Redes neurais artificiais paraconsistentes aplicadas no estudo de fraudes à conta de clientes acessadas via _internet_
|
|
- Eric Moreira de Figueiredo
- 6 Há anos
- Visualizações:
Transcrição
1 Redes neurais artificiais paraconsistentes aplicadas no estudo de fraudes à conta de clientes acessadas via _internet_ Valdemir Silva Souza 1,3, Jair Minoro Abe 3, José Demísio Simões da Silva 1,2 1 UBC-Universidade Braz Cubas, Mogi das Cruzes, SP 2 Laboratório Associado de Computação e Matemática Aplicada Instituto Nacional de Pesquisas Espaciais (INPE) São José dos Campos, SP 3 Instituto de Estudos Avançados da USP, São Paulo, SP s: valdemir.silva@terra.com.br, jairabe@uol.com.br, demisio@lac.inpe.br Resumo. Este artigo descreve uma abordagem para detecção de fraudes baseada em redes neurais paraconsistentes. A Lógica Paraconsistente descreve as ações lógicas das Redes Neurais que são os conjuntos de modelos Artificiais de Neurônios Paraconsistentes utilizados no treinamento ou aprendizado de padrões. Nesse trabalho ela é revisada e os elementos de processamentos, entradas e saídas da rede são descritos. Os resultados apresentados são oriundos de uma rede neural paraconsistente implementada para detectar fraudes em um banco de dados disponível. Esses resultados mostram a viabilidade da usabilidade e aplicabilidade do raciocínio paraconsistente em tomada de decisão. 1 Introdução Segundo o dicionário Aurélio "fraude: é o abuso de confiança", para ampliar essa definição o termo Engenharia Social [2] é utilizado para descrever um método de ataque, onde alguém faz uso da persuasão, muitas vezes abusando da ingenuidade ou confiança do usuário, para obter informações que podem ser utilizados para ter acesso não autorizado a computadores ou informações. No que se refere à _internet_, o Comércio Eletrônico e o internet banking, os ataques envolvem várias técnicas inclusive as de engenharia social, algumas destas abordagens são descritas nas seguintes situações: 1-) O usuário pode ser persuadido a acessar um endereço (sítio) de Comércio Eletrônico ou de _internet banking_, através de um _link_ contido em uma mensagem eletrônica ( ) ou página de terceiros. Este _link_ pode direcionar o usuário para uma página falsificada, semelhante ao sítio que o usuário realmente deseja acessar. Assim, o atacante pode monitorar as ações do usuário e obter os dados relevantes para a fraude. 2-) O usuário recebe s que contêm páginas _web_ com aparência semelhante aos das páginas de vários bancos, inclusive ao que o usuário possui conta. Com falsas informações sobre promoções de produtos ou novos cadastros, o usuário é persuadido a digitar seus dados que são remetidos para endereços eletrônicos diferentes do desejado. 3-) O usuário recebe um , cujo remetente pode ser um suposto gerente, funcionário, ou até uma pessoa conhecida, sendo que esse tem um programa anexado. Com o propósito de obter o acesso mais rápido a um sítio de Comércio Eletrônico ou _internet banking_, esse programa conhecido como cavalo de tróia, tem o objetivo de monitorar as ações do usuário emitindo os dados pessoais referentes aos números de cartões de crédito, senhas e contas do usuário. E isso pode ser feito através da digitação, onde o programa envia as teclas digitadas na entrada dos sítios que geralmente é o ambiente de autenticação do usuário; a posição do cursor na tela, pois muitos sítios de _internet banking_ utilizam do teclado virtual para impedir a fraude. 4-) O seqüestro relâmpago ou a clonagem de cartões, embora não sendo termos da engenharia social, definem outro tipo de crime, onde o princípio é a intenção de fraudar a conta do cliente. As respostas dos sítios mediante às ameaças descritas que comprometem à segurança do Comércio Eletrônico e _internet banking_ são dadas através de informações contra fraudes em meios de comunicações ou nos próprios sítios, incluindo alguns dispositivos para entradas de informações do usuário (endereço, frases, uma carteira de números de posse do usuário que são exigidos a cada acesso), como citado o teclado virtual e softwares que podem descobrir os perfis do cliente após a execução da fraude e uma reclamação do cliente. Esses softwares são executados, se as transações efetivadas estiverem fora do perfil do cliente, comprova-se a fraude, e daí, pode-se haver o ressarcimento dos valores fraudados. Acredita-se que seja possível implementar tecnologias para comparar os dados em tempo real do cliente com os dados gerados na formação do perfil em um determinado 1
