Recomendados
Mais conteúdo relacionado
Semelhante a Pesquisa na FT - Classificação de magnetomas a partir de Deep Learning
Semelhante a Pesquisa na FT - Classificação de magnetomas a partir de Deep Learning (14)
Último
Último (20)
Pesquisa na FT - Classificação de magnetomas a partir de Deep Learning
- 1. STSI704 A - SEMINÁRIOS II PESQUISA NA FT: ANÁLISE DE MAGNETOMAS A PARTIR DE DEEP LEARNING Grupo III
- 2. AGENDA KAULITZ GUIMARÃES - Conceitos básicos sobre deep learning HENRIQUE MALONE - Temperatura espacial e seus impactos HENRIQUE LAVIERI - Detalhes sobre a pesquisa
- 3. KAULITZ GUIMARÃES ESTÁGIARIO NA IBM. - DEVOPS NA ÁREA DE SEGURANÇA (API, AUTOMATION E KUBERNETES). - PROJETO DE MACHINE LEARNING + SECURITY - CERTIFICAÇÃO DE MACHINE LEARNING PELA UNIVERSIDADE DE STANFORD. - EXPERIÊNCIA EM PYTHON PARA DATA SCIENCE. - TRÊS PROJETOS DE MACHINE LEARNING NO GITHUB ( PREVISÃO DE AÇÕES, CLASSIFICAÇÃO DE SPAM, E ANÁLISE DE SENTIMENTO COM TWEETS).
- 4. CONCEITOS BÁSICOS SOBRE DEEP LEARNING
- 8. Machine learning é uma técnica para automatizar o reconhecimento padrões encontrados em um determinado conjunto de dados. O mais importante em um sistema que utiliza machine learning é a qualidade dos dados que serão usados para treinar a máquina Há uma gama de algoritmos nessa linha. Os quais são dividos majoritariamente em Supervisionados e Não supervisionados. MACHINE LEARNING
- 9. DADOS CONJUNTO DE AMOSTRAS LIMPEZA DOS DADOS QUALIDADE DOS DADOS
- 11. SUPERVISIONADO VS NÃO SUPERVISIONADO Usado para automatizar processos Possui uma coluna de rótulos (label) A máquina é treinada para reconhecer ou predizer algum resultado Possui duas divisões : classificação (classification) e predição (regression) Modelo Supervisionado Pode ser usado para automatizar processos ou Pode ser usado para identificar padrões ou alguma informação nova Não possui uma coluna de rótulos (label) A máquina é treinada, majoritariamente, para identificar grupos. Possui múltiplas divisões : agrupamento (clustering), redução de dimensionalidade (dimension reduction), associação (association rules), ... Modelo Não Supervisionado
- 12. Redes neurais são conjuntos de algorítmos que simulam o cerébro humano, de certa forma, e são desenhados para reconhecer padrões.
- 13. Sinais elétricos entram (input signal) no neurônio pelos dentritos; Quando os sinais que entraram excedem um certo limite, um sinal de saída (output signal) é gerado e esses passam pelo axiônio. Ativação do Neurônio
- 14. ALGORITMO NEURAL Nos algoritmos neurais, os impulsos elétricos são representados por números reais, e a ativação química é representada por modelos matemáticos (funções).
- 15. REDES NEURAIS: CAMADAS Uma rede neural ( ou seja, um modelo com mais de um neurônio) possui a estrutura : - Uma camada de entrada (input layer) : onde os valores são os dados por amostra do conjunto de dados. - Uma camada escondida ( hidden layer): camada onde ficam os neurônios. - Uma camada de saída (output) : o "resultado" do processamento dos neurônios. .
- 16. DEEP LEARNING Deep learning envolve redes neurais que possuem mais de uma camada escondida (hidden layer).
- 17. HENRIQUE MALONE ESTÁGIARIO NO INSTITUTO DE PESQUISA ELDORADO - TESTES E INTEGRAÇÃO DE SOFTWARE PROJETOS - ENSINO DE PROGRAMÇÃO EM ESCOLAS PÚBLICAS (PROJETO ERA UMA VEZ) - EX BOLSITA DO LIAG (LABORATÓRIO DE INFORMÁTICA, APRENDIZAGEM E GESTÃO) - ORGANIZADOR DO TORNEIO E LIGA ROBOCODE E DESAFIO JOVEM ENGENHEIRO
- 18. O QUE É TEMPERATURA ESPACIAL
- 19. Refere-se as condições de ambiente da magnetosfera, a ionosfera e a termosfera proporcionadas pelo sol e pelas explosões solares.
