PROJETO DE REDES NEURAIS Leyla Manoella (lmmrl) Thiago Henrique (thfp)

Slides:



Advertisements
Apresentações semelhantes
Reconhecimento de Captcha usando Redes Neurais Artificiais
Advertisements

REDES NEURAIS ARTIFICIAIS
Redes Neurais Artificiais (RNA): Perceptron
Redes Neurais Artificiais (RNA): Aprendizado
Cálculo - Thomas Capítulo 6.
Aspectos de Implementação do Algoritmo Backpropagation
RECONHECIMENTO DE CARACTERES MANUSCRITOS APLICANDO REDES NEURAIS
Adriano Kaminski Sanches
REDES NEURONAIS ARTIFICIAIS (RNAs) Universidade do Minho.
Araken de Medeiros Santos Anne Magály de Paula Canuto
PERCEPTRON (CONTINUAÇÃO)
AULA06-exercícios MLP.
Backpropagation Through Time
AULA04 PERCEPTRON MULTI-CAMADAS MULTI-LAYER PERCEPTRON (MLP)
Prof. Júlio Cesar Nievola PPGIA - PUCPR
Perceptrons e Multilayer Perceptrons
Rede Neural de Backpropagation
PROGRAMA DE PLANEJAMENTO FAMILIAR
Cérebro Artificial Intelligence, a modern approach
Germano C. Vasconcelos Centro de Informática - UFPE
Germano C. Vasconcelos Centro de Informática - UFPE
2a Lista de Exercícios Redes Neurais
Inteligência Artificial
Análise Multivariada Aplicada as Ciências Agrárias
Lista de Exercícios de Redes Neurais - Sistemas Inteligentes -
Fases da Vida.
Consultoria em marketing político digital
AGNALDO CALVI BENVENHO
Daniela Justiniano de Sousa
Aluno: Angelo Ferreira Assis
Implementação de Redes Neurais para Classificação de Odores
Treinamento Wifi-Visitante
Redes Neurais - Cross-Selling
Monitoria de Sistemas Inteligentes Alice Lucena Prof Teresa Ludermir.
Derivadas Aula 1 Prof. Zé Roque.
A Hybrid Method for Robust Car Plate Character Recognition.
E NHANCED S ELF -O RGANIZING I NCREMENTAL N EURAL N ETWORK FOR O NLINE U NSUPERVISED L EARNING Cesar Lima José Francisco Maíra Nascimento.
Redes Neurais Prof. Alex F. V. Machado.
Aprendizado de Máquina
Rafael Lima(ragpl) Recife, 29 de Junho de  Descrição do problema  Redes Neurais Artificiais  Preparação dos dados  O experimento  Resultados.
Fernando Valeriano de Almeida Lins. Problema  PAKDD 2007  Dados reais de uma companhia financeira  padrões de entrada sendo de uma classe.
Projeto de Redes Neurais e MATLAB
Redes Neuronais/Neurais/ Conexionistas Introdução
Lista de Exercício IAI 2009 – Ricardo Prudêncio. Os objetivos dessa lista são: –Realizar treinamento de SVMs no WEKA –Praticar procedimento de seleção.
Redes Neurais Artificiais
Adaline ta distância entre saída e resposta desejada
SVMSharp – Uma implementação didática de uma SVM
Sistemas Baseados em Aprendizado (Aprendizado de Máquina)
Redes Neurais Artificiais
Grupo: Marcelo Costa de Lima Silas Ferreira Gomes Pedrosa Vítor Queiroz Albuquerque Projeto de Sistemas Inteligentes Classificação de Padrões Técnica Escolhida:
Projeto Final MCI 2004 Filtragem de s Agente de Classificação de SPAM.
(OU) Hardware da Rede Implementacao da rede
Redes Neurais Artificiais. Introdução RNA são modelos matemáticos que se assemelham às estruturas neurais biológicas Capacidade computacional adquirida.
Recuperação Inteligente de Informação
Uma Introdução a SVM Support Vector Machines
Prof. Anne Magály de Paula Canuto
Universidade Federal de Lavras Departamento de Ciência da Computação
Redes Neurais Artificiais
Redes Neurais Treinamento de MLP. Treinamento Divisão das entradas Parâmetros de treinamento –350 iterações –Nº de nós da camada interna (26, 46, 92)
Revisão de Sistemas Inteligentes
Pergaminho a robust library system Grupo: André Felipe de Melo (afpm) Bernardo Reis (bfrs) Leyla Manoella de Lima (lmmrl) Thiago Henrique da Paz (thfp)
Luiz Eduardo Balabram.  CERN  UPSO  Resultados  Conclusão.
ASrank Carlos Carlim.
Detecção de tráfego Skype na Web através de Redes Neurais Artigo Original: Freire, P. E., Ziviani, A., and Salles, R. M. (2008). Detecting skype flows.
©2005 Germano C.Vasconcelos Projeto da Disciplina Germano C. Vasconcelos Centro de Informática - UFPE.
Objetivo Este projeto destina-se ao estudo e à elaboração de modelos neurais artificiais, com o auxílio do programa Matlab. O objetivo principal deste.
1 Projeto Híbrido de Redes Neurais Ricardo Bastos C. Prudêncio Orientação: Teresa B. Ludermir CIn - UFPE Jan
Plano de Desenvolvimento da Educação - MEC. Algumas frentes do PDE Compromisso Todos pela Educação Programa de Metas (IDEB) Avaliação de alfabetização.
Transcrição da apresentação:

PROJETO DE REDES NEURAIS Leyla Manoella (lmmrl) Thiago Henrique (thfp)

M ETODOLOGIA Pré-processamento dos dados Planejamento dos experimentos Realização dos experimentos e análise dos resultados

E XPERIMENTOS 1ª fase: Foram realizados 90 experimentos. Combinação diferente dos parâmetros: Número de Nodos Escondidos = {4, 8, 12}; Função de Ativação = {Sigmóide Logística, Tangente Hiperbólica}; Algoritmo de Treinamento = {Backpropagation com Momento, Resilient Backpropagation, Levenberg-Marquardt}; Taxa de Aprendizagem = {0.001, , }; Constante Momento = {0.3, 0.7, 0.9}. Somente para o caso das redes que utilizarem o algoritmo Backpropagation com Momento; Número máximo de épocas = {5000}.

E XPERIMENTOS Resultados da 1ª fase:

E XPERIMENTOS 2ª etapa: Foram escolhidas as duas melhores redes.

E XPERIMENTOS