2 intervalo de tempo, desde que não haja um comprometimento nos custos existentes de acesso ao sítio do usuário. Esses sistemas podem ser desenvolvidos utilizando diferentes técnicas de identificação de padrões. Neste trabalho é descrito o desenvolvimento de um modelo de sistema baseado em Redes Neurais Artificiais Paraconsistentes [5]. Para durante uma transação via _internet_, realizar uma verificação dos dados do cliente em tempo real, permitindo a comparação com os dados a partir do perfil gerado de seu histórico, minerados em um determinado intervalo de tempo configurado pelo usuário do aplicativo. Os resultados encontrados (seção, 5) demonstram a eficiência das redes neurais artificiais paraconsistentes na identificação de possíveis fraudes à conta de clientes em uma determinada transação via sítio do usuário. Portanto, um aplicativo desenvolvido com tal técnica pode se antecipar à descoberta de uma possível tentativa de fraude, através da descoberta e reconhecimento de padrões do perfil do cliente, auxiliando nos processos de tomada de decisão. 2 Lógica Paraconsistente Seja T uma teoria fundada sobre uma lógica L. Suponhase que a linguagem de T e de L contenha um símbolo para a negação. Se houver mais de uma negação, uma delas deve ser escolhida, pelas suas características lógico formais. A teoria T é inconsistente se possuir teoremas contraditórios, isto é, um é a negação do outro, caso contrário, T é consistente. A teoria T é trivial se todas as fórmulas da lógica L ou todas as fórmulas fechadas de L forem teoremas de T; caso contrário, T é não-trivial. Analogamente, a mesma definição aplica-se a sistemas de proposições, conjunto de informações, etc. (levando-se em conta, naturalmente, o conjunto de suas conseqüências). Na lógica clássica e em muitas categorias de lógica, a consistência desempenha papel importante. Com efeito, em alguns sistemas lógicos usuais, uma teoria T é trivial, então T será inconsistente reciprocamente, em outras palavras, lógica como essas não separam os conceitos de inconsistências e de trivialidade. Uma lógica L chama-se Paraconsistente se puder servir de base para teorias inconsistentes, mas não-triviais, ou como diz, uma lógica paraconsistente tem a capacidade de manipular sistemas inconsistentes de informções sem torna-se trivial. Uma das interpretações válidas da lógica paraconsistente tem-se nas seguintes fórmulas lógicas e modelos matemáticos descritos como: Seja um conjunto de valores discretos, ζ = < ζ, > um reticulado finito, onde, ζ = [0,1] x [0,1] e {((ρ1, µ1), (ρ2, µ2)) Є ([0,1] x [0,1])² µ1 µ2 e ρ1 ρ2 }; sendo que é a ordem usual dos números R. Seja P, o conjunto dos símbolos proposicionais, P = {ρµ}, onde ρ grau descrença e µ grau de crença, tendo F um conjunto de fórmulas F {A (B A), A&B A, A&B B...} da lógica L. Uma interpretação I para lógica paraconsistente [4] é uma função I:P ζ. Pode-se atribuir uma valoração V, dada a VI:F {0,1} assim definida: Se ρ Є P e µ Є ζ, então: 1. VI(ρµ) = 1 I(ρ) µ; 2. VI(ρµ) = 0 não é o caso que I(ρ) µ; Pela condição acima nota-se que VI(ρµ) = 1 se e somente se I(ρ) > µ, ou seja, ρµ é verdadeira, segundo a valoração da interpretação que é dada a ρ, for maior ou igual ao µ com respeito à proposição ρ ela é falsa [5]. Pode-se mostrar que há interpretações I e as proposições ρµ, tais que VI(ρ)=1 e VI( ρµ)=1, ou seja, tem-se contradições verdadeiras nesta lógica. Sendo a valoração da interpretação de ρ (λ1, λ2), onde ρ (λ2, λ1) e ρ~ (λ2, λ1). Assim, de forma intuitiva, se considerar proposições do tipo ρ(0,5;0,5). A sua negação ρ(0,5; 0,5) equivale a ρ~(0,5; 0,5) que é também ρ (0,5; 0,5). Ora, se ρ (0,5; 0,5) for verdadeira, então é claro que sua negação também é verdadeira. Se ela é falsa, sua negação também é falsa. Uma representação mais intuitiva relacionada ao contexto desse trabalho, se verifica com os seguintes exemplos: Verdade (1,0;0,0) O cliente efetivou a transação desejada, com grau de crença total e descrença nula. Conclui-se: O cliente consegue efetivar a transação com sucesso. Falsidade (0,0;1,0) O cliente efetivou a transação desejada, com grau de crença nulo e grau de descrença total. Conclui-se: Por um motivo qualquer o cliente não conseguiu efetivar a transação. Problemas no acesso ao sistema do usuário, senha errada, erro na leitura do cartão, entre outros. Inconsistência (1,0;1,0) O cliente efetivou a transação desejada, com grau de crença total e descrença total. Conclui-se: Houve a tentativa de efetivação da transação com valores contraditórios ao perfil do cliente. Indeterminação (0,0;0,0) O cliente efetivou a transação desejada, com grau de crença nulo e descrença nulo. Conclui-se: Não se sabe, se houve a efetivação da transação, pois a LP não identificou o valor com o perfil do cliente, por motivo de excesso de informação que são: valores idênticos ao perfil do cliente ou falta de 2
3 informação, que são os valores totalmente fora do perfil do cliente. 3 Redes Neurais Artificiais Paraconsistentes As arquiteturas conexionistas [6] são direcionadas para aprimorar fatores relevantes nos estudos das Redes Neurais das características que diferem o cérebro do computador. Por exemplo, o cérebro funciona com neurônios que, apesar de lentos quando comparados aos dispositivos digitais dos computadores, executam tarefas extremamente complexas, tais como: análise de processamento paralelo; interpretação de uma cena visual; compreensão de uma frase; ou a interpretação de um som relacionado a uma imagem visual. Todas essas tarefas são executadas pelo cérebro em um tempo muito curto. O modelo de Rede Neural Artificial Paraconsistente (RNAP)[5] tem a finalidade de possibilitar a construção de unidades artificiais utilizando modelos mais próximos dos neurônios biológicos, efetivando assim a análise e resultados semelhantes aos efetuados pelo cérebro humano. As Redes Neurais [9] com a lógica fuzzy [8], utilizam conjuntos de pesos de valores diversos que multiplicam as entradas recebidas. Uma RNAP utiliza a Equação Estrutural