Видео

A rede neural de função base radial (radial basis function neural network - RBFNN) é um tipo de RNA feedforward que faz uso de funções de base radial como funções de ativação nos neurônios da camada oculta. Uma função de base radial é uma função de valor real, cujo valor depende apenas da distância da origem. Embora existam vários tipos de funções de base radial, a função Gaussiana é a mais frequentemente empregada. As RBFNN têm muitos usos, incluindo aproximação de funções, previsão de séries temporais, classificação e controle de sistema. O treinamento da RBFNN também é mais rápido do que a FNN utilizando neurônios baseados em sigmoide. Outras características da RBFNN incluem design fácil, boa generalização e robustez para ruído de entrada. Para problemas de aproximação de função, as RBFNN são especialmente recomendadas para superfícies com picos e vales regulares. Uma desvantagem da RBFNN é a sua complexidade, que aumenta à medida que o número de neurônios na camada oculta aumentam. Outro desafio da RBF está no seu algoritmo de treinamento e estrutura, não permitindo modelar um ambiente de sistema fortemente não linear .

Uma ótima pergunta! A escolha entre algoritmos de machine learning e deep learning para analisar imagens de sementes, ou qualquer outro tipo de imagem, depende muito da complexidade do problema e da quantidade de dados disponíveis. As principais razões para usar o deep learning , nesse caso das sementes: Extração Automática de Features; Grande Quantidade de Dados; Complexidade da Tarefa; Evolução Tecnológica. Extração Automática de Features: Em imagens, especialmente as de alta resolução, identificar manualmente as características relevantes (como forma, textura, cor) para a classificação pode ser um processo extremamente complexo e demorado. As redes neurais convolucionais (CNNs), um tipo de algoritmo de deep learning, são excelentes em extrair essas características de forma automática, diretamente dos dados. Grande Quantidade de Dados: O deep learning, especialmente as CNNs, tende a apresentar melhores resultados quando treinado com grandes conjuntos de dados. Se o dataset de sementes é vasto e variado, o deep learning pode aproveitar melhor essa riqueza de informações. Complexidade da Tarefa: A classificação de imagens, especialmente quando se busca identificar detalhes sutis ou variações intra-classe, pode ser uma tarefa bastante complexa. As CNNs são capazes de aprender representações hierárquicas muito ricas, permitindo a classificação de imagens com alta precisão, mesmo em casos onde as diferenças entre as classes são pequenas. Evolução Tecnológica: Nos últimos anos, o deep learning tem se mostrado superior ao machine learning tradicional em diversas tarefas de visão computacional. A disponibilidade de frameworks como TensorFlow e PyTorch, além do aumento da capacidade computacional, tornaram o deep learning mais acessível e eficiente. E quando o Machine Learning ainda pode ser uma BOA opção: Dados Limitados; Problemas Simples. Dados Limitados: Se o dataset for pequeno, o deep learning pode sofrer com overfitting (quando o modelo se ajusta demais aos dados de treinamento, perdendo a capacidade de generalizar para novos dados). Nesse caso, algoritmos de machine learning mais tradicionais, como Support Vector Machines (SVMs) ou Random Forests, podem apresentar resultados melhores. Problemas Simples: Para problemas mais simples, como a classificação de imagens com POUCAS classes e características bem definidas, algoritmos de machine learning podem ser suficientes e mais rápidos de treinar. RESUMINDO GALERA: A escolha entre deep learning e machine learning depende de um conjunto de fatores, incluindo a complexidade do problema, a quantidade e qualidade dos dados, os recursos computacionais disponíveis e o conhecimento da equipe. No caso da análise de imagens de sementes, o deep learning é uma ferramenta poderosa e versátil, capaz de extrair informações complexas e realizar classificações precisas. Parabéns profa. coorda. Rose e todos os envolvidos. Caro professor Vinicius, usaram o algoritmo: Deep RBFNN rede neural baseado em CNN ????

0:36

👏👏

Ameeeiii! Tragam mais <3

:O

TCC= depressão, falta de sanidade e vida social

Muito obrigada pela palestra!

Parabéns mestre Guerra, excelente explicação é super didático.

Parabéns! Pesquisa muito relevante e ótima apresentação! 👏🎉

A Fatec Cotia está de parabéns e queria agradecer aos nossos orientadores Professores Felipe Carneiro e Mauro Campello as professoras Maria Fernanda e Narjara Mitsuoka que nos incentivou e também ao professor Ichiro, professor Hamilton, Benedito, Professora Edilize e Mestre Professor Saulo Ferraz entre outros que diretamente ou indiretamente nos ajudaram no projeto ergonômico Carreta Sider. Agradeço ao Diego do TI por nos mostrar e aplicar a impressão 3D da peça. Vamos nos dedicar para representar a Fatec Cotia no FatecLog de 2024 e em outros eventos mostrando que os Cursos oferecidos são de altíssimo nível reconhecimento MEC. Até breve Caio Viana, Renivan Silva e Robson Borges

Olha nós aí. Bora assistir pra melhorar nas apresentações!!🎉❤ 😊🫣

Foi um evento maravilhoso com muitas tecnologia do conhecimentos.

❤

mas aí que está...oq é uma ciência de dados ? os nomes são diferentes

Saudades professora Sandra... 😘

Parabéns aos envolvidos!!!!

Show

Boa noite a Todos

Parabéns a todos os formandos!!!

Parabéns também para os alunos de GPI, pois tive a honra de lecionar para vocês no primeiro Semestre !!!

Parabéns aos formandos do Curso de Gestão Empresarial aos quais tiver o prazer de ajudá-los na formação !!!

Boa noite Renan

VESTIBULAR FATEC COTIA!>>> www.vestibularfatec.com.br/unidades-cursos/escola.asp?c=243

Oi, onde vejo a lista de classificação de ciência de dados referente ao ano passado? (Cotia)

Professora Sandra, linda! ❤

Os melhores professores que já tive o prazer de conhecer.

Bem vindos fatecano 👏👏👏

Olá.... Parabéns pelo novo curso. Os jovens de Cotia precisam de novas oportunidades que ampliem seus conhecimentos. Que venham muito mais novos cursos.

Grato pela oportunidade 😃

Parabens pela palestra e a todos os envolvidos

Professor Roberto muito profissional, gente boaaa 😍😍😊😊😊