- 20. ESTRUTUTA SOLAR
- 23. São explosões que acontecem quando uma energia estocada em campos magnéticos são soltadas de maneira repentina SOLAR FLARES
- 24. SOLAR WINDS São fluxos de partículas carregadas que são lançadas acima da atmosfera do sol (corona)
- 25. SOLAR WINDS Alguns desses ventos emanados atingem a Terra, mas são captutados pelo seu campo magnético, formando o cinturão de Van Allen
- 27. CMES (CORONAL MASS EJECTIONS ) São largas expulsões de plasma campos magnéticos providos da corona do sol
- 28. CMES (CORONAL MASS EJECTIONS ) Quando atingem a Terra, causam danos a diversas tecnologias importantes e de alto custo que serão apresentadas à seguir.
- 30. As variações do tempo espacial podem afetar diferentes tipos de tecnologia na Terra.
- 31. IMPACTOS EM ONDAS DE RÁDIO As erupções solares produzem ondas fortes de raio-x que degradam ou bloqueiam frequências de rádio usadas para fazer comunicações durante eventos conhecidos como "Radio Blackout Storm". Partículas solares de energia podem bloquear a comunicação por rádio frequência durante tempestades de radiação solares.
- 32. IMPACTOS EM SATÉLITES As mesmas partículas citadas anteriormente podem penetrar satélites eletrônicos e causar falhas elétricas.
- 33. IMPACTOS EM REDES ELÉTRICAS As Ejeções de Massa Coronal (CMEs) podem causar Tempestades Geomagnéticas na Terra e induzir correntes extras no solo que podem degradar as operações da rede elétrica.
- 34. IMPACTOS EM SINAIS DE NAVEGAÇÃO Tempestades geomagnéticas podem também modificar sinais de navegação como GPS e GNSS, prejudicando em sua acurácia.
- 35. IMPACTOS EM SINAIS DE NAVEGAÇÃO Em 2006 ocorreu um flare no Sol, com índice X9 ( o mais alto), que chegou a danificar alguns píxels da câmara GOES 13, e saturou todos os satelites de GPS que estavam do lado iluminado da terra.
- 36. HENRIQUE LAVIERI ESTÁGIARIO NA HONDA - RELACIONAMENTOS DE NEGÓCIO EM TI PROJETOS - MELHORIAS EVOLUTIVAS DE SISTEMA - IMPLANTAÇÃO DE SISTEMAS DE GESTÃO NA LOGÍSTICA HONDA - CERTIFICAÇÃO DE ROBÓTICA NXT - TRABALHO SOCIAL - UTILIZAÇÃO DE SENSORES DE MOVIMENTO PARA TRATAMENTO DE PACIENTES COM AVC
- 37. COMO DEEP LEARNING PODE SER USADO EM RELAÇÃO AO TEMPO ESPACIAL ?
- 38. PESQUISA : ANÁLISE DE MAGNETOMAS COM DEEP LEARNING BOLSISTA : LETÍCIA OLIVEIRA ORIENTADOR : PROFESSOR LEON
- 39. HighPids LETÍCIA S. OLIVEIRA Bolsista PBIC 3º ano de BSI 1 ano de IC na área de explosões solares LEON GRADVOHL Professor na FT Pesquisador na área de explosões solares Pós doutor pela UPMC (Pierre and Marie Curie University) Grupo formados por alunos de doutorado, mestrado e graduação que pesquisam e implementam SAD baseados em Inteligência Artificial.
- 40. FOCO DA PESQUISA A pesquisa realizada pelo Leon e a sua bolsista, Letícia, é sobre classificação de magnetomas. Esse projeto tem como objetivo criar uma automação para a classificação dos magnetomas, já que ainda não existe, o que ajuda a prever explosões solares.
- 41. DADOS ULTIZADOS NA PESQUISA Base de dados usada na classificação foi rotulada à mão, foram 1000 imagens no total que compões a base. Foram feitas modificações nas images para evidenciar os magnetomas.
- 43. SOFTWARES UTILIZADOS: DIGITS DIGITS é um wrapper para NVCaffe™ e TensorFlow™ (frameworks de aprendizado de máquina). Ele oferece uma interface gráfica para esses frameworks e lida com eles diretamente por linha de comando.
- 44. SOFTWARES UTILIZADOS: AWS No caso dessa pesquisa, o DIGITS está sendo usado via Web, em uma instancia na cloud da amazona AWS.
- 45. SOFTWARES UTILIZADOS: HELIOVIEWER É uma ferramenta, open source, para a vizualização dos dados do Sol e da héliosfera a partir de imagens em JPEG 2000. É um projeto fundado pela ESA e a NASA. É um software de grande relevância para a física solar desde que o observatório da NASA atualmente gera um grande volume de dados.
- 46. RESULTADOS DA PESQUISA Testes Integração com python Acurácia de 80%
- 47. CONCLUSÃO É possível amenizar impactos causados pelas explosões solares que foram citadas na apresentação a partir dos das técnicas de deep learning apresetadas.