Básica (EEB), descrita como: Grau _ crença Grau _ descrença + 1 Grau _ result = 2 Essa equação computa os sinais dos graus de evidências valorados no intervalo fechado de números reais [0,1]. Os códigos são transmitidos por valores equacionados pela EEB através de células (métodos) implementadas e descritas com a Lógica Paraconsistente. Quando o valor do grau de crença é 1 considera-se uma confirmação da proposição ou do padrão aplicado na entrada; se o grau de crença é 0 (zero) considera-se uma negação lógica da proposição ou do padrão aplicado na entrada, ou se o grau de crença é ½ (meio) considera-se uma indefinição lógica da proposição ou do padrão aplicado na entrada. As equações da RNAP são muito simples porque as Células Neurais Artificiais Paraconsistentes (CNAPs), que são os fundamentos lógicos da rede paraconsistente, utilizam a EEB para equacionar os sinais e, a partir do resultado obtido, tomam decisões e as transmitem em forma de graus resultantes à outras CNAPs. Utilizando-se de células com estas características forma-se as Unidades Neurais Artificiais Paraconsistentes (UNAPs), que são consideradas como Para-Perceptrons simples quando houver apenas uma Célula de Conexão Analítica (CNAPCa) e uma Célula de Aprendizagem, Desaprendizagem e Memorização (CNAPAdm). Por sua vez, conjuntos de UNAPs formam Sistemas Neurais Artificiais Paraconsistentes (SNAPs), onde estes conjuntos formam uma RNAP. É sabido [5], que as conexões entre os objetos da rede neural paraconsistente não obedecem a nenhuma hierarquia definida, onde a aleatoriedade das interligações desses objetos podem surgir em qualquer instância da RNAP. A figura 3.1 descreve um neurônio artificial paraconsistente análogo a um neurônio biológico denominado como Para-Perceptrom Simples [5]. fttc fttct fta ftda CNAP de Conexão Analítica gc CNAPCa gcr gdc C CNAP de Aprendizagem gc CNAPAdm gcr C S2=Sct Sinapses Corpo Celular ou Soma Sinapses Neurônio Biológico Neurônios com soma, núcleo, dendritos, axônio e sinápses Figura 3.1 Modelo de Para-Perceptrom simples análogo a um neurônio biológico As interligações que recebem o nome de conexões sinápticas entre os Para-Perceptrons, formam uma complexa rede por onde trafegam sinais representativos de proposições ou padrões que após as análises paraconsistentes, são convertidos em sinais resultantes, que são as saídas resultantes desses objetos paraconsistentes que podem representar os graus de evidências favoráveis ou contrárias como resposta da RNAP. Os algoritmos 3.2 e 3.3 descrevem as células CNAPCa e CNAPAdm. Os cálculos representam as valorizações das proposições lógicas (seção, 2) contidas nas fórmulas da Lógica Paraconsistente. 3.1 Algoritmo representativo da CNAPCa Essa célula tem a função de fazer a interligação entre as células da RNAP, associando graus de crença conforme o objetivo da análise. O resultado dessa análise é um fator de crença único, obtido pela equação estrutural básica, que será uma entrada para CNAPAdm. 3
4 Entradas: 1- gc (grau de crença); 2- gdcco (grau de descrença complementado); Entradas dos Fatores Externos: 1- fttc (fator de tolerância a certeza); 2- fttct (fator de tolerância a contradição); Cálculos: 1- gdcco = 1 gc; 2- G c (grau de certeza) = gc - gdc; 3- G ct (grau de contradição) = gc + gdc 1; 4- EEB = (G c + 1) /2 (equação estrutural básica); Saídas: 1-Se G c > fttc, então gcr (grau de crença resultante) = EEB e gcr = 0; 2-Se G ct > fttct e G ct > G c então gcr = EEB e gcr = G ct ; 3- Caso contrário, gcr = 1/2 e gcr = 0; 3.2 Algoritmo representativo da CNAPAdm Essa célula tem a função de aprender após um treinamento um padrão utilizando o método de análise paraconsistente aplicado através do algoritmo descrito abaixo: Entradas: 1-gC; Entradas dos Fatores Externos: 1-ftA (fator de Aprendizagem); 2-ftDa (fator de Desaprendizagem); Cálculos: 1- Se fta = 0 então 2- Se ftda <> 0 então 3- gdcco = 1 -gc 4- gcr = (1 -gdcco) - (gc -1/2)*ftDa 5- Se (gcr = 1/2) 6- Desaprendeu 7- fta = Valor nativo fta 8- Senão 9- volta ao passo (6) 10- fim-se 11- fim-se 10- Senão 11- gdcco = 1 -gc 12- gcr = (1 -gdcco) - (gcr -gc)*fta 13- Se (gcr = gc) 14- Aprendeu 15- fta = fim-se 17- fim-senão 18- fim-se Saídas: 1- gcr; 4 Sistema de Análise de Perfil O Sistema de Análise de Perfil tem como objetivo comprovar uma forma de analisar o perfil de um cliente, de um histórico disponibilizado em uma base de dados SQL Server, que possui informações de vários clientes num intervalo de tempo determinado. A Figura 4.1 mostra uma rede neural artificial paraconsistente de reconhecimento de padrão (RNAPRp). O primeiro objeto da RNAP é o Sistema Neural Artificial Paraconsistente de Reconhecimento de Padrão do Histórico (SNAPRpHist), que possui algumas entradas como fatores externos e uma entrada grau de crença (gcb), esses valores são discretizados os graus de descrenças são complementares ao de crença. Esses dados representados numa matriz de valores reais no intervalo fechado [0,1], é utilizado para treinar a RNAPRp a aprender [7] e memorizar os valores do perfil do cliente; O segundo objeto define o Sistema Neural Artificial Paraconsistente de Conexão Analítica (SNAPCa), treina-se a RNAP para aprender os valores de entrada em tempo real, com o grau de crença e utilizando o algoritmo