Escolar Documentos
Profissional Documentos
Cultura Documentos
FACULDADE IDEAU
CURSO DE ENGENHARIA DE PRODUÇÃO
Getúlio Vargas – RS
2018
CARLOS ALBANO DE OLIVEIRA JÚNIOR
Getúlio Vargas – RS
2018
INSTITUTO DE DESENVOLVIMENTO EDUCACIONAL DO ALTO URUGUAI
FACULDADE IDEAU
CURSO DE ENGENHARIA DE PRODUÇÃO
ELABORADO POR:
CARLOS ALBANO DE OLIVEIRA JÚNIOR
COMISSÃO EXAMINADORA:
Getúlio Vargas – RS
2018
Dedico este trabalho a todos os mentores que
fomentaram o conhecimento que até então
erigi.
AGRADECIMENTOS
The work developed refers to a study in which Artificial Neural Networks (ANN) was
applied in the process of predicting the capacity to obtain new academics from a private
teaching entity. In aiming, to architect a suitable connectionist network to approximate
the function enabled to forecast the annual academic demand of a higher education
institution. The qualitative method, concomitant, was used the bibliographic and
exploratory research; using the Neuroph program for the construction of the multilayer
Perceptron (MLP). In addition to the statistical inference involved in the interpretation
of the variables, those of geographic, market and economic origin. The following
results to top in the study, in most studies, in the top of study results, in the top of
research, and important regional studies, in the top of the matrices of college; the
perception that there is more sulfur to a neural network, the better its performance
within the pre-established limits as a scope; and, obviously, the success in the
development of the intended demand prediction system based on artificial intelligence
to the College IDEAU.
1 INTRODUÇÃO
1.2 Objetivos
1.3 Justificativa
Advertindo que na presente data das execuções das pesquisas nesses portais,
com a inserção dos termos acima descritos, foram quantitativamente encontrados,
respectivamente:
1- O volume de 980 artigos em língua portuguesa e nenhum correspondente ao
tema do trabalho.
2- A grandeza de 200 artigos em língua portuguesa e nenhum correspondente ao
tema do trabalho.
3- O montante de 200 artigos em língua portuguesa e nenhum correspondente ao
tema do trabalho.
4- A porção de 980 artigos em língua portuguesa e nenhum correspondente ao
tema do trabalho.
5- A dimensão de 980 artigos em língua portuguesa e nenhum correspondente ao
tema do trabalho.
2 REFERENCIAL TEÓRICO
2.1.1 Histórico
retomada das pesquisas na área. O grande feito de Hopfield foi, sem sombra de
dúvida, salientar a relação entre sistemas físicos e redes recorrentes auto-
associativas, proporcionando o espaço para a aplicação de teorias correntes da Física
para estudar tais modelos neurais. O relato do algoritmo de treinamento
Backpropagation poucos anos depois revelou que a perspectiva de Minsky & Papert
sobre o perceptron era extremamente pessimista. As RNA’s de múltiplas camadas
são, inquestionavelmente, aptas ao deliberar problemas complexos. A partir dessa
década, principiou-se o novo estopim do entusiasmo pelas RNA’s na comunidade
cientifica mundial. Além disso, uma dupla de fatores se responsabilizam pelo retorno
de interesse na área: em primeiramente, o avanço da tecnologia, sobretudo no setor
de microeletrônica, que viabilizou a execução de modelos de neuronais e sua
interconexão de uma maneira antes impensável; em segundo, o lapso simbólico do
restante do ambiente de IA, mesmo com o seu sucesso na solução de determinados
tipos de problemas, não tenha conquistado avanços expressivos na resolução de
alguns problemas simples para seres humanos (BRAGA et al., 2012).
a) Sinais de entrada {x1, x2, ..., xm): medidas do ambiente que são usualmente
normalizadas buscando incrementar a eficiência computacional dos algoritmos
de aprendizagem.
b) Pesos sinápticos {wk1, wk2, ..., wkm}: são os valores que ponderarão cada
entrada da rede, possibilitando quantificar as relações de funcionamento de
neurônio.
c) Combinar linear {}: é a reunião o produto de todas as entradas ponderadas
produzindo um valor de potencial de ativação.
d) Limiar de ativação ou bias {bk}: é a variável que indica qual o patamar adequado
para que o resultado gerado pelo combinador linear consiga precisar um valor
de disparo em direção à saída do neurônio.
