente separável: R 1 R 2 φ() = (, 2 )
18 φ() = (, 2 ) Kernel Trck
19 Kernel Trck Φ: R 2 R 3 ( 1, 2 ) (z 1, z 2, z 3 ) = ( 12, 2 1 2, 22 )
20 Kernel Trck Φ: R 2 R 3 ( 1, 2 ) (z 1, z 2, z 3 ) = ( 12, 2 1 2, 22 )
21 Kernels
22 SVM para Classfcação 1. Preparar a matrz de dados 2. Seleconar a função de kernel a ser empregada 3. Eecutar o algortmo de trenamento usando um resolvedor QP para obter os valores de. 4. Novas nstâncas podem ser classfcadas usando os valores de e os vetores de suporte.
23 Conclusão Os SVMs aprendem fronteras de decsão lneares (como os perceptrons) Busca o hperplano que mamza a margem O hperplano ótmo vem a ser uma combnação lnear dos vetores de suporte Transforma problemas não lneares em um espaço de mas alta dmensão usando funções de kernel Então há uma chance maor de que neste espaço transformado, as classes serão lnearmente separáves.
24 SVM Soft Margn Entretanto, assm como outros algortmos de aprendzagem, o SVM está sujeto a dos problemas: Outlers Eemplos com erros de rotulação. Nestes caso o SVM rá falhar, mas.
25 SVM Soft Margn Mesmo se o conjunto de trenamento não for lnearmente separável A abordagem tradconal é permtr que a margem de decsão comete uns poucos erros (alguns pontos podem fcar dentro da margem ou no lado errado). Isso tem um custo para cada eemplo classfcado ncorretamente, que depende de quão longe ele está em atender as restrções mpostas pela margem.
26 SVM Soft Margn Uma modfcação da dea de margem máma que permte eemplos com erros de rotulação. Se não estr um hperplano que possa partconar os eemplos postvos (+1) e negatvos (-1), o método Soft Margn escolherá um hperplano que partcone os eemplos o melhor possível, enquanto anda mamza a dstânca para os eemplos separáves. Este método ntroduz varáves de folga (ξ ), as quas medem o erro de classfcação (ou sensbldade) do eemplo
27 SVM Soft Margn A restrção então é modfcada: y ( w b) 1 0, 1,.. N e passamos para a segunte restrção: y ( w b) 1, 1,.. N A função objetva então é aumentada por uma função que penalza ξ dferentes de zero e a otmzação se torna um compromsso entre uma margem larga e uma penaldade de erro pequena. Se a função de penalzação for lnear, o problema de otmzação se torna:
28 SVM Soft Margn sujeto a: E o dual N b y C w n b w 1,.. 0, 1 ) ( 2 1 mn 1 2,, w 0, 1 ) ( 2 1 mn ma ,,, n n n b w b w y C w
29 Parâmetros A efetvdade do SVM depende da seleção do kernel, dos parâmetros do kernel e do parâmetro soft margn C. O kernel mas usando é o Gaussano (ou RBF). Neste caso, os parâmetros gamma () e C são seleconados através de um grd-search com valores crescentes dos parâmetros (lbsvm). Grd search testa valores de cada parâmetro dentro de uma faa específca de busca, usando passos geométrcos.
30 Parâmetros Grd search é computaconalmente cara! O modelo deve ser avalado em mutos pontos dentro do grd para cada parâmetro. Eemplo: Se consderarmos 10 ntervalos de busca e um função Gaussana como kernel com 2 parâmetros (C e gamma), O modelo deve ser avalado em 10*10 = 100 pontos do grd. Se for utlzada valdação cruzada, este número é multplcado pelo número de folds (4 a 10).
31 Lmtações O SVM é aplcável dretamente somente para problemas bnáros (duas classes). Assm, para utlzá-lo em problemas multclasses, deve ser feta uma redução para dversos problemas bnáros.