do método dos mínimos quadrados [1] externo à rede calcula o grau de descrença. Juntamente com o valor do grau de crença do histórico do perfil aprendido (gcb), são feitas as conexões analíticas que definem as ligações sinápticas e o reconhecimento de padrão; O terceiro objeto define o Sistema Neural Artificial Paraconsistente de Descoberta de Evidências Favoráveis e Contrárias (SNAPDeEv), nesse sistema os valores de saídas tratam de identificar a valorização dos dados memorizados e aprendidos na maximização evidência favorável e minimização evidência contrária. As saídas do SNAPDeEv são as entradas para as Células Neurais Artificiais Paraconsistentes Básicas (CNAPb), essa célula é a base de todas as outras, pois utiliza o algoritmo Para-Analisador [5]. Nesse trabalho utiliza-o numa representação simplificada do reticulado de 12 regiões da lógica paraconsistente [4]. Os valores externos utilizados nas análises do perfil do cliente são configurados externamente à rede. Esses valores [0,1] são determinados pelo usuário, onde consequentemente suas alterações alteram o comportamento da RNAP. Pois esses valores definem uma faixa de aceitação na análise e tomada de decisão. Assim, a figura 4.1 tem-se: o fttc, fator de tolerância a certeza; o fttct, fator de tolerância a contradição; o ftct, fator de contradição; fttd, fator de tolerância a contradição; ftrp, fator de reconhecimento de padrão; o fta, fator de aprendizagem; ftda, fator de desaprendizagem e ftm, fator de memorização, onde todos esses fatores são valorizados num intervalo fechado [0,1] dos números reais. 4
5 Figura 4.1 Modelo de Rede Neural Artificial Paraconsistente de Reconhecimento de Padrões. 5 Resultados Os dados utilizados na análise são oriundos da mineração de dados de uma base de dados SQL Server, que se encontra no ambiente de desenvolvimento do usuário do aplicativo. Essas informações são fictícios, mas foram elaborados com a lógica de uma exaustiva análise de dados reais. O resultado dessa pesquisa foi a geração de um arquivo com algumas colunas (que formam tuplas) relevantes a análise do perfil do cliente explicitadas na tabela abaixo em: Números de Agências, Contas, IPs, Transações, Horários, Datas, Valores. Ag Conta IP Trs Hora Data Valor Tabela 5.1 Dados originais do ambiente de busca Os dados da tabela 5.1 representam as características do conjunto de informações do perfil do cliente que serão analisados pelo aplicativo. Mas, especificamente os dados dessa tabela representam o perfil extraído de uma linha do tempo com dimensão em um intervalo de 6 (seis) meses de ações nas efetivações das transações de transferências entre contas de uma mesma instituição financeira. Objetos_Eventos SNAPRpHist SNAPCa e SNAPDeEv Total RNAP CNAPs 6x7= 42 17x7= UNAPs 1x7= 7 1x7= 7 14 Para-Perceptrons 1x7= 7 3x7= Sinápticas 1x7= 7 7x7= Tabela RNAP Dados de apenas um sinal de entrada à A tabela 5.2 descreve os objetos citados na formação da RNAPRp. Os valores descritos acima, referem-se aos objetos e eventos gerados na RNAP para um vetor de sete colunas (tabela 5.1) e apenas um sinal de entrada. Objetos_Eventos SNAPRpHist SNAPCa e SNAPDeEv Total RNAP CNAPs UNAPs Para-Perceptrons Sinápticas Tabela5.3 - Dados de todos os sinais de entrada à RNAP para uma população de registros Os cálculos utilizados na Tabela 5.3 definem a seguinte equação: Obj _ event = Quant_ obj_ RNAP* Quant_ R _ aprenhist Onde, Obj_event significa Objetos e eventos; 5
6 Quant_obj_RNAP significa quantidade de objetos na RNAP (resultado Tabela 1)ç e Quant_R_aprenHist significa quantidade de registros aprendido no histórico. Descrição Dados Iniciais Dados Finais Linha do Tempo (dias) Padrão Horário 08:49:53h 18:43:55h Padrão Data (MMDD) Padrão Valor R$ 75,39 R$ 904,68 Qtde Trasação Tempo Real 1 1 Quantidade Colunas Perfil 1 7 Quantidade Colunas Analisadas 1 3 Tabela 5.4 Dados referentes aos intervalos de busca A Tabela 5.4 descreve os dados de análise do perfil do cliente, demonstrando uma análise macro dos intervalos de acessos utilizados na formação do perfil desse cliente. A coluna das Descrição representa o entendimento e a intuição das informações contidas na análise do perfil. A coluna Dados Iniciais representa o inicio da análise de acordo com sua descrição e a coluna dos Dados Finais representa o fim da análise, ou seja, os valores finais dos intervalos de processamento das análises. De forma intuitiva crê-se que as duas últimas colunas são os intervalos descritos no ambiente de análise. Torna-se de extrema importância a compreensão dessa tabela, pois essa irá direcionar de forma coerente a visualização da eficiência da utilização da RNAP na análise e descoberta da possível fraude. Descrição Dados Iniciais Dados Finais População (transação) Tempo Aprendizagem 0:00:00h 1:58:00h Tempo Memorização 1:58:00h 2:00:00h Reconhecimento de Padrão 2:00:00h 2:00:00h Tempo total processo 0:00:00h 2:00:00h Tabela5.5 - Dados referentes a performance do Sistema de Análise do Perfil A tabela 5.5, descreve o custo de aprendizagem e memorização dos perfis do cliente minerados do histórico do cliente, é maior que o custo de reconhecimento dos perfis na RNAP, que é instantâneo, menor que 1 segundo. Assim, o SNAPHistRp deve ser executado num momento de menor acesso ao sitio do usuário do aplicativo. 