27
2.1.5 Aprendizagem
As redes PMC, dissertam Silva et al. (2016), são caraterizadas pela presença
de no mínimo uma camada escondida de neurônios, localizada entre a os
processadores de entrada e a respectiva camada de saída da RNA. Em decorrência
disso, as redes PMC usufruem de pelo menos duas camadas de neurônios, os quais
estarão distribuídos entre as camadas intermediárias e camada de saída.
Notoriamente, os perpectrons de múltiplas camadas têm sucesso na resolução
de diversos problemas complexos, caracterizam-se por efetuarem seu treinamento
supervisionada pelo, popularmente conhecido, algoritmo de retropropagação de erro
(HAYKIN, 2001).
(2)
4. Com a equação (4), calcular os gradientes locais (δ) dos neurônios da camada
de saída. O gradiente (δ) do neurônio artificial j é o produto entre o erro desse
neurônio (ej) com a derivada da função de ativação (Q’) aplicada ao campo
local induzido vj calculado em (3), onde wij representa o peso de entrada
associado a cada neurônio j;
𝑚
(3)
(4)
5. Ajustar os pesos da camada de saída utilizando as equações em (5):
∆𝑤𝑗𝑖 (𝑛) = 𝜂𝛿(𝑛)𝑦𝑖 (𝑛)
𝑤𝑖𝑗 (𝑛 + 1) = 𝑤𝑖𝑗 + ∆𝑤𝑗𝑖 (𝑛)
(5)
6. Mensurar os gradientes locais dos neurônios da camada escondida adotando
(6), em que p alude à quantidade de neurônios à direita integrados a j:
𝑝
′
𝛿𝑗 (𝑛) = 𝑄 (𝑣𝑗 (𝑛)) ∑ 𝛿𝑘 (𝑛)𝑤𝑘𝑗 (𝑛)
𝑘=1
(6)
7. Ajustar os pesos da camada oculta aplicando as equações em (7);
∆𝑤𝑗𝑖 (𝑛) = 𝜂𝛿(𝑛)𝑦𝑖 (𝑛)
𝑤𝑖𝑗 (𝑛 + 1) = 𝑤𝑖𝑗 + ∆𝑤𝑗𝑖 (𝑛)
(7)
8. Para todos os padrões de treinamento (1 época) repetir os passos de 2 a 7;
32
(8)
10. Se o EMQ>VD (valor desejado) ou se as épocas iteradas forem menos que o
número máximo de épocas (NMEp), repetir o passo 8. Senão pare;
2.1.9 Aplicações
Reconhecimento de caracteres.
Reconhecimento de imagens.
Diagnostico (médico, equipamento, etc.)
Classificação Análise de crédito.
Detecção de fraudes.
Detecção de falhas em sistemas
industriais.
33
Previsão do tempo.
Previsão Previsão financeira (câmbio, bolsa, etc.)
Modelagem de sistemas dinâmicos.
Previsão de sequências de DNA.
ser normalizadas para que seja admissível o correto mapeamento entre os domínios
normalizadas e as imagens adequadas. Para esses desígnios os dados para os intups
amostral de treinamento da rede e as saídas pretendidas apropriadas são ajustados
para se situarem dentro intervalo [0,1] ou [-1, +1] (GAMBOGI, 2013). Obedecendo, o
cálculo da seguinte fórmula:
(𝑥𝑁𝑚𝑎𝑥 − 𝑥𝑁𝑚𝑖𝑛 )(𝑥 − 𝑥𝑚𝑖𝑛 )
𝑥𝑁 = + 𝑥𝑁𝑚𝑖𝑛
𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
Em que:
xN = valor normalizado.
x = valor a normalizar.