32 SVM Mult-Classes Reduzr o problema mult-classes para múltplos problemas bnáros de classfcação Estratéga um-contra-todos (one-versus-all): construr classfcadores bnáros que dstnguem entre uma das classes e as demas. Estratéga um-contra-um (one-versus-one): construr um classfcador para cada par de classes. É a estratéga usada na LIBSVM!
33 SVM Mult-Classes Estratéga um-contra-todos (one-versus-all, one-versusrest, one-aganst-all): construr classfcadores bnáros que dstnguem entre uma das classes e as demas. Para C classes são construídos C classfcadores Usa-se como contra-eemplos os eemplos de todas as outras classes. A classfcação de novas nstâncas é feta usando a estratéga o- vencedor-ganha (wnner-takes-all) O classfcador com a maor saída atrbu a classe.
34 SVM Mult-Classes Estratéga um-contra-um (one-versus-one, parwse): construr um classfcador para cada par de classes. Para C classes são construídos C(C-1)/2 classfcadores. A classfcação é feta por uma estratéga de votação maora vence (ma-wns votng), onde cada classfcador atrbu uma das duas classes para a nstânca. A classe mas votada determna a classfcação da nstânca.
35 Eemplo: 4 classes SVM Mult Classes
36 SVM Mult Classes Eemplo: 4 classes Estratéga um-contra-um: 4(4-1)/2 = 6 classfcadores
37 SVM Mult Classes Eemplo: 4 classes Estratéga um-contra-um: 4(4-1)/2 = 6 classfcadores
38 SVM Mult Classes Eemplo: 4 classes Estratéga um-contra-todos: 4 classfcadores
Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisMáquinas de Vetores de Suporte Supprot Vector Machine. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Máqunas de Vetores de Suporte Supprot Vector Machne Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Introdução 2. Classfcadores Bnáros 3. Aprendzagem Estatístca
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisReconhecimento Automático de Modulação Digital de Sinais de Comunicações
Reconhecmento Automátco de Modulação Dgtal de Snas de Comuncações Marcelo Corrêa Horewcz, Caro Lúco ascmento Jr. e Waldecr João Perrella Insttuto Tecnológco de Aeronáutca Praça Marechal Eduardo Gomes,
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia mais3 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Não Supervsonada Alessandro L. Koerch Aprendzagem não supervsonada Algortmos de agrupamento (Clusterng) Seqüencas Herárqucos Baseados na otmzação de funções
Leia maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisProgramação Não Linear. Programação Não-Linear 1
Proramação Não Lnear Proramação Não-Lnear Os modelos empreados em Proramação Lnear são, como o própro nome dz, lneares (tanto a unção-obetvo quanto as restrções). Este ato é, sem dúvda, a maor das restrções
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisCLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES
CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES Classfcaton of Hyperspectral Images wth Support Vector Machnes RAFAELA ANDREOLA VITOR HAERTEL Unversdade Federal do Ro Grande
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM
UNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM CURITIBA 2016 ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM Tese
Leia maisAplicação de Máquinas de Vetor de Suporte na Classificação de Vozes Patológicas Utilizando o Expoente de Hurst
Aplcação de Máqunas de Vetor de Suporte na Classfcação de Vozes Patológcas Utlzando o Expoente de Hurst Jayne dos Santos Lma 1, hamyres âmulla C. Paltó 1, Vnícus Jefferson Das Vera 2, Slvana Cunha Costa
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisUniversidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais
Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
Leia maisThiago Zavaschi Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade
Thiago Zavaschi (zavaschi@ppgia.pucpr.br) Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUC-PR) Conceitos relacionados a classificação
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisMáquinas de Vetores Suportes
Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO Monografa fnal de curso sob orentação do Prof. Raul Fonseca Neto Juz de Fora, MG feverero de 004 Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisAGRUPAMENTO DE PADRÕES DE CURVA DE CARGA UTILIZANDO ALGORITMOS E TÉCNICAS DE AGRUPAMENTO COMO ALTERNATIVA TARIFÁRIA.