6 Conclusão A utilização da Lógica Paraconsistente como elemento e instrumento dos fundamentos lógicos da Rede Neural Artificial Paraconsistente, foi comprovada em sua utilização na averiguação de possíveis fraudes com dados simulados de um sítio do _internet banking_. Comprovou-se que o desempenho no quesito velocidade de processamento utilizando a RNAP em ambiente com dados discretizados, se demonstrou eficiente, se considerar tratamentos em tempo real no reconhecimento de padrões a perfis de clientes em sistemas estocástico e determinístico com uma aprendizagem rápida, pois possuem valores baixos para o fator externo de tolerância a certeza. Pôde-se observar que em ambientes onde a necessidade de resposta não seja em tempo real, tem-se como a RNAP atuar numa forma de aprendizagem mais lenta de acordo com o valor de tolerância a aprendizagem definido externamente for mais próximo de um, aferindo assim, uma melhor interpretação, aprendizagem e reconhecimento dos padrões. Portanto, é conclusivo a possibilidade de haver um baixo custo computacional na utilização da RNAP nesse segmento de mercado e pesquisa na descoberta e análise de perfis e tomada de decisão. 7 Referências [1] Da Fonseca, Jairo Simon, entre outros; Estatística Aplicada; São Paulo, SP, Editora Atlas, 1995, págs [2] Documentos, Cartilha de Segurança para Internet. NIC BR Security Office; [3] Prado, João Carlos Almeida. Redes Neurais Artificiais Paraconsistentes e sua utilização para reconhecimento de padrões; Tese de Mestrado, São Paulo, SP, 2002, USP. [4] Da Costa, Newton C. A., Abe, Jair Minoro e outros. Lógica Paraconsistente Aplicada; São Paulo, SP, Editora Atlas, 1999, págs [5] Da Silva Filho, João Inácio, Abe, Jair Minoro. Fundamentos das Redes Neurais Artificiais Paraconsistentes. São Paulo, SP, Editora VillaPress, 2001, págs , [6] Fialho, Francisco; Ciências da Cognição; São paulo, SP, Editora Insular, [7] Russel, Stuart e Norvig, Peter; Inteligência Artificial, São Paulo, SP, Editora Campus, 2004, págs [8] Rezende, Solange Oliveira; Sistemas Inteligentes Fundamentos e Aplicações; São Paulo, SP, Editora Manole, 2003, págs [9] Haykin, Simon; Redes Neurais Princípios e Prática; Porto Alegre, RS, Editora Bookman, 2002, págs
REDES NEURAIS PARACONSISTENTES APLICADAS NA DESCOBERTA DE FRAUDES À CONTA DE CLIENTES
REDES NEURAIS PARACONSISTENTES APLICADAS NA DESCOBERTA DE FRAUDES À CONTA DE CLIENTES Valdemir Silva Souza 1, Jair Minoro Abe 3, José Demisio Simões da Silva 1,2,4 1 Universidade Braz Cubas - UBC, Mogi
Redes Neurais Artificiais Paraconsistentes aplicadas no Reconhecimento de Padrões dos Ciclos Sazonais para a Previsão Climática
Redes Neurais Artificiais Paraconsistentes aplicadas no Reconhecimento de Padrões dos Ciclos Sazonais para a Previsão Climática Valdemir Silva Souza e José Demísio Simões da Silva Laboratório Associado
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
serotonina (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)
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Rodney Gomes da Silva 1,2, João Inácio da Silva Filho 1, Dorotéa Vilanova Garcia 1 1 UNISANTA-
DIREITO DA SOCIEDADE DA INFORMAÇÃO
DIREITO DA SOCIEDADE DA INFORMAÇÃO Prof. Fabiano Taguchi http://fabianotaguchi.wordpress.com fabianotaguchi@gmail.com Bens jurídicos peculiares à informática Crimes digitais e suas modalidades Relações
Nos parágrafos seguintes serão definidos os operadores NOT, OR e AND sobre o
112 3.5.5 Os operadores NOT, OR e AND Nos parágrafos seguintes serão definidos os operadores NOT, OR e AND sobre o reticulado τ = < [0, 1] [0, 1], >, associado à lógica paraconsistente anotada evidencial
Proposta de controle de nível utilizando Redes Neurais Artificiais Paraconsistente
Proposta de controle de nível utilizando Redes Neurais Artificiais Paraconsistente Rolden Baptista, rolden.baptista@unimonte.edu.br UNIMONTE-Centro Universitário Monte Serrat. Rua comendador Martins, vila
Proposta de uso da Lógica Paraconsistente Anotada na análise do poder de competição O estudo do fator Dificuldades à entrada de concorrentes.
Proposta de uso da Lógica Paraconsistente Anotada na análise do poder de competição O estudo do fator Dificuldades à entrada de concorrentes. Prof. MSc. Marco Antonio Domingues (UNIP) prof.domingues@uol.com.br
REDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
A evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Métodos de Aplicações da Lógica Paraconsistente Anotada de anotação com dois
Métodos de Aplicações da Lógica Paraconsistente Anotada de anotação com dois valores-lpa2v João Inácio da Silva Filho Email: Da Silva Filho, J.I. inacio@unisanta.br ou jinacsf@yahoo.com.br IEA- Instituto
CURSO DE CIÊNCIA DA COMPUTAÇÃO MATRIZ CURRICULAR CURRÍCULO PLENO SEMESTRALIZADO 10 SEMESTRES
CURSO DE CIÊNCIA DA COMPUTAÇÃO MATRIZ CURRICULAR CURRÍCULO PLENO SEMESTRALIZADO 10 SEMESTRES Situação Legal: Reconhecido Integralização: Mínimo 5 anos / Máximo 8 anos Carga Horária: 2.820h (188 créditos)
FACULDADES INTEGRADAS SANTA CRUZ DE CURITIBA MONITORAMENTO - WIRESHARK
FACULDADES INTEGRADAS SANTA CRUZ DE CURITIBA MONITORAMENTO - WIRESHARK CURITIBA 2016 AUGUSTO MONTOVANI DUANN G. PLISKIEVISKI EDERLO RODRIGO MARCOS V. HERMAN SMAYLESON DE LIMA MONITORAMENTO - WIRESHARK