xNmax = limite superior para normalização.
xNmin = limite inferior para normalização.
xmax = limite superior da variável a normalizar.
xmin = limite inferior da variável a normalizar.
em que:
Oij = quantidade de observações na i-ésima categoria da variável X e na j-
ésima da variável Y;
Eij = frequência esperada de observações na i-ésima categoria da variável X e
na j-ésima da variável Y;
I = quantidade de categorias (linhas) da variável X;
J = quantidade de categorias (colunas) da variável Y.
b) Coeficiente Phi – medida de associação para variáveis nominais fundamentada
no X². Com resultado entre 0 (independente) e 1 (associação perfeita).
Calculado por:
36
𝑋2
𝑃ℎ𝑖 = √
𝑛
𝑋2
𝐶=√
𝑛 + 𝑋2
𝑋2
𝑉=√ 𝑒𝑚 𝑞𝑢𝑒 𝑞 = 𝑚í𝑛(𝐼, 𝐽)
𝑛. (𝑞 − 1)
Coeficiente Correlação
|𝜌| = 0 Nula
0 < |𝜌| ≤ 0,30 Fraca
0,30 < |𝜌| ≤ 0,70 Media
0,70 < |𝜌| ≤ 0,90 Forte
0,90 < |𝜌| ≤ 0,99 Fortíssima
|𝜌| = 1 Perfeita
3 METODOLOGIA
• Identificação do Problema.
• Objetivos.
• Justificativa.
Projeto • Referencial Teórico.
ativação da futura RNA que foi arquitetada. Nessas atividades, elaborando gráficos
que ilustrem a sua relação tendenciosa.
Já com a propriedade das entradas relevantes ao problema, inicia-se o projeto
da rede PMC. Exclusivamente, foi aproveitado o programa gratuito Neuroph – Java
Neural Network Framework – para a geração das redes neurais processadas durante
a pesquisa. Nessa ferramenta, foi construído a rede PMC que avaliou os dados
inseridos buscando aproximar a função capaz de prever o problema considerado na
pesquisa, através da ponderação de seus pesos sinápticos pelo treinamento
supervisionado com o algoritmo Backpropagation.
Sendo ainda, efetuado todas as medidas necessárias de ajuste da RNA (taxa
de aprendizagem, arquitetura neural, o número de épocas de treinamento e precisão
pretendida) nessa plataforma. Todos esses procedimentos de refinamento foram
ilustrados graficamente no trabalho. Obtida a precisão almejada e a rede neural já
calibrada, enfim, realizou-se o processo de generalização, como método de
contraprova para validação do sistema, corroborando sua capacidade de previsão
com amostras fora do conjunto de treinamento. Dessa forma, efetivando a promoção
de uma sistemática apta a prognose da captação acadêmica da instituição de ensino
superior estudada.
existem entidades públicas, privadas e até de ensino a distância (EaD) que atendem
uma infinidade de públicos com expectativas diversas.
Sendo assim, a sistemática que aqui se desenvolveu foi, iminentemente,
incompetente em casos tão genéricos. Definitivamente, apenas com uma anterior
análise rigorosa, dos fatores singulares de influência da instituição de ensino e
acréscimos metodológicos de estudo correlatos, é que o método pesquisado no
referido trabalho pode ser desenvolvido com outros planos de fundo.