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE ELETROTÉCNICA CURSO DE ENGENHARIA INDUSTRIAL ELÉTRICA ÊNFASE ELETROTÉCNICA JOÃO PEDRO JUNGES CARVALHO MIGUEL KOSMALA NETO AGRUPAMENTO
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisOptimização com variáveis discretas
Engenhara de Processos e Sstemas Optmzação com varáves dscretas Fernando Bernardo Fev 2013 mn f ( x,, θ ) x, s. t. h( x,, θ ) = 0 g( x,, θ ) 0 x x x L U x real, {0,1} Por que necesstamos de varáves dscretas?
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 maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia mais2 Fundamentos Teóricos
Fundamentos Teórcos 2 Fundamentos Teórcos 2. Aprendzado de Máquna Aprendzado de Máquna é uma área de Intelgênca Artfcal cuo obetvo é o desenvolvmento de técncas computaconas sobre o aprendzado bem como
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia mais2003/2004. então o momento total das forças exercidas sobre o sistema é dado por. F ij = r i F (e)
Resolução da Frequênca de Mecânca Clássca I/Mecânca Clássca 2003/2004 I Consdere um sstema de N partículas de massas m, =,..., N. a Demonstre que, se a força nterna exercda sobre a partícula pela partícula
Leia maisKeywords Artificial neural networks, composite reliability, Monte Carlo simulation, pattern recognition, support vector machines
AVALIAÇÃO DA COFIABILIDADE COMPOSTA UTILIZADO MÁQUIAS DE VETORES SUPORTE LEOIDAS CHAVES DE RESEDE, WELLIGTO DAMASCEA DUTRA, LUIZ ATÔIO DA FOSECA MASO, ARMADO MARTIS LEITE DA SILVA.. Laboratóro de Pesqusa
Leia mais5 MODELO DE PREDIÇÃO UTILIZANDO REDES NEURAIS
5 MODELO DE PREDIÇÃO UTILIZADO REDES EURAIS 5.1. Introdução As redes neuras emulam certas característcas própras dos humanos, como a capacdade de memorzar e de assocar fatos. Se forem examnados com atenção
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisMAP Cálculo Numérico e Aplicações
MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisUNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ENGENHARIA AGRÍCOLA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AGRÍCOLA
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ENGENHARIA AGRÍCOLA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AGRÍCOLA BEATRIZ FERNANDES SIMPLICIO SOUSA APRENDIZADO DE MÁQUINA NA
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisBEM -ESTAR SOCIAL. Referências Deaton ( 1997 ), Capítulo 3, seção 3.1 baseado no Trabalho Clássico de Atkinson (1970) On The Measurement of Inequality
Curso Bem-Estar Socal - Marcelo er - www.fgv.brcps BEM -ESTAR SOCAL Referêncas Deaton 997, Capítulo 3, seção 3. baseado no Trabalho Clássco de Atknson 970 On The Measurement of nequalty Função Bem-Estar
Leia maisBoletim de Ciências Geodésicas ISSN: 1413-4853 bcg_editor@ufpr.br Universidade Federal do Paraná Brasil
Boletm de Cêncas Geodéscas ISSN: 1413-4853 bcg_edtor@ufpr.br Unversdade Federal do Paraná Brasl ANDREOLA, RAFAELA; HAERTEL, VITOR CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisaplicação do lagrangeano aumentado em otimização estrutural com restrições dinâmicas
Marcelo Araújo da Slva aplcação do lagrangeano aumentado em otmzação estrutural com restrções dnâmcas Dssertação Apresentada à Escola Poltécnca da Unversdade de São Paulo para a Obtenção do Título de Mestre
Leia mais4 Análise termoeconômica
4 Análse termoeconômca Os capítulos precedentes abordaram questões emnentemente térmcas da aplcação de nanofludos em sstemas ndretos de refrgeração. Ao tratar das magntudes relatvas e da natureza das componentes
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia mais