Redes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Classificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Tópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
USANDO A LÓGICA PARACONSISTENTE COMO FERRAMENTA AUXILIAR AO PROCESSO DE AVALIAÇÃO DE CURSOS EM EAD. Londrina PR Maio 2009
1 USANDO A LÓGICA PARACONSISTENTE COMO FERRAMENTA AUXILIAR AO PROCESSO DE AVALIAÇÃO DE CURSOS EM EAD Londrina PR Maio 2009 Pedro Paulo da Silva Ayrosa NEAD Universidade Estadual de Londrina - ayrosa@uel.br
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Redes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
PRINCÍPIOS DE NEUROCOMPUTAÇÃO
PRINCÍPIOS DE NEUROCOMPUTAÇÃO Neurocomputação Funcionamento do cérebro humano e os neurônios Formação das conexões e como se concebe teoricamente a aquisição do conhecimento, formalizando-os em procedimentos
Neural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) Aplicada em Software de Interface gráfica
Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) Aplicada em Software de Interface gráfica Leonardo do Espirito Santo 1,2, Rodrigo Silvério da Silveira 1,2, João Inácio da Silva Filho
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem Mauricio Conceição Mário, Luís Fernando P. Ferrara e João Inácio da Silva Filho Mário, M.C. Ferrara, L.F.P.. Da Silva Filho,
A CASA DO SIMULADO DESAFIO QUESTÕES MINISSIMULADO 30/360
1 DEMAIS SIMULADOS NO LINK ABAIXO CLIQUE AQUI REDE SOCIAL SIMULADO 30/360 INFORMÁTICA INSTRUÇÕES TEMPO: 30 MINUTOS MODALIDADE: CERTO OU ERRADO 30 QUESTÕES CURTA NOSSA PÁGINA MATERIAL LIVRE Este material
Universidade Estadual de Feira de Santana Departamento de Ciências Exatas. Clone do MatLab. João Carlos Nunes Bittencourt. Feira de Santana, 2008
1 Universidade Estadual de Feira de Santana Departamento de Ciências Exatas Clone do MatLab João Carlos Nunes Bittencourt Feira de Santana, 2008 2 SUMÁRIO 1 Introdução... 6 2 Desenvolvimento... 7 2.1 Rotina
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 70-000 Tel: (7)-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP
Introdução em Segurança de Redes
Introdução em Segurança de Redes Introdução Nas últimas décadas as organizações passaram por importantes mudanças Processamento das informações Antes: realizado por meios físicos e administrativos Depois:
Figura 4.2: Matriz Curricular
Figura 4.2: Matriz Curricular 3660 Fundamentos de Matemática e Estatística Física Eletrônica Algoritmos e Programação Arquitetura de Computadores Metodologias e Técnicas de Computação Engenharia e Sistemas
A CASA DO SIMULADO DESAFIO QUESTÕES MINISSIMULADO 98/360
1 DEMAIS SIMULADOS NO LINK ABAIXO CLIQUE AQUI REDE SOCIAL SIMULADO 98/360 INFORMÁTICA INSTRUÇÕES TEMPO: 30 MINUTOS MODALIDADE: CERTO OU ERRADO 30 QUESTÕES CURTA NOSSA PÁGINA MATERIAL LIVRE Este material
Inteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
INTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos
Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos TCC - Jan/09 Daniel Tré - ISTCCP Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos p. 1/2 O que são Redes Neurais Artificiais
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -
Cálculo proposicional
O estudo da lógica é a análise de métodos de raciocínio. No estudo desses métodos, a lógica esta interessada principalmente na forma e não no conteúdo dos argumentos. Lógica: conhecimento das formas gerais
Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
MATRIZES - PARTE Definição e Manipulação de Matrizes AULA 21
AULA 21 MATRIZES - PARTE 1 21.1 Definição e Manipulação de Matrizes Sabemos como definir variáveis de um novo tipo de dados, denominado vetor, que representam seqüências de valores de um mesmo tipo. Por
Paradigmas 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
6.3 Avaliação do Projeto de uma Fábrica 28
172 6.3 Avaliação do Projeto de uma Fábrica 28 Neste exemplo, o MAB será aplicado na avaliação do projeto P de uma fábrica, problema com o qual, constantemente, se deparam engenheiros, consultores ou os
6.2 Análise da Viabilidade do Lançamento de um Produto 27
159 6.2 Análise da Viabilidade do Lançamento de um Produto 27 Neste caso, o MAB será aplicado em um problema com o qual, constantemente, se deparam os profissionais de marketing: estudar a viabilidade
A CASA DO SIMULADO DESAFIO QUESTÕES MINISSIMULADO 38/360
1 DEMAIS SIMULADOS NO LINK ABAIXO CLIQUE AQUI REDE SOCIAL SIMULADO 38/360 INFORMÁTICA INSTRUÇÕES TEMPO: 30 MINUTOS MODALIDADE: CERTO OU ERRADO 30 QUESTÕES CURTA NOSSA PÁGINA MATERIAL LIVRE Este material
Inteligência 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
Mecanismos de Interrupção e de Exceção, Barramento, Redes e Sistemas Distribuídos. Sistemas Operacionais, Sistemas
Arquitetura de Computadores, Arquitetura de Computadores Organização de Computadores, Conjunto de Instruções, Sistemas Operacionais, Sistemas Operacionais, Sistemas Mecanismos de Interrupção e de Exceção,
Informática I. Aula 2. Ementa
Informática I Aula 2 http://www.ic.uff.br/~bianca/informatica1/ Aula 2-29/08/2007 1 Ementa Noções Básicas de Computação (Hardware, Software e Internet) HTML e Páginas Web Internet e a Web Javascript e
Unidade III. Unidade III. Existe uma tendência dos sistemas de informação a funcionarem cada vez mais em Intranets e na Internet.
