Terminal de consulta web

Estruturas de dados são formas eficientes de armazenar e organizar informações no computador para melhor proveito dos algoritmos. Possuem usos e aplicações distintos para tarefas específicas. Algoritmos e Estruturas de Dados em Linguagem C apresenta uma nova e descomplicada abordagem dos conceitos, assim como a implementação das estruturas utilizadas pelos mais diversos cursos de Computação e de áreas afins. Em quinze capítulos, o conteúdo apresenta os seguintes destaques: análise da complexidade de algoritmos - com explicações didáticas e detalhadas; uso de imagens para explicar o funcionamento de cada algoritmo; lembretes e avisos que ressaltam pontos-chave; ordenação e busca em arrays; dados abstratos; listas e filas; pilhas, grafos e árvores; tabela hash, entre outros. Como materiais suplementares, a obra oferece códigos-fontes para download no site da LTC Editora - GEN | Grupo Editorial Nacional, mediante cadastro e uso de PIN. Voltado aos graduandos e pós-graduandos de Computação e aos milhares de profissionais que atuam com programação ou em áreas não computacionais, Algoritmos e Estruturas de Dados em Linguagem C pode ser enriquecido, ainda, com vídeos e dicas importantes sobre o tema, disponíveis no canal do autor no Youtube, o "Programação Descomplicada"

Resumo: nas mais diversas aplicações seja incontestável, pouco se sabe ainda sobre como essas redes são capazes de generalizar bem (ou não) o aprendizado sobre um conjunto de treino para um outro conjunto ainda não ''visto'' pela rede. Particularmente, redes profundas são sabidamente sobreparametrizadas, isto é, possuem um número maior de parâmetros do que o dimensionado para a quantidade de dados de treino de acordo com a teoria do aprendizado clássica. Ainda assim, essas redes não entram em regime de sobretreinamento como se esperaria. Recentemente, a literatura tem apontado indícios de que a resposta a essa questão está em uma dimensão intrínseca do espaço de parâmetros, que é bem menor do que o número de parâmetros em si. O conceito de dimensão fractal tem sido explorado com esse objetivo de quantificar tal dimensão intrínseca. Entretanto, as técnicas usadas ainda são fortemente indiretas e baseadas na suposição de que a dinâmica de aprendizado obedece certos processos físicos, cuja demonstração na prática é bastante difícil ou mesmo inviável. Nesse sentido, este trabalho se propõe a explorar técnicas numéricas, como box-counting, variograma, massa-raio e Fourier, cuja eficiência na estimativa da dimensão fractal de conjuntos discretos é bem conhecida. No caso particular do variograma, um estudo mais completo é realizado, onde estimamos a dimensão fractal a partir da lei de potência empírica entre uma pequena perturbação adicionada aos parâmetros treinados e o deslocamento correspondente na função de perda. As medidas propostas são comparadas com outras medidas de generalização clássicas e do estado da arte na literatura, através de modelos gerados por diferentes configurações de hiperparâmetros. Os resultados obtidos sugerem um desempenho competitivo nos conjuntos de dados analisados. Nosso estudo também propõe uma função de perda adaptada que considera a dimensão fractal e um limitante de generalização teórico

Resumo: A previsão de séries temporais é um tema de pesquisa importante na ciência, com aplicações em áreas como finanças, saúde, energia e muitas outras. No entanto, desenvolver modelos de previsão precisos e robustos para a maioria dessas aplicações ainda representa um desafio. Entre as abordagens promissoras, temos os modelos de aprendizado profundo, apesar de questões como o grande número de hiperparâmetros ou a capacidade limitada de generalização. Nesta pesquisa, propomos um novo método que combina a teoria do caos com técnicas de aprendizado profundo para a previsão de séries temporais, com foco nas características ''quasi-caóticas'' desses dados. Primeiramente, extraímos a dinâmica local da série temporal calculando os expoentes de Lyapunov por meio de uma abordagem de janela deslizante e os injetamos em um modelo de aprendizado profundo via mecanismo de atenção. Essas medidas são concatenadas com os dados originais, fornecendo uma representação mais rica e informativa da série temporal. Quatro modelos de aprendizado profundo (N-BEATS, ConvLSTM, LSTM e GRU) foram investigados, comparando suas versões tradicionais com nossa proposta, aproveitando as dinâmicas caóticas. A validação experimental de nossa metodologia foi realizada em oito conjuntos de dados, sendo duas séries temporais sintéticas e seis dados do mundo real, das áreas de finanças, energia, tráfego e temperatura. Os resultados demonstraram um ganho médio de 33,1% em relação aos modelos originais e 14,5% em relação ao estado da arte, sugerindo seu potencial em termos de precisão e robustez na previsão de séries temporais