44
Ano Egressos
2007 4629
2008 4610
2009 4004
2010 3792
2011 4012
2012 3760
2013 3799
2014 3900
2015 3637
2016 3692
2017 3134
Ano Vagas
2008 700
2009 980
2010 980
2011 1005
2012 1030
2013 1130
2014 1230
2015 1080
2016 1130
2017 1580
2018 1730
um emprego remunerado, entretanto que, por diversas razões, não estão introduzidos
no mercado de trabalho. O contingente de desempregados é um fator avaliativo para
a economia, sendo assim, quanto maior for a população dos sem renda, menor será
o público interessa na aquisição de um curso superior. Através das informações
disponibilizadas no portal da FEE, servindo-se do índice mensal da RMPA, pesquisa
mais próxima da realidade da região objeto de estudo. Os dados podem ser
observados a seguir (Tabela 7):
motivada pela baixa procura por tais cursos específicos. Os dados foram coletados na
faculdade IDEAU e estão catalogados na Tabela 8 seguinte:
PMC TCC-7
Inputs 8
Outputs 1
Nº de camadas 3
Nº Neurônios na Camada de Entrada 8
Nº Neurônios na Camada Escondida 11
Nº Neurônios na Camada de Saída 1
Amostragem de Treinamento (2008, 2009, 2010, 2012, 2014 e 2018)
Amostragem de Teste (2013, 2015, 2016 e 2017)
Erro Máximo Treinamento Esperado 0,0001
Nº Iterações Aproximadamente 23750.
RELATÓRIO TREINAMENTO
Período Inputs Outputs Obtido Erro
2008 0,93; 0,34; 0,28; 0,1; 0,11; 0,17; 0,04; 0,11 0,6 0,5843 -0,0157
2009 0,92; 0,48; 0,32; 0,12; 0,11; 0,19; 0,06; 0,1 0,39 0,4092 0,0192
2010 0,8; 0,48; 0,45; 0,1; 0,17; 0,21; 0,04; 0,09 0,37 0,3749 0,0049
2011 0,76; 0,5; 0,45; 0,13; 0,25; 0,24; 0,06; 0,07 0,38 0,3926 0,0126
2012 0,8; 0,51; 0,51; 0,15; 0,28; 0,28; 0,07; 0,06 0,47 0,4575 -0,0125
2014 0,76; 0,61; 0,64; 0,22; 0,3; 0,38; 0,06; 0,06 0,46 0,4745 0,0145
2018 0,63; 0,85; 0,68; 0,2; 0,29; 0,44; 0,03; 0,13 0,30 0,2879 -0,0121
Erro Quadrado Médio Total: 0,000187
Treinamento
0,70
0,60
0,50
0,40
0,30
0,20
0,10
0,00
2006 2008 2010 2012 2014 2016 2018 2020
Esperado Obtido
RELATÓRIO TESTE
Período Inputs Outputs Obtido Erro
2013 0,75; 0,56; 0,53; 0,13; 0,27; 0,31; 0,06; 0,07 0,46 0,40 0,06
2015 0,78; 0,53; 0,64; 0,22; 0,26; 0,40; 0,06; 0,06 0,58 0,57 0,01
2016 0,73; 0,56; 0,69; 0,22; 0,30; 0,43; 0,11; 0,10 0,46 0,55 0,09
2017 0,74; 0,78; 0,67; 0,21; 0,29; 0,42; 0,06; 0,11 0,39 0,34 -0,05
Erro Quadrado Médio Total: 0,011275
Teste
0,70
0,60
0,50
0,40
0,30
0,20
0,10
0,00
2012,5 2013 2013,5 2014 2014,5 2015 2015,5 2016 2016,5 2017 2017,5
Esperado Obtido
CONCLUSÃO
REFERÊNCIAS
ANDRADE, Maria Margarida de. Como preparar trabalhos para curso de pós-
graduação: noções básicas. 5ª ed. São Paulo: Atlas, 2002.
FÁVERO, Luiz Paulo; BELFIORE, Patrícia. Manual de Análise de Dados. 1ª ed. Rio
de Janeiro: Elsevier, 2017.
GIL, Antonio Carlos. Como Elaborar Projetos de Pesquisa. 5ª ed. São Paulo: Atlas,
2010.
HAYKIN, Simon. Redes Neurais: princípios e prática. 2ª ed. Porto Alegre: Bookman,
2001.
64
SUPTITZ, Ivan Luis; FROZZA, Rejane; MOLZ, Rolf Fredi. Análise Comparativa de
Ferramentas de Redes Neurais Artificiais. XXXV Encontro Nacional de Engenharia
de Produção. Perspectivas Globais para a Engenharia de Produção Fortaleza, CE,
Brasil, 13 a 16 de outubro de 2015.