Unidade III Unidade III 3 GERENCIAMENTO DA SEGURANÇA DA TI Existe uma tendência dos sistemas de informação a funcionarem cada vez mais em Intranets e na Internet. 1 As organizações estão sofrendo, a cada
A CASA DO SIMULADO DESAFIO QUESTÕES MINISSIMULADO 14/360
1 DEMAIS SIMULADOS NO LINK ABAIXO CLIQUE AQUI REDE SOCIAL SIMULADO 14/360 INFORMÁTICA INSTRUÇÕES TEMPO: 30 MINUTOS MODALIDADE: CERTO OU ERRADO 30 QUESTÕES CURTA NOSSA PÁGINA MATERIAL LIVRE Este material
Inteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
3/9/2011. Segurança da Informação. Segurança da Informação. O que é Segurança e seguro? Prof. Luiz A. Nascimento Auditoria e Segurança de Sistemas
Segurança da Informação Prof. Luiz A. Nascimento Auditoria e Segurança de Sistemas Segurança da Informação Milhões de empresas e profissionais estão usando a Internet para fazer transações bancárias, comercio
A CASA DO SIMULADO DESAFIO QUESTÕES MINISSIMULADO 44/360
1 DEMAIS SIMULADOS NO LINK ABAIXO CLIQUE AQUI REDE SOCIAL SIMULADO 44/360 INFORMÁTICA INSTRUÇÕES TEMPO: 30 MINUTOS MODALIDADE: CERTO OU ERRADO 30 QUESTÕES CURTA NOSSA PÁGINA MATERIAL LIVRE Este material
GUIA DE INSCRIÇÃO DE PROJETO DE PESQUISA
GUIA DE INSCRIÇÃO DE PROJETO DE PESQUISA Juiz de Fora, maio de 2014 Apoio: SHA ACN 00031/11 Para iniciar a inscrição do projeto, o usuário deverá acessar o link: inovare.ifsudestemg.edu.br e clicar em
INFORMÁTICA. Com o Professor: Rene Maas
INFORMÁTICA Com o Professor: Rene Maas Arquivos anexados a mensagens de e-mail podem conter vírus, que só contaminarão a máquina se o arquivo anexado for executado. Portanto, antes de se anexar um arquivo
Por que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Inteligência Computacional para Jogos Eletrônicos
Inteligência Computacional para Jogos Eletrônicos Papéis da IA em Jogos Adversários Aliados Personagens de apoio NPC s (Non-player Character) Comentaristas Controle de câmera Geração de fases Nivelamento
Redes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ ENGENHARIA DE COMPUTAÇÃO. Smart Relay SISTEMA DE AUTOMAÇÃO POR COMANDO DE VOZ
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ ENGENHARIA DE COMPUTAÇÃO Smart Relay SISTEMA DE AUTOMAÇÃO POR COMANDO DE VOZ CURITIBA 2013 PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ ENGENHARIA DE COMPUTAÇÃO
SBC - Sistemas Baseados em Conhecimento
Siglas, Símbolos, Abreviaturas DW - Data Warehouse KDD Knowledge Discovery in Database MD Mineração de Dados OLAP - On-line analytical processing SBC - Sistemas Baseados em Conhecimento 1. INTRODUÇÃO O
MINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA INSTITUTO FEDERAL DO NORTE DE MINAS GERAIS CAMPUS MONTES CLAROS 1 PERÍODO
6.4 Matriz Curricular do Curso de Ciência da Computação 6.4.1 Componentes curriculares obrigatórios 1 PERÍODO Teórica Prática Hora-aula Horas Cálculo I 6 2 8 144 120 - Geometria Analítica e Vetores - Dados
Internet Banking. SICOOBNET: Proteja suas transações financeiras
1 2 Internet Banking Via SICOOBNET (Internet Banking) você pode realizar as mesmas ações disponíveis nas agências do Sicoob Credivertentes, sem enfrentar filas ou ficar restrito aos horários de atendimento.
3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Lógica para computação
Lógica para computação PROPRIEDADES SEMÂNTICAS DA LÓGICA PROPOSICIONAL Professor Marlon Marcon Introdução Esta seção considera a análise de algumas propriedades semânticas da LP que relacionam os resultados
CURSO DE CIÊNCIA DA COMPUTAÇÂO (65C) HABILITAÇÃO: BACHARELADO TURNO: DIURNO (a partir de 2014)
CURSO DE CIÊNCIA DA COMPUTAÇÂO (65C) HABILITAÇÃO: BACHARELADO TURNO: DIURNO (a partir de 2014) Equivalência 1 o Período 24 créditos 360 horas MAT154 Cálculo I 04 60 ------- MAT154E MAT155 Geometria Analítica
1º Período. Horário Início Término CAD103 ADMINISTRAÇÃO TGA ALGORITMOS E ESTRUTURAS DE DADOS III
CAD103 DCC003 ADMINISTRAÇÃO TGA ALGORITMOS E ESTRUTURAS DE DADOS I DCC044 FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO 6ª MAT001 MAT038 6ª DCC004 DCC111 ALGORITMOS E ESTRUTURAS DE DADOS II MATEMÁTICA DISCRETA
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Técnicas de Demonstração. Raquel de Souza Francisco Bravo 17 de novembro de 2016
Técnicas de Demonstração e-mail: raquel@ic.uff.br 17 de novembro de 2016 Técnicas de Demonstração O que é uma demonstração? É a maneira pela qual uma proposição é validada através de argumentos formais.
CRÉDITOS DO CURSO. Carga Horária Créditos IN1030 Seminários 30 2
UNIVERSIDADE FEDERAL DE PERNAMBUCO PRÓ-REITORIA PARA ASSUNTOS DE PESQUISA E PÓS-GRADUAÇÃO ESTRUTURA CURRICULAR STRICTO SENSU (baseada na Res. 10/2008 do CCEPE) NOME DO CURSO: Pós-Graduação em Ciência da
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/81 1 - LÓGICA E MÉTODOS DE PROVA 1.1) Lógica Proposicional
CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MATRIZ CURRICULAR MATUTINO Fase N.
CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MATRIZ CURRICULAR MATUTINO Fase N. Ordem Código COMPONENTE CURRICULAR Créditos Horas Prérequisitos 01 Introdução à informática 04 60 02 Matemática instrumental
A CASA DO SIMULADO DESAFIO QUESTÕES MINISSIMULADO 122/360
1 DEMAIS SIMULADOS NO LINK ABAIXO CLIQUE AQUI REDE SOCIAL SIMULADO 122/360 INFORMÁTICA INSTRUÇÕES TEMPO: 30 MINUTOS MODALIDADE: CERTO OU ERRADO 30 QUESTÕES CURTA NOSSA PÁGINA MATERIAL LIVRE Este material
MATRIZ CURRICULAR BACHARELADO EM ENGENHARIA DA COMPUTAÇÃO. 1º Período
MATRIZ CURRICULAR BACHARELADO EM ENGENHARIA DA COMPUTAÇÃO 1º Período Código Disciplina CHT 1 CHP 2 CH Total Pré-requisitos Dados I 40 40 80 - Cálculo I 80-80 - Fundamentos da Computação 40-40 - Fundamentos
Inteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Motivação Básica A mente humana,
Inicialmente as redes passaram a ser utilizadas principalmente para o compartilhamento de periféricos, principalmente discos rígidos.
Aula 5-6 IV) AS REDES ATUAIS Novas tecnologias como banco de dados, sistemas distribuídos e redes de computadores surgiram na área de informática e modificaram radicalmente o comportamento das empresas.
TÍTULO: DESENVOLVIMENTO DE PLATAFORMA DE TESTES PARA ALGORITMOS ESTRUTURADOS EM LÓGICA PARACONSISTENTE ANOTADA LPA
TÍTULO: DESENVOLVIMENTO DE PLATAFORMA DE TESTES PARA ALGORITMOS ESTRUTURADOS EM LÓGICA PARACONSISTENTE ANOTADA LPA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO:
Antispam corporativo e Gateway
Antispam corporativo e Email Gateway Sua empresa livre de ataques dirigidos, ransomware, vírus, phishing e e-mails indesejados. O e-mail é a principal ferramenta de comunicação entre empresas no mundo
Redes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Redes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Descoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
CÓD CURSO DE ENGENHARIA DE COMPUTAÇÃO MATRIZ CURRICULAR Currículo nº1
Aprovado no CONGRAD de: 29.08.2017 Vigência: ingressos a partir de 2018/1 CÓD. 6570- CURSO DE ENGENHARIA DE COMPUTAÇÃO MATRIZ CURRICULAR Currículo nº1 ÁREAS DE FORMAÇÃO Créditos Acadêmicos Carga Horária
Aula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
PROJETO DE INCLUSÃO DE DISCIPLINAS OPTATIVAS NO CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO CAMPUS CURITIBA
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Ministério da Educação Universidade Tecnológica Federal do Paraná Campus Curitiba Curso de Bacharelado em Sistemas de Informação PROJETO DE INCLUSÃO DE DISCIPLINAS
3.4 Fundamentos de lógica paraconsistente
86 3.4 Fundamentos de lógica paraconsistente A base desta tese é um tipo de lógica denominada lógica paraconsistente anotada, da qual serão apresentadas algumas noções gerais. Como já foi dito neste trabalho,
Redes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Guia para Transmissão de arquivos da Portaria CAT 79/03
SECRETARIA DA FAZENDA Coordenadoria da Administração Tributária - CAT Diretoria Executiva da Administração Tributária - DEAT Guia para Transmissão de arquivos da Portaria CAT 79/03 Versão 2.02 Agosto/2007
Introdução à Computação Engenharia Civil
Excel para Engenharia Civil Introdução à Computação Engenharia Civil Objetivo da aula: foco no Excel Trabalhos na área da Engenharia Civil Tese: Proposta de um modelo de planejamento e controle de custos
Tabela de Pré-Requisitos. Interdisciplinar 36 Não há
Nome da UC Categoria CH Total Pré-Requisitos Álgebra Linear Eletiva 72 Geometria Analítica Álgebra Linear Computacional Eletiva 72 Cálculo Numérico Álgebra Linear II Eletiva 72 Álgebra Linear Algoritmos
Primeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Simulado Aula 02 INSS INFORMÁTICA. Prof. Márcio Hunecke
Simulado Aula 02 INSS INFORMÁTICA Prof. Márcio Hunecke Informática Pragas Virtuais 1. Phishing é um método de envio de mensagens eletrônicas que tentam se passar pela comunicação oficial de uma instituição
Tecnólogo em Análise e Desenvolvimento de Sistemas. Sistemas Operacionais (SOP A2)
Tecnólogo em Análise e Desenvolvimento de Sistemas Sistemas Operacionais (SOP A2) Conceitos de Hardware e Software Referências: Arquitetura de Sistemas Operacionais. F. B. Machado, L. P. Maia. Editora
IA - TensorFlow. Paulo Cotta
IA - TensorFlow Paulo Cotta Jabá Sou voluntário do GDG Trabalho na Stefanini como Engineer ML e DL Tenho à Startup Koffee More Gosto de repassar conhecimento Faço parte do Candangos do Cerrado IA Professor
ANEXO I SEQÜÊNCIA ACONSELHADA DE DISCIPLINAS Ciência da Computação
ANEXO I SEQÜÊNCIA ACONSELHADA DE DISCIPLINAS Ciência da Computação 1º SEMESTRE DEPTo. CÓDIGO CRÉDITOS CH TIPO DISCIPLINA - Pré-Requisito FIL 0725-0 4 0 0 60 OBR Metodologia Científica INF 5587-8 3 0 0
Arquitetura de Computadores
Arquitetura de Computadores 2018.1 Computador O computador é uma máquina que realiza processamento de dados automaticamente. Ela é formada por um hardware e um software. O Engenho Analítico é o primeiro
Fabrício Jailson Barth BandTec
Introdução à Inteligência Artificial Fabrício Jailson Barth fabricio.barth@bandtec.com.br BandTec 1 o semestre de 2012 Objetivos e Sumário O que é Inteligência Artificial (IA)? Objetivos da IA. Influência