Criada em 1972 nos laboratórios Bell por Dennis Ritchie, a linguagem C se tornou uma das mais bem-sucedidas linguagens de alto nível já criadas, sendo considerada até hoje, na maioria dos cursos de computação do país, a linguagem básica para o aprendizado de disciplinas introdutórias em programação. Com um teor de abstração relativamente elevado, ela está mais próxima da linguagem humana do que o código de máquina. Ainda assim, é considerada por muitos uma linguagem de difícil aprendizado. Com o objetivo de simplificar o ensino da disciplina, André Backes apresenta na 2ª edição de Linguagem C uma nova abordagem que descomplica os conceitos da linguagem por meio de diversos recursos didáticos e ilustrativos, incluindo lembretes e avisos que ressaltam os seus pontos-chave, além de exemplos simples e claros sobre como utilizá-la. Este livro traz um programa de um curso completo de linguagem C, tratando com simplicidade dos assuntos mais complicados até os mais básicos. Um livro essencial para os estudantes e profissionais da área de Computação!

Resumo: A classificação de imagens é uma das tarefas de destaque na visão computacional. Entre os tipos de imagens que possuem grande aplicação na prática estão as imagens de texturas, nas quais todos os pixels apresentam igual influência no reconhecimento da imagem. Algoritmos computacionais para reconhecimento de texturas têm sido amplamente investigados na literatura, tanto para aumentar a acurácia e confiabilidade do processo de classificação quanto para reduzir o tempo computacional. A proposta apresentada neste trabalho visou desenvolver descritores locais de imagens de texturas por meio de um processo baseado na teoria de aprendizado automático, mais especificamente, empregando máquinas de aprendizado extremo. A metodologia proposta explora o uso dessas máquinas tanto no domínio original da imagem quanto sobre uma transformação baseada em vizinhança. Propõe-se também um método na direção inversa, isto é, usando máquinas de aprendizado extremo para formular uma transformada da imagem seguindo-se da extração de descritores locais sobre essa transformada. Outra solução explorada é o uso de uma operação alternativa para o produto interno associado ao algoritmo de aprendizado extremo, baseando-se em operadores morfológicos da álgebra min-max. Os algoritmos desenvolvidos foram aplicados em imagens médicas, na identificação de subtipos de câncer de pulmão. Os resultados obtidos tanto na aplicação médica quanto em bases de imagens de benchmark mostraram-se promissores, confirmando um aumento na acurácia da classificação em várias situações

Resumo: A análise de imagens de texturas é uma tarefa de destaque na visão computacional, sendo aplicada em diversos campos da ciência. Neste trabalho, foram desenvolvidos e analisados novos descritores de imagens de textura baseados em conceitos da geometria fractal e multifractal, com foco principalmente na tarefa de classificação de imagens de texturas em escala de cinza. Uma das medidas fractais mais conhecidas e usadas é a dimensão fractal e, entre as diferentes definições desta medida, uma das mais disseminadas é a dimensão fractal box-counting (contagem de caixas). Um primeiro tipo de descritor de imagens aqui proposto é baseado em uma generalização do modelo matemático desenvolvido para o cálculo da dimensão fractal box-counting, fornecendo assim não somente a dimensão fractal, mas também um conjunto de medidas que representam as imagens de texturas de forma muito mais detalhada, por meio de uma análise multiescala da fractalidade da imagem original. Para estes descritores, foram analisadas a distribuição dos pontos dentro das caixas usadas para o cálculo da dimensão box-counting, a qual por meio de medidas estatísticas fornece uma ferramenta robusta e otimizada de descrição da imagem. Similarmente, foi investigada também a distribuição espacial das caixas através de uma modelagem matemática e estatística das imagens digitais com base em campos aleatórios de Markov. Outra metodologia proposta e investigada nesta tese é baseada na análise multifractal, em que as imagens de texturas são particionadas em subconjuntos de pixels, resultando assim em um conjunto de imagens binárias, das quais são extraídas as medidas fractais usadas na composição dos descritores. Os descritores aqui desenvolvidos foram aplicados à classificação de imagens de texturas de bases de benchmark, para as quais os resultados de outros métodos de análise de texturas, tanto clássicos quanto do estado-da-arte, são amplamente conhecidos na literatura. Os descritores propostos foram também aplicados a um problema prático, qual seja o da identificação de espécies de plantas brasileiras a partir da imagem escaneada das folhas. Comparados com estes métodos da literatura, os descritores desenvolvidos neste trabalho não só se mostraram competitivos, como também apresentaram resultados com maior acurácia e robustez em diversas situações, demonstrando assim ser uma abordagem promissora para fins práticos e merecendo uma investigação ainda mais detalhada no futuro